Gittikçe daha fazla yüksek teknoloji ürünü sistem uzay ortamına maruz kaldıkça, uzay hava durumu tahmini bu cihazlar için daha iyi koruma sağlayabilir. Güneş sisteminde, uzay havası esas olarak güneş rüzgar koşullarından etkilenir. Güneş rüzgarı, jeomanyetik fırtınalara neden olacak, kısa dalga iletişimini etkileyecek ve Dünya üzerinden geçerken elektrik ve petrol altyapısının güvenliğini tehdit edecek süpersonik plazma yüklü parçacıklar akışıdır.
Güneş rüzgar hızının doğru tahmini, insanların kaynakları israf etmekten kaçınmak için yeterli hazırlık yapmalarını sağlayacaktır. Mevcut yöntemlerin çoğu, girdi olarak yalnızca tek modaliteli verileri kullanır ve farklı modaliteler arasındaki bilgi tamamlayıcılığını dikkate almaz. Yakın zamanda yayınlanan bir araştırma makalesinde Uzay: Bilim ve TeknolojiTianjin Üniversitesi, İstihbarat ve Bilgi İşlem Koleji’nden Zongxia Xie, güneş rüzgar hızı tahmini için birleşik bir uçtan uca çerçevede vizyon ve sıralama bilgilerini ortaklaşa öğrenen bir çok modlu tahmin (MMP) yöntemi önerdi.
İlk olarak yazar, bir görüntü özelliği çıkarıcı, Vmodule ve bir zaman serisi kodlayıcı Tmodule ve bir Fusion modülünü içeren MMP’nin genel yapısını tanıttı. Daha sonra Vmodule ve Tmodule yapıları tanıtıldı. Görüntü verileri ve dizi verileri sırasıyla Vmodule ve Tmodule tarafından işlendi. Vmodule, Extreme Ultraviolet (EUV) görüntü özelliklerini çıkarmak için özellik çıkarıcı olarak önceden eğitilmiş GoogLeNet modelini kullandı.
Tmodule, tahmine yardımcı olmak için dizi veri özelliklerini kodlamak için bir evrişimli sinir ağından (CNN) ve çift yönlü uzun kısa süreli bellekten (BiLSTM) oluşuyordu. Özellik füzyonuna ve tahmin regresyonuna izin veren çok modlu bir füzyon tahmincisi dahil edildi. İki modülden öznitelikler çıkarıldıktan sonra, iki öznitelik vektörü, çok modlu füzyon için tek bir vektörde birleştirildi. Tahmin sonuçları, çok modlu bir tahmin regresörü ile elde edildi. Genel performansı iyileştirmek için tamamlayıcı bilgileri gerçekleştirmek için çok modlu füzyon yöntemi uygulandı.
Ardından, MMP modelinin etkinliğini doğrulamak için yazar bazı deneyler yaptı. Güneş dinamiği gözlemevi (SDO) uydusu tarafından gözlemlenen EUV görüntüleri ve Lagrange noktası 1’de (L1) ölçülen OMNIWEB veri seti deneye uyarlandı. Yazar, 2011’den 2017’ye kadar EUV görüntülerini ve güneş rüzgarı verilerini önceden işledi.
Zaman serisi verilerinin zaman boyutunda sürekliliği olduğundan, yazar 2011’den 2015’e kadar olan verileri eğitim seti, 2016 verilerini doğrulama seti ve 2017’yi test seti olarak ayırmıştır. Daha sonra deney düzeneği anlatılmıştır. Yazar, EUV görüntü özelliklerini çıkarmak için ImageNet veri kümesinde önceden eğitilmiş GoogLeNet’te ince ayar yaptı.
Modelin sürekli tahmin performansını değerlendirmek için karşılaştırma için Ortalama Kare Hatası (RMSE), Ortalama mutlak hata (MAE) ve Korelasyon Katsayısı (CORR) gibi metrikler kullanıldı. RMSE, gözlenen değer ile tahmin edilen değer arasındaki farkın aritmetik ortalamasının karekökü alınarak hesaplanmıştır.
MAE, tahmin edilen ve gözlenen değer arasındaki mutlak hatanın ortalamasını temsil ediyordu. CORR, gözlemlenen ve tahmin edilen dizi arasındaki benzerliği temsil edebilir. Ayrıca, modelin en yüksek güneş rüzgar hızını doğru bir şekilde yakalayıp yakalayamayacağını değerlendirmek için Heidke beceri puanı benimsendi.
Karşılaştırmalı deneyler, MMP’nin birçok ölçümde en iyi performansı elde ettiğini gösterdi. Ayrıca yazar, MMP modelindeki her modülün etkinliğini kanıtlamak için ablasyon deneyleri yapmıştır. Vmodule’ün kaldırılmasının, özellikle uzun vadeli tahmin için deneysel sonuçlarda bir düşüşe yol açtığı görülebilir. Vmodule’ün kaldırılmasının aksine, Tmodule’ün kaldırılmasının kısa vadeli tahmin üzerinde daha önemli bir etkisi oldu.
Yazar ayrıca, görüntü özelliklerini yakalamadaki etkinliğini doğrulamak için önceden eğitilmiş farklı modellerin performansını karşılaştırdı ve GoogLeNet’in en fazla ve en iyi metrik sonuçları elde ettiğini buldu. Ayrıca, model parametre seçimimizin rasyonelliğini doğrulamak için hiperparametre karşılaştırma deneyleri yapıldı.
Son olarak, yazar gelecekteki çalışmalar için birkaç umut verici yön önerdi. İlk olarak, gelecekteki araştırmalar, farklı modalitelerin performans üzerindeki etkisine odaklanacak, farklı modalitelere farklı ağırlıklar atayacak ve performansı iyileştirmek için tamamlayıcı ilişkilerini kullanacaktır. İkinci olarak, önerilen model, uygulama için çok zor ama gerekli olan yüksek hızlı güneş akımını yakalayamaz. Böylece yazar, gelecekte tepe tahmininin nasıl iyileştirileceğine odaklanacaktı.
Beijing Institute of Technology Press Co., Ltd tarafından sağlanmıştır
Alıntı: Bilim adamları, 19 Ekim 2022’de https://phys.org/news/2022-10-scientists-solar-accurately-multimodality.html adresinden alınan çok modlu bilgileri (2022, 18 Ekim) kullanarak güneş rüzgar hızını doğru bir şekilde nasıl tahmin ediyor?
Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.
uzay-1