به کارگیری یادگیری ماشین برای پیش بینی طوفانهای ژئومغناطیسی و شاخص سوسوزنی S۴

اغلب در به تصویر کشیدن دینامیکهای غیرخطی این پدیده ها با چالش مواجه می شوند؛ از این رو تمایل به استفاده از روشهای یادگیری ماشین افزایش یافته است به عنوان مثال از ماشینهای بردار پشتیبان (SVM) و شبکه های عصبی (CNN) برای پیشبینی اختلالات یونوسفر استفاده شده است هرچند عملکرد آنها به دلیل پیچیدگیهای محاسباتی و خطر بیش برازش محدودیتهایی دارد الگوریتم جنگل تصادفی که به دلیل مقاومت در برابر بیش برازش و توانایی مدیریت دادههای با ابعاد بالا شناخته شده است، در پیشبینی وضعیت اقلیم فضایی محبوبیت یافته است مطالعات کارآیی الگوریتم جنگل تصادفی در پیشبینی فورانهای خورشیدی با استفاده از دادههای چند منبعی را نشان داده اند در حالی که از روشهای تجمیعی برای آموزش مدل نیز پرداخته است که نشان داده شده باعث افزایش دقت ماشین پیشبینی تغییرات TEC یونوسفر بهره بردند این مقاله کاربرد یادگیری ماشین به ویژه الگوریتم جنگل تصادفی را در پیشبینی طوفانهای ژئومغناطیسی و شاخص سوسوزنی S۴ بررسی می کند با استفاده از دادههای اختفای رادیویی سامانههای GNSS، سعی شده است الگوهای پنهان و تغییرات ناگهانی در شاخص S۴ شناسایی شود در این مقاله دادههای مستقیم و مهندسی شده از سامانه های نظارتی GNSS به عنوان ورودی مدلهای یادگیری ماشین استفاده شده و با بهره گیری از الگوریتم جنگل تصادفی روندهای غیرخطی و پیچیده مرتبط با اختلالات رادیویی استخراج شده است نتایج به دست آمده نشان می دهد که این رویکرد قادر است با دقت قابل توجهی وقوع طوفانهای ژئومغناطیسی را پیش بینی کند علاوه بر این مقاله به روشهای بهینه استخراج ویژگیهای مرتبط برای خواهند شد در ادامه مشاهده شده است که الگوریتم جنگل تصادفی با دقت ۹۸.۳ درصد می تواند طوفان را از روی دادههای آزمایش تشخیص دهد و مقدار میانگین شاخص سوسوزن دامنه (S۴) را نیز با خطای کمی پیش بینی کند که نشان میدهد الگوریتم به خوبی آموزش دیده است.

کلیدواژه ها:

یادگیری ماشین ، جنگل تصادفی ، شاخص سوسوزنی ، دادههای اختفای رادیویی GNSS ، طوفانهای ژئومغناطیسی