DOI: https://doi.org/10.22399/ijcesen.324
تاريخ النشر: 2024-06-06
المؤلف: Ahmet POLATOĞLU
الموضوع الرئيسي: الخوارزميات الإحصائية والعددية
نظرة عامة
تستكشف هذه الدراسة العلاقات المعقدة بين النشاط الشمسي وشدة الأشعة الكونية، باستخدام مجموعات بيانات واسعة من مركز بيانات الإشعاع الشمسي التفاعلي LASP (LISIRD) وقاعدة بيانات النيوترونات OULU. من خلال تصور البيانات، وتحليل الارتباط، وتقنيات التعلم الآلي، تحدد الدراسة علاقات مهمة بين معلمات الشمس—مثل عدد البقع الشمسية (SSN)، ومؤشر Mg II، وقياسات التدفق الإذاعي (RF)—وشدة الأشعة الكونية. من النتائج الملحوظة هو الارتباط العكسي القوي بين SSN وRF عند 30 سم، والذي تم قياسه عند -0.82، مما يبرز دور النشاط الشمسي في تعديل تدفق الأشعة الكونية التي تصل إلى الأرض.
تستخدم الدراسة نماذج متقدمة من التعلم الآلي، بما في ذلك آلات تعزيز التدرج (GBM) والشبكات العصبية الاصطناعية (ANN)، للتنبؤ بشدة الأشعة الكونية، محققة نتائج واعدة مع GBM الذي حقق متوسط خطأ تربيعي (MSE) يبلغ حوالي 75458.82 ودرجة R² تبلغ 0.51. بعد التحسين، تحسنت الأداء بشكل كبير، مع درجة R² تبلغ 0.71 وMSE يبلغ 70971.12. تم تطبيق تقنيات التنظيم، وخاصة الانحدار Ridge وLasso، لتعزيز قوة النموذج وتقليل الإفراط في التكيف، حيث تفوق الانحدار Lasso على Ridge. تؤكد النتائج على أهمية دمج مجموعات بيانات متنوعة وطرق تحليل متقدمة لفهم التفاعلات الشمسية الكونية، والتي لها آثار واسعة على توقعات الطقس الفضائي وتأثيراتها على بيئة الأرض والبنية التحتية التكنولوجية. البحث المستمر ضروري لتحسين نماذج التنبؤ وزيادة المرونة تجاه الاضطرابات الشمسية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية فهم النشاط الشمسي وتفاعلاته مع الأشعة الكونية (CRs)، مع التأكيد على آثارها على نمذجة المناخ وتوقعات الطقس الفضائي. يتميز النشاط الشمسي بظواهر مثل البقع الشمسية، والتوهجات الشمسية، والانبعاثات الكتلية الإكليلية (CMEs)، ويتبع دورة تقريبية مدتها 11 عامًا، تؤثر على شدة CRs التي تخترق الهيليوسفير. خلال فترات النشاط الشمسي المرتفع، يوفر الرياح الشمسية والحقول المغناطيسية حاجزًا واقيًا ضد CRs، بينما تسمح الحد الأدنى من النشاط الشمسي بزيادة اختراق CR. على الرغم من المعرفة الموجودة حول هذه العلاقة، غالبًا ما تكافح الطرق التحليلية التقليدية مع الطبيعة المعقدة وغير الخطية للبيانات.
تدعو الورقة إلى تطبيق تقنيات التعلم الآلي (ML) لتحليل العلاقة طويلة الأمد بين معلمات النشاط الشمسي وCRs. من خلال استخدام مجموعات بيانات واسعة من مصادر متنوعة وتوظيف طرق مثل التعلم المراقب وغير المراقب، تهدف الدراسة إلى كشف الأنماط المعقدة وتحسين نمذجة التنبؤ. بشكل محدد، تستخدم البحث آلات تعزيز التدرج (GBM) والشبكات العصبية الاصطناعية (ANN) للنمذجة، إلى جانب تقنيات الانحدار الخطي التقليدية للتحقق. لا تعزز هذه الطريقة الشاملة دقة التنبؤ فحسب، بل تهدف أيضًا إلى تعميق فهم الاتصال الشمسي الأرضي، مما يساهم في التقدم في كل من العلوم الأساسية والتطبيقات العملية المتعلقة بالطقس الفضائي.
طرق
تحدد قسم “البيانات والطرق” تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. جمع المؤلفون البيانات من مصادر متنوعة، مما يضمن مجموعة بيانات شاملة تدعم أهداف البحث. تم استخدام منهجيات محددة، بما في ذلك التحليلات الإحصائية والنماذج الحاسوبية، لتفسير البيانات بشكل فعال.
توضح القسم معايير اختيار البيانات، والأدوات المستخدمة للتحليل، والمنطق وراء الطرق المختارة. تعزز هذه الطريقة الدقيقة موثوقية النتائج، مما يسمح باستخلاص استنتاجات قوية من النتائج. بشكل عام، تعتبر الطرق المستخدمة حاسمة للتحقق من فرضيات الدراسة وضمان دقة النتائج.
نتائج
في هذه الدراسة، تم تحليل العلاقة بين شدة الأشعة الكونية (CR) والنشاط الشمسي، كما هو موضح من خلال أعداد البقع الشمسية (SSN) وغيرها من معلمات الشمس. أظهرت النتائج وجود ارتباط عكسي كبير بين شدة CR والنشاط الشمسي، خاصة مع SSN وRF 30 سم، حيث أظهرت معاملات الارتباط -0.82، -0.69، و-0.77 لـ SSN، ومؤشر Mg II، وRF 3.2 سم، على التوالي. استخدمت التحليل نماذج مختلفة من التعلم الآلي، بما في ذلك آلة تعزيز التدرج (GBM)، والشبكات العصبية الاصطناعية (ANN)، والانحدار الخطي، للتنبؤ بقيم CR بناءً على معلمات النشاط الشمسي. حقق نموذج GBM درجة R² تبلغ حوالي 0.71 ومتوسط خطأ تربيعي (MSE) يبلغ 70971.12، مما يشير إلى قدرة تنبؤية قوية. في المقابل، كان أداء نموذج ANN أقل، حيث حصل على درجة R² سلبية، مما يشير إلى تدريب أو تكوين غير كافٍ.
تم إجراء مزيد من التحسين باستخدام تقنيات التنظيم، وخاصة الانحدار Ridge وLasso. تفوق نموذج الانحدار Lasso على Ridge، حيث حقق درجة R² تبلغ 0.59 وMSE أقل يبلغ 63018.65، مما يُعزى إلى قدراته في اختيار الميزات. أظهر تحليل معلمات التنظيم أن القيم الأقل من ألفا (0.01 و0.1) حسنت أداء النموذج لكل من الانحدار Ridge وLasso. أشارت التقييمات البصرية للقيم المتوقعة مقابل القيم الفعلية إلى أنه بينما التقط كلا النموذجين الأنماط الأساسية، كانت هناك انحرافات عن التنبؤات المثالية، مما يبرز مجالات لتحسين دقة النموذج. بشكل عام، تؤكد النتائج على أهمية اختيار النماذج المناسبة واستراتيجيات التنظيم لتعزيز الأداء التنبؤي في سياق تفاعلات الأشعة الكونية والنشاط الشمسي.
مناقشة
تناقش ورقة البحث العلاقة المعقدة بين النشاط الشمسي وشدة الأشعة الكونية، باستخدام مجموعات بيانات واسعة من مركز بيانات الإشعاع الشمسي التفاعلي LASP (LISIRD) وقاعدة بيانات النيوترونات OULU. تشمل المعلمات الشمسية الرئيسية التي تم تحليلها عدد البقع الشمسية (SSN)، ومؤشر Mg II، وقياسات التدفق الإذاعي المختلفة، والتي توفر مجتمعة رؤى حول دورات النشاط الشمسي وتأثيرها على تعديل الأشعة الكونية. من الجدير بالذكر أنه تم تحديد ارتباط عكسي قوي بين SSN والتدفق الإذاعي عند 30 سم، والذي تم قياسه عند -0.82، مما يبرز الدور المهم للنشاط المغناطيسي الشمسي في تنظيم تدفق الأشعة الكونية التي تصل إلى الأرض.
استخدمت الدراسة تقنيات متقدمة من التعلم الآلي، بما في ذلك آلات تعزيز التدرج (GBM) والشبكات العصبية الاصطناعية (ANN)، للتنبؤ بشدة الأشعة الكونية بناءً على معلمات النشاط الشمسي. أظهرت GBM قدرات تنبؤية متفوقة، حيث حققت متوسط خطأ تربيعي (MSE) يبلغ حوالي 75458.82 ودرجة R² تبلغ 0.51، والتي تحسنت إلى R² قدره 0.71 مع تحسين المعلمات. في المقابل، كان أداء ANN أقل فعالية، حيث حصل على درجة R² سلبية. تم أيضًا تطبيق تقنيات التنظيم، وخاصة الانحدار Ridge وLasso، لتحسين أداء النموذج، حيث حقق الانحدار Lasso MSE قدره 63018.65 ودرجة R² تبلغ 0.59. تؤكد النتائج على أهمية فهم التفاعلات الشمسية الكونية لتوقعات الطقس الفضائي وتبرز الإمكانية التي يوفرها التعلم الآلي لتحسين دقة التنبؤ في هذا المجال. يُشجع على إجراء أبحاث مستقبلية لتحسين هذه النماذج وتعميق الرؤى حول العلاقة الشمسية الأرضية، مما يساعد في النهاية على التخفيف من آثار الطقس الفضائي على التكنولوجيا والمجتمع.
DOI: https://doi.org/10.22399/ijcesen.324
Publication Date: 2024-06-06
Author(s): Ahmet POLATOĞLU
Primary Topic: Statistical and numerical algorithms
Overview
This research investigates the intricate relationships between solar activity and cosmic ray intensity, utilizing extensive datasets from the LASP Interactive Solar IRradiance Datacenter (LISIRD) and the OULU neutron database. Through data visualization, correlation analysis, and machine learning techniques, the study identifies significant correlations between solar parameters—such as the sunspot number (SSN), Mg II Index, and radio flux (RF) measurements—and cosmic ray intensity. A notable finding is the strong inverse correlation between SSN and RF at 30 cm, quantified at -0.82, highlighting the role of solar activity in modulating cosmic ray flux reaching Earth.
The study employs advanced machine learning models, including Gradient Boosting Machines (GBM) and Artificial Neural Networks (ANN), to predict cosmic ray intensity, achieving promising results with GBM yielding a mean squared error (MSE) of approximately 75458.82 and an R² score of 0.51. After optimization, the performance improved significantly, with an R² score of 0.71 and an MSE of 70971.12. Regularization techniques, specifically Ridge and Lasso regression, were also applied to enhance model robustness and mitigate overfitting, with Lasso regression outperforming Ridge. The findings underscore the importance of integrating diverse datasets and advanced analytical methods for understanding solar-cosmic interactions, which have broad implications for space weather forecasting and its effects on Earth’s environment and technological infrastructure. Continued research is essential for refining predictive models and enhancing resilience to solar perturbations.
Introduction
The introduction of the research paper highlights the significance of understanding solar activity and its interactions with cosmic rays (CRs), emphasizing their implications for climate modeling and space weather forecasting. Solar activity, characterized by phenomena such as sunspots, solar flares, and coronal mass ejections (CMEs), follows an approximately 11-year cycle, influencing the intensity of CRs that penetrate the heliosphere. During periods of heightened solar activity, the solar wind and magnetic fields provide a protective barrier against CRs, whereas solar minima allow for increased CR penetration. Despite existing knowledge of this relationship, traditional analytical methods often struggle with the complex, non-linear nature of the data.
The paper advocates for the application of machine learning (ML) techniques to analyze the long-term relationship between solar activity parameters and CRs. By utilizing extensive datasets from various sources and employing methods such as supervised and unsupervised learning, the study aims to uncover intricate patterns and improve predictive modeling. Specifically, the research employs Gradient Boosting Machines (GBM) and Artificial Neural Networks (ANN) for modeling, alongside traditional linear regression techniques for validation. This comprehensive approach not only enhances predictive accuracy but also aims to deepen the understanding of the solar-terrestrial connection, ultimately contributing to advancements in both fundamental science and practical applications related to space weather.
Methods
The “Data and Methods” section outlines the research design and analytical techniques employed in the study. The authors collected data from various sources, ensuring a comprehensive dataset that supports the research objectives. Specific methodologies, including statistical analyses and computational models, were utilized to interpret the data effectively.
The section details the criteria for data selection, the tools used for analysis, and the rationale behind the chosen methods. This rigorous approach enhances the reliability of the findings, allowing for robust conclusions to be drawn from the results. Overall, the methods employed are critical for validating the study’s hypotheses and ensuring the accuracy of the outcomes.
Results
In this study, the relationship between cosmic ray (CR) intensity and solar activity, as indicated by sunspot numbers (SSN) and other solar parameters, was analyzed. The results demonstrated a significant inverse correlation between CR intensity and solar activity, particularly with SSN and RF 30 cm, showing correlation coefficients of -0.82, -0.69, and -0.77 for SSN, Mg II Index, and RF 3.2 cm, respectively. The analysis utilized various machine learning models, including Gradient Boosting Machine (GBM), Artificial Neural Networks (ANN), and Linear Regression, to predict CR values based on solar activity parameters. The GBM model achieved an R² score of approximately 0.71 and a mean squared error (MSE) of 70971.12, indicating a robust predictive capability. In contrast, the ANN model underperformed with a negative R² score, suggesting inadequate training or configuration.
Further optimization was conducted using regularization techniques, specifically Ridge and Lasso regression. The Lasso regression model outperformed Ridge, yielding an R² score of 0.59 and a lower MSE of 63018.65, attributed to its feature selection capabilities. The analysis of regularization parameters revealed that lower alpha values (0.01 and 0.1) enhanced model performance for both Ridge and Lasso regressions. Visual assessments of predicted versus actual values indicated that while both models captured underlying patterns, deviations from perfect predictions were present, highlighting areas for potential improvement in model accuracy. Overall, the findings underscore the importance of selecting appropriate models and regularization strategies to enhance predictive performance in the context of cosmic ray and solar activity interactions.
Discussion
The research paper discusses the intricate relationship between solar activity and cosmic ray intensity, utilizing extensive datasets from the LASP Interactive Solar IRradiance Datacenter (LISIRD) and the OULU neutron database. Key solar parameters analyzed include the Sunspot Number (SSN), Mg II Index, and various radio flux measurements, which collectively provide insights into solar activity cycles and their influence on cosmic ray modulation. Notably, a strong inverse correlation was identified between SSN and the 30 cm radio flux, quantified at -0.82, highlighting the significant role of solar magnetic activity in regulating cosmic ray flux reaching Earth.
The study employed advanced machine learning techniques, including Gradient Boosting Machines (GBM) and Artificial Neural Networks (ANN), to predict cosmic ray intensity based on solar activity parameters. GBM demonstrated superior predictive capabilities, achieving a Mean Squared Error (MSE) of approximately 75458.82 and an R² score of 0.51, which improved to an R² of 0.71 with hyperparameter optimization. In contrast, ANN performed less effectively, yielding a negative R² score. Regularization techniques, specifically Ridge and Lasso regression, were also applied to enhance model performance, with Lasso regression achieving an MSE of 63018.65 and an R² score of 0.59. The findings underscore the importance of understanding solar-cosmic interactions for space weather forecasting and highlight the potential for machine learning to improve predictive accuracy in this domain. Future research is encouraged to refine these models and deepen insights into the solar-terrestrial relationship, ultimately aiding in the mitigation of space weather impacts on technology and society.