Een nieuw machine-learning computermodel voorspelt nauwkeurig schadelijke stralingsstormen veroorzaakt door de Van Allen-gordels twee dagen voorafgaand aan de storm, de meest geavanceerde kennisgeving tot nu toe, volgens een nieuw artikel in het tijdschrift Ruimteweer .

"Stralingsstormen van de Van Allen-gordels kunnen satellieten die op middelgrote en grote hoogte boven de aarde draaien, beschadigen of zelfs uitschakelen, maar het voorspellen van deze stormen is altijd een uitdaging geweest, " zei Yue Chen, een ruimtewetenschapper bij Los Alamos National Laboratory en hoofdonderzoeker van het project dat gezamenlijk wordt gefinancierd door NASA en NOAA. "Aangezien de Van Allen-sondes, die belangrijke gegevens over het ruimteweer opleverde, onlangs uit de baan, we hebben geen directe metingen meer over wat er gebeurt in de buitenste elektronenstralingsgordel. Ons nieuwe model gebruikt bestaande datasets om patronen te 'leren' en toekomstige stormen te voorspellen, zodat satellietoperators beschermende maatregelen kunnen nemen, inclusief het tijdelijk uitschakelen van een deel van of zelfs de hele satelliet om schade te voorkomen."

Dit voorspellende model voor megaelektron-volt (MeV) elektronen in de buitenste Van Allen-gordel van de aarde bouwt voort op een eerder model dat met succes stralingsstormen een dag van tevoren voorspelde. Dit nieuwe model, genaamd PreMevE 2.0, verbetert voorspellingen door stroomopwaartse zonnewindsnelheden op te nemen. Het voorspelt toekomstige gebeurtenissen door te trainen op bestaande datasets van NOAA- en Los Alamos-satellieten om belangrijke patronen van elektronengedrag te leren.

"Met de verwachting dat soortgelijke patronen zich in de toekomst kunnen openbaren, ons model is in staat om voorspellingen te doen door enkele kritische handtekeningen vast te leggen als een voorloper van die toekomstige gebeurtenissen, " legde Youzuo Lin uit, een computationele wetenschapper bij Los Alamos die de machine-learning-algoritmen voor het model heeft ontwikkeld.

"Door het model te testen met meerdere machine learning-algoritmen, dit werk bevestigt de voorspelbaarheid van MeV-elektronen, evenals de robuustheid van het gebruik van elektronobservaties in een lage baan om de aarde om voorspellingen te doen, " voegde Chen toe. "Bovendien, het raamwerk dat in dit werk is opgezet, stelt ons in staat om gemakkelijk meer invoerparameters op te nemen om meer energetische elektronen in de volgende stap te voorspellen."

Het machine learning-framework dat is ontwikkeld voor PreMevE 2.0 kan ook worden toegepast op veel brede toepassingen die tijdgerelateerde metingen gebruiken, zoals het vastleggen van aardbevingspatronen tussen grote hoeveelheden seismische tijdreeksgegevens, waardoor detectie van kleine aardbevingen uit de lawaaierige omgevingen mogelijk is.