The investigation of the relationship between the physical parameters of sunspots and solar coronal mass ejections using artificial intelligence algorithms
[ X ]
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Çanakkale Onsekiz Mart Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Güneş yüzeyinde bulunan manyetik olarak aktif bölgeler çeşitli değişikliklere uğrayarak, gezegenler arası ortamda şok dalgalarına, uzay hava durumu tahminleri ve diğer ilgili çalışmalar için önemli bir faktör olan Koronal Kütle Atımlarına (CME) neden olurlar. Şimdiye kadar CME'ler için kaynak aktif bölgeler bizim bilgimize göre manuel olarak tanımlandıkları için CME'ler için kaynak aktif bölgelere ilişkin bilgiler çok az sayıda ve CME'lerin büyük çoğunluğu için kaynak aktif bölgeler halen bilinmemektdedir. Bu çalışma, çok sayıda CME için kaynak aktif bölgeleri belirlemek, makine öğrenimi ve diğer özel filtreleme süreçlerine dayalı yeni bir teknik önermekte ve tanımlama sürecine büyük bir otomasyon getirmektedir. Bu çalışmada ilgili CME'ler için önceden bilinen kaynak Helio-sismik ve Manyetik Görüntüleyici (HMI) Aktif Bölgelerin (HARP'ler) manyetik verileri, makine öğrenimi algoritmalarını eğitmek için kullanılmıştır. Daha önce bilinen kaynak aktif bölgelerin vektör ve görüş hattı manyetogramları kullanılarak HARP'lere ait 17 manyetik parametre verisi toplananmış ve bu HARP'lere ait bu manyetik parametrelerdeki değişiklikleri eş zamanlı olarak öğrenebilen bir Uzun-Kısa süreli bellek Ağı (LSTM) kullanılarak bir mekanizma önerilmiştir. Geliştirilen LSTM modeli daha sonra 2010 ve 2020 boyunca bilinen tüm CME'lere ait kaynak HARP'leri belirlemek için kullanılmıştır. Bu teknik kullanılarak 4895 CME olayı için kaynak aktif bölgeler belirlenmiş ve bunun bir sonucu olarak CME'ler için tanımlanmış kaynak aktif bölgelerin bir veri tabanı elde edilmiştir. CME'lerin ortaya çıkmasına ilişkin fikir edinmek için tanımlanan HARP'lerin manyetik parametreleri daha sonra ilgili CME'lere göre analiz edilmiş ve analiz sonuçları bu tezde verilmiştir.
Everyday magnetically active regions on the surface of the sun undergo various changes to cause Coronal mass ejections (CME) which in turn travel in the interplanetary environment sometimes causing shock waves within and are an important factor for space weather predictions and other related studies. The source active regions behind the initiation of CMEs until now are identified manually to our knowledge and thus the information regarding source active regions for CMEs is scarce and miniscule and source active regions regarding a vast majority of CMEs remain unknown. This study proposes a novel technique based on machine learning and other specific filtration processes to identify source active regions for a large number of CMEs and brings huge automation to the identification process. Magnetic data of previously known source Helio-seismic and Magnetic Imager (HMI) Active Region Patches (HARPs) for corresponding CMEs are used in study to train machine learning algorithms. The proposed mechanism includes the use of Long-Short term memory Networks (LSTM) specifically to simultaneously learn patterns in 17 magnetic parameters of HARPs collected from line-of-sight magnetograms and vector magnetograms of previously known source active regions. The produced LSTM model was then employed to identify source HARPs for all known CMEs during 2010 and 2020. Source active regions for 4895 CME events have been identified using this technique and a database of identified source active regions for CMEs is produced as a result of this study. Magnetic parameters of identified HARPs are then analysed with respect to corresponding CMEs to gain insight regarding the onset of CMEs.
Everyday magnetically active regions on the surface of the sun undergo various changes to cause Coronal mass ejections (CME) which in turn travel in the interplanetary environment sometimes causing shock waves within and are an important factor for space weather predictions and other related studies. The source active regions behind the initiation of CMEs until now are identified manually to our knowledge and thus the information regarding source active regions for CMEs is scarce and miniscule and source active regions regarding a vast majority of CMEs remain unknown. This study proposes a novel technique based on machine learning and other specific filtration processes to identify source active regions for a large number of CMEs and brings huge automation to the identification process. Magnetic data of previously known source Helio-seismic and Magnetic Imager (HMI) Active Region Patches (HARPs) for corresponding CMEs are used in study to train machine learning algorithms. The proposed mechanism includes the use of Long-Short term memory Networks (LSTM) specifically to simultaneously learn patterns in 17 magnetic parameters of HARPs collected from line-of-sight magnetograms and vector magnetograms of previously known source active regions. The produced LSTM model was then employed to identify source HARPs for all known CMEs during 2010 and 2020. Source active regions for 4895 CME events have been identified using this technique and a database of identified source active regions for CMEs is produced as a result of this study. Magnetic parameters of identified HARPs are then analysed with respect to corresponding CMEs to gain insight regarding the onset of CMEs.
Açıklama
Lisansüstü Eğitim Enstitüsü, Fizik Ana Bilim Dalı
Anahtar Kelimeler
Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
