Machine Learning in Space Weather - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Thèse Année : 2019

Machine Learning in Space Weather

Apprentissage machine en météorologie spatiale

Résumé

The study of variations in the space environment between the Sun and the Earth constitutes the core of space weather research. Plasma ejected by the Sun couples with the Earth’s magnetic field in complex ways that determine the state of the Earth’s magnetosphere. Adverse effects from space weather can impact communication networks, power grids and lo- gistics infrastructure, all crucial pillars of a civilization that is reliant on technology. It is important to use data sources, scientific knowledge and statistical techniques to create space weather forecasting and monitoring systems of the future. This thesis aims to be a step towards that goal. The work is organised into the following chapters. In chapters 4 and 5, we develop probabilistic forecasting models for predicting geo-magnetic time series. Combining ground based and satellite measurements, we propose a gaussian process model for forecasting of the Dst time series one hour ahead. We augment this model with a long short- term memory (LSTM) network and produce six-hour-ahead probabilistic forecasts for Dst. Quantifying uncertainties in the dynamics of the Earth’s radiation belt is an important step for producing ensembles of high fidelity simulations of the magnetosphere. In chapter 6, we infer uncertainties in magnetospheric parameters, using data from probes orbiting in the radiation belts, by com- bining simplified physical models of the radiation belt with Markov Chain Monte Carlo techniques. Machine Learning in Space Weather vIn time-varying systems, it is often the case that cause and effect don’t occur at the same time. A prominent example of this time-lagged behaviour is the Sun-Earth system. Particles ejected from the Sun, also called the solar wind, reach the Earth’s magnetosphere after a time delay which is dynamic and uncertain. In chapter 7, we propose a novel neural network based method, called Dynamic Time Lag Regression (DTLR), for predict- ing time-lagged effects of events. We apply the DTLR methodology to the problem of near-Earth solar wind forecasting from heliospheric data.
L'étude des variations de l'environnement spatial entre le Soleil et la Terre constitue le cœur de la recherche météorologique spatiale. Plasma éjecté par le Soleil se couple avec le champ magnétique terrestre de manière complexe qui déterminer l’état de la magnétosphère terrestre. Effets néfastes de la météo spatiale peut avoir un impact sur les réseaux de communication, les réseaux l’infrastructure logistique, tous les piliers cruciaux d’une civilisation qui La technologie. Il est important d'utiliser des sources de données, des connaissances scientifiques et des statistiques techniques pour créer des systèmes de prévision et de surveillance de la météorologie l'avenir. Cette thèse se veut une étape vers cet objectif. Le travail est organisés dans les chapitres suivants. Dans les chapitres 4 et 5, nous développons des modèles de prévision probabilistes pour prédire les séries temporelles géomagnétiques. Combiner sol et satellite mesures, nous proposons un modèle de processus gaussien pour la prévision Première série chronologique une heure à l'avance. Nous complétons ce modèle par une longue réseau de mémoire à long terme (LSTM) et produire une probabilité de six heures à l'avance prévisions pour Dst. Quantifier les incertitudes dans la dynamique de la ceinture de rayonnement de la Terre est une étape importante pour la production d'ensembles de simulations haute fidélité de la magnétosphère. Dans le chapitre 6, nous inférons des incertitudes dans la magnétosphère paramètres, en utilisant les données des sondes en orbite dans les ceintures de en combinant des modèles physiques simplifiés de la ceinture de rayonnement avec la chaîne de Markov Techniques de Monte Carlo. Apprentissage automatique en météorologie spatiale Dans les systèmes variant dans le temps, il arrive souvent que la cause et l'effet ne se produire en même temps. Un exemple frappant de ce comportement décalé dans le temps est le système Soleil-Terre. Les particules éjectées du Soleil, également appelées vent solaire, atteindre la magnétosphère terrestre après un délai qui est dynamique et incertain. Dans le chapitre 7, nous proposons un nouveau réseau de neurones méthode basée, appelée Dynamic Time Lag Regression (DTLR), pour prédire effets temporels des événements. Nous appliquons la méthodologie DTLR au problème de prévision du vent solaire proche de la Terre à partir de données héliosphériques. (Google Traduction)
Fichier principal
Vignette du fichier
Thesis_M_Chandorkar.pdf (24.56 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02430788 , version 1 (07-01-2020)

Identifiants

  • HAL Id : tel-02430788 , version 1

Citer

Mandar Chandorkar. Machine Learning in Space Weather. Machine Learning [cs.LG]. Université of Eindhoven, 2019. English. ⟨NNT : ⟩. ⟨tel-02430788⟩
236 Consultations
61 Téléchargements

Partager

Gmail Facebook X LinkedIn More