Es gibt drei Schweregrade für Weltraumstürme: geomagnetische Stürme, Sonnenstrahlungsstürme und Funkausfälle. Diese Stürme haben unterschiedliche Auswirkungen auf die Erde, darunter Satelliten-, GPS-, Kommunikations- und Stromnetzprobleme sowie Gesundheitsgefahren für Astronauten und Menschen auf Höhenflügen. Geomagnetische Stürme erzeugen auch die wunderschönen Polarlichter, die häufig in Polarregionen beobachtet werden.
Aufgrund der möglichen negativen Auswirkungen von Weltraumstürmen haben Forscher physikbasierte Modelle entwickelt, die das Polarlichtstromsystem auf der Grundlage der von der Sonne ausgestoßenen Sonnenwindpartikel vorhersagen.
Bis zu diesem Zeitpunkt waren solche Modelle jedoch langsam und erforderten zum Betrieb einen ganzen Supercomputer. Forscher haben nun einen auf maschinellem Lernen basierenden Emulator entwickelt, der physikbasierte Auroralstrom-Systemsimulationen viel schneller und mit weniger Rechenleistung nachahmt.
Das Team veröffentlicht die Ergebnisse ihrer Studie in der Zeitschrift Weltraumwetter.
„Eine physikbasierte Simulation des Polarstromsystems ist eine Option für die Weltraumwettervorhersage. Wir benötigen jedoch einen ausgewiesenen Supercomputer für die Durchführung der physikbasierten Simulation“, sagte Ryuho Kataoka, Erstautor der Arbeit und außerordentlicher Professor am National Institute of Polar Research und SOKENDAI, beide in Tachikawa, Japan.
„Eines dieser Modelle ist REPPU (REProduce Plasma Universe), ein bekanntes und zuverlässiges Modell, das das Polarstromsystem reproduziert. Nachdem wir den ‚Emulator‘ erstellt hatten, konnten wir mit einem Laptop ähnliche Ergebnisse erzielen.“
Das neue Emulatormodell, Surrogate Model for REPPU Auroral Ionosphere Version 2 (SMRAI2), ist eine Million Mal schneller als die physikbasierte Simulation und berücksichtigt saisonale Effekte in seiner Modellierung.
Während Sonnenwettervorhersagen die Auswirkungen der Sonnenstrahlung und der Sonnenwindpartikel auf und um die Erde nicht ändern können, können sie Gemeinden, die vom Sonnenwetter betroffen sind, dabei helfen, sich auf Kommunikationsschwierigkeiten und -ausfälle vorzubereiten und die Strahlenbelastung für Astronauten und Flugpassagiere in großen Höhen zu begrenzen.
Insbesondere Satelliten reagieren sehr empfindlich auf den durch magnetische Stürme verursachten Widerstand. Tatsächlich gingen im Februar 2022 38 kommerzielle Satelliten durch den Wiedereintritt in die Erdatmosphäre nach einem moderaten magnetischen Sturm verloren. Diese magnetischen Stürme sind das Ergebnis einer großen Energieübertragung vom Sonnenwind auf die Magnetosphäre der Erde.
Das Forschungsteam verwendete ein zeitabhängiges maschinelles Lernmodell namens Echo State Network (ESN), um den physikbasierten Vorhersagemodell-Emulator zu erstellen. Wichtig ist, dass ESNs eine Art wiederkehrendes neuronales Netzwerk sind, das für die effiziente Verarbeitung sequenzieller Daten entwickelt wurde.
Die aktuelle Studie hat tatsächlich eine erste Version des ESN-basierten Emulators, Version 1.0, verbessert. Das Team trainierte das neue Emulatormodell SMRAI2 und verwendete dabei eine Größenordnung mehr physikbasierte Simulationsergebnisse als das ursprüngliche Modell der Version 1.0.
„Das Produkt dieser Studie, SMRAI2, ist das erste Beispiel für Polarlichtphysik, das eine Technik des maschinellen Lernens nutzt, um die ionosphärische Ausgabe der physikbasierten globalen magnetohydrodynamischen (MHD) Simulation zu emulieren. Es werden mehr MHD-Simulationsdaten gesammelt und andere innovative Technologien genutzt „Maschinelle Lernmodelle werden es uns ermöglichen, die Vorhersagegenauigkeit in naher Zukunft zu aktualisieren“, sagte Kataoka. MHD-Simulationen sollen das Verhalten der Magnetosphäre beschreiben, wo der Sonnenwind mit dem Erdmagnetfeld interagiert.
Der nächste Schritt für das Forschungsteam besteht darin, den Emulator in die Ausführung der Ensemble-Weltraumwettervorhersage einzubeziehen, bei der es sich um eine Reihe von Vorhersagen handelt, die eine Reihe zukünftiger Weltraumwettervorhersagen bieten. Ihr ultimatives Ziel besteht darin, den Emulator zusammen mit vielen Beobachtungsdatensätzen in einer Datenassimilationsvorhersage zu verwenden, die Modellausgaben und Beobachtungen integriert, um die Vorhersagegenauigkeit zu verbessern.
Mehr Informationen:
Ryuho Kataoka et al., Auf maschinellem Lernen basierender Emulator für die physikbasierte Simulation des Polarstromsystems, Weltraumwetter (2024). DOI: 10.1029/2023SW003720
Bereitgestellt von der Forschungsorganisation für Information und Systeme