MARC

 008260126s2023        us                              c    eng  d
■001000017360540
■00520260202105544
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265404657
■035    ▼a(MiAaPQ)AAI32315478
■035    ▼a(MiAaPQ)GeorgiaTech75523
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523.7
■1001  ▼aTopliff,  Charles  A.
■24510▼aTowards  Comprehensively  Modeling  the  Earth-Sun  Magnetic  Interaction  Using  Machine  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a136  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Cohen,  Morris;Davenport,  Mark.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aThis  thesis  aims  to  comprehensively  model  the  earth-sun  magnetic  interaction  using  machine  learning  techniques.  The  space  science  community  has  developed  models  of  different  regions  of  the  space  environment  which  are  well  understood  as  standalone  components.  In  recent  years,  machine  learning  techniques  have  emerged  as  a  way  to  address  the  shortcomings  of  these  models  by  leveraging  the  wealth  of  data  describing  the  space  environment  that  has  accumulated  since  the  onset  of  the  space  race.Earth's  magnetic  field  (i.e.  the  geomagnetic  field)  is  heavily  influenced  by  solar  activity  through  a  coupling  mechanism  known  as  the  solar  wind.  The  solar  wind  is  a  stream  of  charged  particles  that  carries  the  interplanetary  magnetic  field  through  interplanetary  space  and  ultimately  influences  geomagnetic  activity,  which  can  result  in  disruptions  to  societal  infrastructure  such  as  the  power  grid  and  satellite  communications.  If  we  can  forecast  these  disruptions,  then  this  damage  can  be  mitigated  through  precautionary  measures.Our  research  seeks  to  increase  the  lead  time  of  geomagnetic  activity  forecasts  to  mitigate  damage  to  these  systems.  In  Aim  1,  we  improve  direct  geomagnetic  index  prediction  with  an  LSTM  trained  to  predict  geomagnetic  indices  using  measurements  of  the  solar  wind  near  Earth.  In  Aim  2,  we  look  further  back  in  the  chain  of  events  to  predict  the  solar  wind  directly  using  solar  image  data  and  convolution  autoencoders.  In  particular,  we  focus  on  solar  wind  streams  coming  from  coronal  holes,  which  are  responsible  for  a  large  portion  of  the  variance  of  the  solar  wind.  In  Aim  3,  we  aim  to  improve  prediction  of  solar  wind  during  times  when  the  solar  wind  is  under  the  influence  of  anomalies  such  as  interplanetary  coronal  mass  ejections  by  augmenting  our  coronal  hole  model  with  a  model  taking  sequences  of  images  as  an  input.
■590    ▼aSchool  code:  0078.
■650  4▼aSolar  physics
■650  4▼aDeep  learning
■650  4▼aSatellite  communications
■650  4▼aForecasting
■650  4▼aCharged  particles
■650  4▼aMagnetic  fields
■650  4▼aNeural  networks
■650  4▼aAerospace  engineering
■650  4▼aAstrophysics
■650  4▼aAtomic  physics
■650  4▼aElectromagnetics
■690    ▼a0538
■690    ▼a0800
■690    ▼a0596
■690    ▼a0748
■690    ▼a0607
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360540▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서