p526. پيش بيني پديده هاي فوراني خورشيد با استفاده از يادگيري ماشيني

Forecasting of solar eruptive phenomena using the machine learning method

شراره ها و پرتاب هاي جرم تاجي دو پديده ي فوراني و بسيار مهم در آخرين لايه ي جو خورشيد هستند. پرتاب هاي جرم تاجي و شراره ها باعث اختلال در فضاي ميان سياره اي و ميدان مغناطيسي زمين مي شوند. پرتاب جرم از تاج خورشيد در واقع كنده شدن شار مغناطيسي به همراه پلاسماست و شراره كه آزادسازي انرژي به مقدار زيادي انرژي است بعد از بازاتصالي ميدان مغناطيسي اتفاق مي افتد. اين دو پديده از اين جهت كه بر اقليم زمين، تجهيزات الكترونيكي و مخابراتي اثرات مخربي دارند، پيش بيني زمان وقوعشان براي بشر مهم است. در اينجا تلاش شده است تا با استفاده از تحليل داده هاي دو ابزار از تلسكوپ فضايي اس دي اَ و همچنين تلسكوپ زميني كي اس اَ، احتمال رخداد اين پديده ها را محاسبه كنيم. لازم به ذكر است كه به دليل مشخص نبودنِ دقيق ساز و كار اين پديده ها و پيچيدگي خورشيد، پيش بيني آنها بر مبناي احتمالات است. به منظور پردازش تصاوير از چندجمله اي هاي متعامد زرنيك و جهت طبقه بندي داده ها از روش هاي مبتني بر هوش مصنوعي (ماشين بردار پشتيبان) استفاده كرده ايم. اين روش به ميزان 70% توانايي پيش بيني اين پديده ها را دارد.

Flares and Coronal Mass Ejections (CMEs) are two very important phenomena in the last layer of the solar atmosphere. Flares and CMEs can disturb the interplanetary space and Earth magnetic field. Both of the flares and CMEs are mainly in the magnetic reconnection of solar magnetic field. The prediction of these events due to the disruptive effects on the communication, electronics and climate are very important. It has been attempted to calculated the probability of occurrence of these phenomena using the data of two tools from Solar Dynamic Observatory (SDO) and Ground telescope, Kanzelhoehe Solar Observatory (KSO). It should be noted that due to the lack of precision in determining the mechanism of these phenomena and the complexity of the sun, their prediction is based on probabilities. We used to image processing based of Zernike s orthogonal polynomial, also we have used artificial intelligence methods (Support Vector Machin) to classify data. This method has the ability to predict these phenomena by 70%.