aalto1 untyped-item.component.html
A comparative analysis of machine learning-based coronal mass ejection forecasting methods
Loading...
Files
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3095
Degree programme
Language
en
Pages
25
Series
Abstract
Coronal mass ejections (CMEs) are one of the most powerful solar eruptions resulting from the release of trapped magnetic energy from the surface of the Sun. When arriving on Earth, these solar events are known to cause disruptions to satellites, navigation systems, and power grids. Accurately forecasting the arrival time of CMEs is important to mitigate the effects efficiently and reduce economic damages. Forecasts are currently obtained mainly from physics-based simulations. However, several machine learning (ML) models have recently been applied to CME forecasting in an attempt to improve prediction accuracies. This thesis reviews five ML-based approaches to CME arrival time forecasting, including support vector machines (SVMs), neural networks, and ensemble learning models. The utilised methods are analysed and their performances are compared to the widely used physics-based WSA-Enlil+Cone (WEC) model. According to the results, all the ML models except one performed better than the physics-based method. The mean absolute errors (MAEs) of the ML models ranged between 5 and 12 hours while the physics-based model generally yields a MAE of around 10 hours. Considering the differences in evaluation techniques, the best results were obtained from a neural network approach. In the future, consistent input data and evaluation methods with several metrics would facilitate proper comparison. Furthermore, the models should be developed to recognise CMEs passing Earth as well as rarer CME events to improve their usability in real-time forecasting.
Koronan massapurkaukset ovat Auringon pinnalle varastoituneen magneettisen energian vapautumisesta johtuvia voimakkaita kaasupurkauksia. Nämä plasmapilvet voivat maahan saapuessaan aiheuttaa häiriöitä muun muassa satelliiteissa, navigointijärjestelmissä, ja sähkönjakeluverkoissa. Maahan osuvien purkausten saapumisajan tarkka ennustaminen on tärkeää, jotta niiden vaikutuksiin voidaan varautua ajoissa minimoiden taloudelliset vahingot. Tällä hetkellä ennusteet saadan pääosin erilaisista fysiikkapohjaisista simulaatioista. Viime aikoina koneoppimismalleja on kuitenkin alettu soveltamaan massapurkausten ennustamiseen parempien tulosten toivossa. Tämä kandidaatintyö on kirjallisuustutkimus, jossa tarkastellaan viittä koneoppimispohjaista menetelmää koronan massapurkausten saapumisajan ennustamiseen. Mallit voidaan jakaa tukivektorikoneisiin (engl. support vector machines), neuroverkkoihin (engl. neural networks) ja ensemble-menetelmiin (engl. ensemble learning). Työssä esitellään menetelmien toimintaperiaatteet ja vertaillaan niiden tarkkuuksia laajasti käytettyyn fysiikkapohjaiseen WSA-Enlil+Cone malliin. Näistä koneoppimismalleista kaikki paitsi yksi tuottivat parempia tuloksia kuin fysiikkapohjainen menetelmä. Koneoppimismallien absoluuttisten virheiden keskiarvo (engl. mean absolute error) vaihteli viiden ja kahdentoista tunnin välillä kun taas fysiikkapohjaisen mallin virhe on yleisesti kymmenen tunnin luokkaa. Ottaen huomioon arviointimenetelmien erot, parhaat tulokset saavutettiin neuroverkkomenetelmästä. Tuloksien vertailua helpottaisi tulevaisuudessa johdonmukaiset syöteaineistot ja arviointimenetelmät sekä laajempi valikoima mittareita. Mallien käytettävyyttä reaaliaikaisessa ennustamisessa voisi parantaa sisällyttämällä prosessiin maan ohittavien massapurkausten tunnistamisen ja laajentamalla syöteaineistoa myös harvinaisempiin purkauksiin.