Hoe kunnen ruimteweerberichten profiteren van machine learning?

Machine learning (machinaal leren) neemt een steeds belangrijkere plaats in de samenleving in vanwege het potentieel om voorspellingen te verbeteren in vergelijking met meer traditionele methoden. Om na te gaan hoe ruimteweervoorspellingen kunnen profiteren van machinaal leren is een uitgebreide literatuurstudie verricht van bestaande methodes die geleid heeft tot de ontwikkeling van twee voorspellingsmodellen. Deze modellen bestreken twee verschillende natuurkundige domeinen zodat richtlijnen voor toekomstige ontwikkelingen van voorspellingsmodellen voor ruimteweer konden worden opgesteld.

DENSER

Het project DEeply uNderstanding Space weathER (DENSER) van het Europees Ruimtevaartagentschap (ESA) en geleid door Space Applications Services NV/SA, onderzocht hoe machine learning de ruimteweervoorspellingen zou kunnen verbeteren en verstrekte aanbevelingen voor toekomstige ontwikkelingen. Het project begon met een uitgebreide literatuurstudie die alle ruimteweerdomeinen omvatte.

Er werden twee voorspellingsmodellen ontwikkeld voor tijdreeksen voor fenomenen uit twee totaal verschillende domeinen:

  1. de protonflux net buiten de magnetosfeer ten gevolge van zonne-uitbarstingen (ForMaL-SEP)
  2. de noordelijke component van het aardmagnetisch veld na geomagnetische storingen (ForMaL-Xrange).

Het BIRA coördineerde verschillende taken en droeg bij aan de ontwikkeling van ForMaL-SEP.

Energetische zonnedeeltjes

Zonnevlammen en coronale plasmawolken kunnen deeltjes zoals elektronen, protonen en zwaardere ionen versnellen tot hoge energieën, waardoor deze kunnen ontsnappen in de interplanetaire ruimte. De waargenomen plotselinge toename van de deeltjesstroom met meerdere ordes van grootte kan enkele dagen of zelfs weken aanhouden. Het magnetisch veld van de aarde buigt de meeste van deze deeltjes af en de deeltjes die toch kunnen doordringen worden voornamelijk in de atmosfeer geabsorbeerd.

Mogelijke negatieve gevolgen zijn schade aan vliegtuigelektronica, communicatiestoringen en een verhoogde geabsorbeerde stralingsdosis voor bemanning en passagiers op polaire vliegroutes, waar de deeltjes gemakkelijker de magnetosfeer kunnen binnendringen. Satellieten, ruimtesondes en astronauten worden minder beschut door de natuurlijke bescherming van de aarde en extra voorzichtigheid is vereist.

ForMaL-SEP

Het BIRA ontwikkelde de verwerkings- en opschoningstechnieken voor de waarnemingen van de röntgen- en protonenflux van de zon, die als input dienen voor ForMaL-SEP, en bood wetenschappelijke ondersteuning tijdens de ontwikkeling van het model. Een uitgebreide validatie wees uit dat het huidige model te veel foutpositieven voorspelt.

De betrokken teams onderzoeken momenteel mogelijkheden om het aantal foutpositieven te verminderen door de training te verbeteren en aanvullende invoergegevens mee in rekening te brengen.

Aanbevelingen

Een door het BIRA gecoördineerde testcampagne voor eindgebruikers leverde in combinatie met de resultaten en ervaringen van de andere projectactiviteiten veel aanbevelingen op voor toekomstige verbeteringen van de ontwikkelde modellen.

Bovendien leverde het project ook aanbevelingen die aangeven waar en hoe technieken voor machine learning zouden kunnen worden toegepast om voorspellingsmodellen in het domein van het ruimteweer vooruit te helpen, en voor de infrastructuur die nodig is om dergelijke ontwikkelingen te ondersteunen.

Metingen van röntgen- en protonfluxen van de zon in 2001
Metingen van röntgen- (boven) en protonfluxen (onder) van de zon gemeten door de GOES-satelliet in een geostationaire baan gedurende 9 dagen in november 2001. De sterke klasse X-zonnevlam die optrad in de namiddag van 4 november werd snel gevolgd door een plotselinge toename van de energetische protonfluxen en de stralingsniveaus bleven gedurende verscheidene dagen hoog. De inzet laat zien dat de deeltjes met hogere energieën en dus hogere snelheden het eerst aankomen.