Verbesserte Sonnensturmmodellierung mit Machine Learning

Sonnenstürme, auch bekannt als koronale Massenauswürfe (CMEs für coronal mass ejections), sind große Eruptionen von Plasma und Magnetfeldern aus der Sonnenkorona. Während des Sonnenmaximums trifft, statistisch gesehen, ein CME pro Woche auf die Erde und kann dann Störungen im Erdmagnetfeld verursachen, die als geomagnetische Stürme bekannt sind. Diese geomagnetischen Stürme können Stromnetze, Satellitenbetrieb und Kommunikationssysteme beeinträchtigen. In extremen Fällen können schwere geomagnetische Stürme Transformatoren in Stromnetzen beschädigen und weit verbreitete Stromausfälle verursachen. Um die Ankunft eines CMEs auf der Erde vorherzusagen, sind geeignete Beobachtungen nötig, um die Entwicklung des Sturms auf seinem Weg zur Erde modellieren zu können. In Echtzeit sind solche Koronographendaten nur für Beobachtungen bis zu 30 Sonnenradien verfügbar, was etwas mehr als zehn Prozent der Entfernung Sonne -Erde entspricht. Es gibt jedoch sogenannte Heliospheric Imager (HI), die den gesamten Raum zwischen Sonne und Erde beobachten und es ermöglichen, einen CME von seinem Ursprung bis zu seinem Auftreffen zu verfolgen. Diese Beobachtungen sind ideal, um die CME- Kinematik zu modellieren und Ankunftszeiten und -geschwindigkeiten bei der Erde vorherzusagen. Leider sind solche Beobachtungen in Echtzeit nur in geringer räumlicher und zeitlicher Auflösung verfügbar und weisen oft große Datenlücken auf. HI -Daten in ausreichender Qualität sind erst einige Tage später verfügbar, sodass sie nicht für Echtzeitvorhersagen verwendet werden können. In diesem Projekt wollen wir diese Beobachtungen mit maschinellen Lernmethoden kombinieren, um die HI-basierte CME-Ankunftsvorhersage zu verbessern. Wir arbeiten an zwei unterschiedlichen Aufgaben. Die erste Aufgabe zielt darauf ab, HI-Echtzeitdaten zu verbessern. Basierend auf HI- Daten von guter und schlechter Qualität sollen maschinelle Lernalgorithmen herausfinden, wie sie zusammenhängen. Diese Algorithmen sollen dann in der Lage sein, auf Basis von Echtzeitdaten künstliche Daten mit verbesserter Qualität zu erzeugen. Mit diesen verbesserten Daten werden wir testen, ob unser HI-basiertes Vorhersagemodell in der Lage ist, die Ankunft von CMEs mit höherer Genauigkeit vorherzusagen als mit Echtzeitdaten von geringer Qualität. Die zweite Aufgabe ist die Entwicklung eines automatischen Erkennungs- und Tracking-Tools auf der Grundlage von HI-Daten. Diese Tools werden bisher in Echtzeit nur für Koronographenbeobachtungen verwendet. In diesen Daten si nd allerdings erdgerichtete CMEs oftmals nicht oder nur schwer sichtbar. Diese beiden Ansätze sollen zu einer Verbesserung der heutigen Vorhersagegenauigkeit führen und helfen, die Zahl der Fehlalarme zu reduzieren. Im Hinblick auf die Vigil-Mission der ESA ist dieses Projekt ein wichtiger Beitrag zur Weltraumwettervorhersage auf der Grundlage von HI-Daten.