Hoe lang op voorhand kan je een ruimtestorm voorspellen?
Een scriptie geschreven aan de KU Leuven heeft aangetoond dat het mogelijk is een ruimtestorm veel vroeger te voorspellen dan voordien gedacht werd. Hiermee wordt verder gebouwd op de reeds voorgaande successen van de KU Leuven in het simuleren en modelleren van ruimteweer.
Wat is ruimteweeronderzoek?
Ruimteweeronderzoek kan worden gezien als de weersvoorspelling voor de ruimte. Net zoals iemand wil weten of een regenwolk over hun huis trekt, wil een ruimteweeronderzoeker weten of een coronal mass ejection (CME) de aarde zal raken in zijn baan. Een coronal mass ejection is een gigantische plasmabol die door de zon wordt uitgestoten. CME's zijn de belangrijkste veroorzakers van ruimtestormen, net zoals wolken de belangrijkste veroorzakers zijn van regenstormen. In deze vergelijking kan een CME worden gezien als een ruimtewolk.
Waarom willen we dit weten?
Het is cruciaal om deze geomagnetische stormen nauwkeurig te voorspellen, omdat ze radiogolven kunnen verstoren, satellieten kunnen beschadigen, GPS-systemen kunnen ontregelen en stroomnetten volledig kunnen uitschakelen. Er wordt geschat dat een krachtige geomagnetische storm één biljoen dollar zou kosten en vier tot tien jaar herstelwerkzaamheden nodig zou hebben om volledig te herstellen.
Hoe meten we de sterkte van zo een storm?
Om te meten hoe sterk een geomagnetische storm is, zijn specifieke indices gedefinieerd om hun kracht te kwantificeren. Deze scriptie onderzoekt twee van deze indices: de Kp- en Dst-index. Deze kunnen worden vergeleken met de verwachte hoeveelheid regen die bij een wolk hoort. Net zoals niet elke wolk een regenwolk is, zal niet elke CME een geomagnetische storm veroorzaken. Specifieke parameters van een CME bepalen of deze wel of geen storm zal veroorzaken.
Hoe voorspellen we dit?
Momenteel meet een satelliet tussen de zon en de aarde deze parameters. Veel voorspellingsmodellen zijn ontwikkeld om te voorspellen hoe sterk de indices zullen zijn op basis van deze metingen. In deze scriptie worden zeven voorspellingsmodellen onderzocht: vier voor de Kp-index en drie voor de Dst-index.
Voorspellingen op basis van satellietmetingen hebben het nadeel dat ze deze indices slechts enkele uren van tevoren kunnen voorspellen. Momenteel investeren onderzoekers veel inspanningen in het simuleren van hoe een CME, uitgestoten door de zon, zich door ons zonnestelsel voortbeweegt. Een van deze simulatiemodellen is EUHFORIA, dat werd ontwikkeld aan de KU Leuven. EUHFORIA gebruikt een synoptisch magnetogram (de wetenschappelijke term voor een afbeelding van de zon die laat zien hoe sterk het magnetisch veld op elke positie is) en de waargenomen parameters van de CME (bijv. zijn snelheid en voortplantingshoek) om te simuleren hoe deze CME zich zal voortplanten, te voorspellen of hij de aarde zal raken en de relevante parameterwaarden te bepalen.
Wat heeft de scriptie onderzocht?
De scriptie onderzoekt hoe goed de voorspellingsmodellen overeenkomen met de waargenomen waarden wanneer de EUHFORIA-simulaties worden gebruikt als invoer in plaats van de satellietmetingen. Dit maakt het mogelijk om de voorspelling één of twee dagen van tevoren te doen, in plaats van slechts enkele uren. Dit zou de voorbereidingstijd voor overheden aanzienlijk vergroten, zodat ze hun satellieten en elektriciteitsnetten kunnen voorbereiden op de schadelijke effecten van de geomagnetische storm.
Er worden vijf statistische maatstaven berekend om de prestaties van deze modellen te kwantificeren met behulp van gesimuleerde invoerwaarden, en ze worden met elkaar en met een referentiemodel vergeleken. Dit wordt gedaan voor twee testgevallen: de CME-gebeurtenissen van 12 juli 2012 en 4-6 september 2017. Ook onderzoekt de scriptie dit voor zestien virtuele satellieten die rond de aarde zijn geplaatst om te evalueren hoe gevoelig al deze modellen zijn voor ruimtelijke variaties en kleine afwijkingen in de invoerwaarden.
De analyse toont aan dat alle vier de Kp-voorspellingsmodellen consequent beter presteren dan het referentiemodel op de vijf statistische maatstaven. Dezelfde conclusie kan worden getrokken voor twee van de drie Dst-voorspellingsmodellen. De resultaten van dit onderzoek suggereren ook dat de besproken modellen niet te gevoelig zijn voor ruimtelijke afleidingen en kleine afwijkingen in de invoerwaarden.
Hiermee toont de scriptie dat het aan elkaar koppelen van de verschillende modellen nuttige voorspellingen kan opleveren voor ruimtestormen. Bovendien kan deze voorspelling via deze methode een tot twee dagen op voorhand gemaakt worden, in tegenstelling tot een of twee uur zoals nu het geval is.
Bibliografie
Syun-Ichi Akasofu and Sydney Chapman. A study of magnetic storms and auroras. 1961.
Martin D Altschuler and Gordon Newkirk. Magnetic fields and the structure of the solar corona: I: Methods of calculating coronal fields. Solar Physics, 9:131–149, 1969.
Jose Roberto Ayala Solares, Hua-Liang Wei, Richard J Boynton, Simon N Walker, and Stephen A Billings. Modeling and prediction of global magnetic disturbance in near-earth space: A case study for kp index using narx models. Space Weather, 14(10): 899–916, 2016.
J Bartels. An attempt to standardize the daily international magnetic character figure. IATME Bull. 12e, 109, 1951.
J Bartels, NH Heck, and HF Johnston. The three-hour-range index measuring geomagnetic activity. Terrestrial Magnetism and Atmospheric Electricity, 44(4):411–454, 1939.
SA Billings, S Chen, and MJ Korenberg. Identification of mimo non-linear systems using a forward-regression orthogonal estimator. International journal of control, 49:2157–2189, 1989.
Stephen A Billings. Nonlinear system identification: NARMAX methods in the time, frequency, and spatio-temporal domains. John Wiley & Sons, 2013.
Stephen A Billings and Hua-Liang Wei. An adaptive orthogonal search algorithm for model subset selection and non-linear system identification. International Journal of Control, 81(5):714–724, 2008.
Volker Bothmer and Ioannis A Daglis. Space weather: physics and effects. Springer Science & Business Media, 2007.
RJ Boynton, MA Balikhin, and SA Billings. Online narmax model for electron fluxes at geo. In Annales Geophysicae, volume 33, pages 405–411. Copernicus GmbH Göttingen, Germany, 2015.
Rande K Burton, RL McPherron, and CT Russell. An empirical relationship between interplanetary conditions and dst. Journal of geophysical research, 80(31):4204–4214, 1975.
Kyunghyun Cho, Bart Van Merri¨enboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk, and Yoshua Bengio. Learning phrase representations using rnn encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078, 2014.
Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, and Yoshua Bengio. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555, 2014.
National Research Council. Severe Space Weather Events: Understand-
ing Societal and Economic Impacts: A Workshop Report. The National
Academies Press, Washington, DC, 2008. ISBN 978-0-309-12769-1. doi:
10.17226/12507. URL https://nap.nationalacademies.org/catalog/12507/
severe-space-weather-events-understanding-societal-and-economic-impacts-a.
T Neil Davis and Masahisa Sugiura. Auroral electrojet activity index ae and its universal time variations. Journal of Geophysical Research, 71(3):785–801, 1966.
Jeffrey L Elman. Finding structure in time. Cognitive science, 14(2):179–211, 1990.
Lucie Green and Deb Baker. Coronal mass ejections: a driver of severe space weather. Weather, 70(1):31–35, 2015.
Marina A Gruet, M Chandorkar, Ang´elica Sicard, and Enrico Camporeale. Multiple-hour-ahead forecast of the dst index using a combination of long short-term memory neural network and gaussian process. Space Weather, 16(11):1882–1896, 2018.
MA Hapgood. Towards a scientific understanding of the risk from extreme space weather. Advances in Space Research, 47(12):2059–2072, 2011.
Sepp Hochreiter and J¨urgen Schmidhuber. Long short-term memory. Neural computation, 9(8):1735–1780, 1997.
H Lundstedt, H Gleisner, and P Wintoft. Operational forecasts of the geomagnetic dst index. Geophysical Research Letters, 29(24):34–1, 2002.
Anwesha Maharana, W Douglas Cramer, Evangelia Samara, Camilla Scolini, Joachim Raeder, and Stefaan Poedts. Employing the coupled euhforia-openggcm model to predict cme geoeffectiveness. Space Weather, 22(5):e2023SW003715, 2024.
Pierre-Noël Mayaud. Atlas of indices K. IUGG Publication Office, 1967.
Pierre-Noël Mayaud. Indices Kn, Ks et Km. ´Ed. du Centre national de la recherche scient., 1968.
Michel Menvielle, Toshihiko Iyemori, Aur´elie Marchaudon, and Masahito Nos´e. Geomagnetic indices. In Geomagnetic observations and models, pages 183–228. Springer, 2010.
Michael A Morgan. Sepher Ha-Razim: The Book of Mysteries, volume 25. SBL Press, 2022.
Patrick T Newell, Thomas Sotirelis, Kan Liou, and FJ Rich. Pairs of solar wind-
magnetosphere coupling functions: Combining a merging term with a viscous term works best. Journal of Geophysical Research: Space Physics, 113(A4), 2008.
PT Newell, T Sotirelis, K Liou, C-I Meng, and FJ Rich. A nearly universal solar wind-magnetosphere coupling function inferred from 10 magnetospheric state variables. Journal of Geophysical Research: Space Physics, 112(A1), 2007.
T Paul O’Brien and Robert L McPherron. An empirical phase space analysis of ring current dynamics: Solar wind control of injection and decay. Journal of Geophysical Research: Space Physics, 105(A4):7707–7719, 2000a.
T Paul O’Brien and Robert L McPherron. Forecasting the ring current index dst in real time. Journal of Atmospheric and Solar-Terrestrial Physics, 62(14):1295–1299, 2000b.
William Tyler Olcott. Sun lore of all ages: a collection of myths and legends concerning the sun and its worship. GP Putnam’s sons, 1914.
Stefaan Poedts. The esa virtual space weather modelling centre. In EGU General Assembly Conference Abstracts, pages EGU22–2862, 2022.
Jens Pomoell and Stefaan Poedts. Euhforia: European heliospheric forecasting information asset. Journal of Space Weather and Space Climate, 8:A35, 2018.
Evangelia Samara, Brecht Laperre, Rungployphan Kieokaew, Manuela Temmer, Christine Verbeke, Luciano Rodriguez, J Magdalenic, and Stefaan Poedts. Dynamic time warping as a means of assessing solar wind time series. The Astrophysical Journal, 927(2):187, 2022.
Kenneth H Schatten, John M Wilcox, and Norman F Ness. A model of interplanetary and coronal magnetic fields. Solar Physics, 6:442–455, 1969.
Camilla Scolini, Luciano Rodriguez, Marilena Mierla, Jens Pomoell, and Stefaan Poedts. Observation-based modelling of magnetised coronal mass ejections with euhforia. Astronomy & Astrophysics, 626:A122, 2019.
Masahisa Sugiura. Hourly values of equatorial dst for the igy. Technical report, 1963.
Masahisa Sugiura. Equatorial dst index 1957-1986. IAGA bulletin, 40:17–38, 1991.
C Verbeke, J Pomoell, and Stefaan Poedts. The evolution of coronal mass ejections in the inner heliosphere: implementing the spheromak model with euhforia. Astronomy & Astrophysics, 627:A111, 2019.
Economic Impacts Of Severe Space Weather et al. Severe space weather events– understanding societal and economic impacts: A workshop report. In Severe Space Weather Events: Understanding Societal and Economic Impacts Workshop Report, 2008.
P Wintoft and M Wik. Evaluation of kp and dst predictions using ace and dscovr solar wind data. Space Weather, 16(12):1972–1983, 2018.
Peter Wintoft and Magnus Wik. Exploring three recurrent neural network architectures for geomagnetic predictions. Frontiers in Astronomy and Space Sciences, 8:664483, 2021.
Peter Wintoft, Magnus Wik, J¨urgen Matzka, and Yuri Shprits. Forecasting kp from solar wind data: input parameter study using 3-hour averages and 3-hour range values. Journal of Space Weather and Space Climate, 7:A29, 2017.
Jian-Guo Wu and Henrik Lundstedt. Neural network modeling of solar wind-
magnetosphere interaction. Journal of Geophysical Research: Space Physics, 102(A7): 14457–14466, 1997.
