|
ИСТИНА |
Войти в систему Регистрация |
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
Кластеризация данных о магнитосфере Земли как метод поиска её скрытых состоянийтезисы доклада
- Авторы: Гаджиев И.М., Баринов О.Г., Мягкова И.Н., Доленко С.А.
- Сборник: Девятнадцатая ежегодная конференция «Физика Плазмы в Солнечной Системе», 5-9 февраля 2024
- Серия: Сборник тезисов 2024
- Тезисы
- Год издания: 2024
- Место издания: ИКИ РАН Институт космических исследований РАН
- Первая страница: 308
- Аннотация: Магнитосфера Земли представляет собой сложную динамическую систему, состояние которой зависит как от её собственной предыстории, так и от внешнего воздействия на неё (со стороны солнечного ветра). Подобные системы часто характеризуются наличием нескольких характерных скрытых состояний (ХСС), в каждом из которых система проводит значительные отрезки времени, со сравнительно быстрыми переходами между ними. При этом поведение системы в рамках каждого ХСС может описываться отдельной моделью, и такой подход может оказаться эффективнее, чем попытка описать поведение системы единой моделью во всём диапазоне времени её рассмотрения. В данном докладе рассматривается применение методов кластеризации данных о магнитосфере и воздействии на неё для выделения ХСС. В качестве переменных для кластеризации используются геомагнитные индексы Kp и Dst, компоненты межпланетного магнитного поля и его модуль, скорость и плотность солнечного ветра в точке Лагранжа L1. Для достижения цели исследования были использованы два основных метода кластеризации – метод K-средних [1] и DBSCAN [2]. K-средних позволяет выделить компактные группы данных с минимизацией внутригрупповых расстояний, тогда как DBSCAN подходит для выявления плотных областей данных, основываясь на плотности объектов. Для оценки качества кластеризации использовалась метрика «силуэт». Построена зависимость метрики «силуэт» в зависимости от числа кластеров (для метода K-средних). Был произведен анализ полученных кластеров по различным статистикам (таким как средние значения переменных). На основе этого анализа была построена физическая интерпретация состояний, соответствующих кластерам. Дополнительно, в работе был использован метод визуализации t-SNE [3] для представления многомерных данных в двумерном пространстве, что позволяет лучше понять структуру данных и визуально оценить эффективность кластеризации. Практическая ценность данного исследования заключается в возможности более точного выделения и классификации ХСС магнитосферы, что может быть ценным при прогнозировании потенциальных геомагнитных бурь и их влияния на технологические системы, энергетические сети и связь. Выявленные закономерности могут быть использованы для разработки более точных моделей прогнозирования космической погоды. Исследование выполнено за счет гранта Российского научного фонда № 23-21-00237, https://rscf.ru/project/23-21-00237/. 1. Lloyd S., Least squares quantization in PCM (1982), in IEEE Transactions on Information Theory, 28 (2), 129-137, doi: 10.1109/TIT.1982.1056489. 2. Ester M., Kriegel H., Sander J., and Xu X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD'96). AAAI Press, 226–231. 3. Maaten L.V., Hinton, G.E. (2008). Visualizing Data using t-SNE. Journal of Machine Learning Research, 9, 2579-2605.
- Добавил в систему: Исаев Игорь Викторович