یک دستگاه جدید-آموزش کامپیوتر مدل با دقت پیش بینی آسیب رساندن تابش طوفان ناشی از کمربند ون آلن دو روز قبل از طوفان پیشرفته ترین توجه به تاریخ با توجه به یک مقاله جدید در مجله آب و هوا فضا.

“تابش طوفان از کمربند ون آلن می تواند آسیب و یا حتی دست کشیدن از ماهواره های در حال چرخش در بالا و متوسط ارتفاع بالای زمین, اما پیش بینی این طوفان همواره یک چالش” گفت: Yue Chen یک فضای دانشمند در آزمایشگاه ملی لوس آلاموس و محقق اصلی در این پروژه به طور مشترک توسط بودجه ناسا و NOAA. “با توجه به این که ون آلن پروب ارائه شده است که اطلاعات مهم در مورد آب و هوای فضا به تازگی د-orbited ما دیگر باید مستقیم اندازه گیری در مورد آنچه اتفاق می افتد در بیرونی الکترون تابش کمربند. ما مدل جدید با استفاده از داده های موجود در مجموعه به ‘یادگیری’ الگوها و پیش بینی آینده طوفان بنابراین اپراتورهای ماهواره ای می تواند اقدامات حفاظتی از جمله به طور موقت تعطیل بخشی از یا حتی کل ماهواره ای برای جلوگیری از آسیب.”

این مدل پيشبينی megaelectron ولت (MeV) الکترون ها در داخل زمین بیرونی ون آلن کمربند های ایجاد شده در مدل قبلی که با موفقیت پیش بینی تابش طوفان یک روز در پیش است. این مدل جدید به نام PreMevE 2.0 بهبود پیش بینی های ترکیب بالادست باد خورشیدی با سرعت. این پیش بینی حوادث آینده توسط آموزش های موجود در مجموعه داده از NOAA و لوس آلاموس ماهواره برای یادگیری الگوهای مهمی از الکترون رفتار است.

“با این انتظار که الگوهای مشابه ممکن است خود را نشان می دهد در آینده مدل ما قادر به پیش بینی با گرفتن برخی از مهم امضا به عنوان یک پیش ماده برای کسانی که حوادث آینده” توضیح Youzuo Lin محاسباتی دانشمند در لوس آلاموس که توسعه ماشین-الگوریتم های یادگیری برای مدل.

“توسط تست مدل با چندین ماشین-الگوریتم های یادگیری این کار را تایید می کند پیش بینی ميليون الکترون ها و همچنین استحکام با استفاده از جاذب-زمین-مدار الکترون مشاهدات به درایو پیش بینی” اضافه شده چن. “در این چارچوب تنظیم کنید تا در این کار به ما اجازه می دهد تا به راحتی بیشتر شامل پارامترهای ورودی به پیش بینی بیشتر از انرژی الکترون در مرحله بعدی است.”

دستگاه یادگیری چارچوب توسعه برای PreMevE 2.0 نیز می توان به بسیاری از برنامه های کاربردی گسترده ای است که با استفاده از زمان مربوط به اندازه گیری مانند گرفتن الگوهای زلزله در میان حجم زیادی از زمان لرزه ای-سری داده ها را قادر می سازد تشخیص زمین لرزه های کوچک در خارج از محیط های پر سر و صدا.

داستان منبع:

مواد ارائه شده توسط سازمان حفاظت محیط زیست/ملی لوس آلاموس و آزمایشگاه. توجه داشته باشید: محتوا ممکن است برای ویرایش سبک و طول.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im