Автоматическое прогнозирование солнечных вспышек на основе наблюдений Солнца на РАТАН-600 Тохчукова С.Х., Богод В.М.,Шендрик А.В. Санкт-Петербургский филиал САО РАН VII семинар-совещание "Информационные системы в фундаментальной науке. Большие данные", 22-26 июля 2014г, САО РАН, Нижний Архыз Текущая фаза цикла солнечной активности Провал Гневышева «диаграмма бабочек» Маундера: широты групп солнечных пятен в зависимости от времени. На нижней диаграмме показана зависимость суммарных площадей пятен от времени. Вспышка X2.2 10 июня 2014г helioviewer.org РАТАН-600 Получение одномерного изображения S B( , ) A( x , y )d B A * = Количество наблюдений Солнца на РАТАН-600 в год До 61 сканов в день От 4 мин интервал 112 частотных каналов 1.8-0.76ГГц диапазон 14 мс временное разрешение регистрации 450000 400000 Number of scans 350000 300000 250000 200000 150000 100000 50000 0 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Years Исходные данные Блок-схема наблюдений Job for scheduler scenario Observations preparation ephemeris carriage Job for antenna Antenna feed Cabine positioning To antenna scheduler Roof open/close registration RAW- file ARM FITS- file PLD ADC Signal from receivers RATAN-600 Cabine №3 Перенос данных GPRS reserve channel ref3.sao.ru ~ 2 km -FITS (~2Мб) -RAW (~80Мб) rs.sao.ru RATAN-600 local network ~ 20 km Rsync, crond SAO RAS local network mail.sao.ru ~ 2000 km http://www.sao.ru/hq/sun Http://w0.sao.ru/hq/s Moscow server ~ 2500 km St.Petersburg Dept SAO local network prognoz.spbf.sao.ru http://www.spbf.sao.ru/prognoz/ ИС «Прогноз» Технические средства Общее ПО Прочие Средства для создания новых программных средств Unix shell Прочие СУБД Oracle XE Apache OS Linux Управление ресурсами вычислительной системы, обеспечение работы в сети Выделенный сервер в СПбФ PHP/PERL ЛВС РАТАН-600 RSI IDL/ION/ SSW СПКВР Информационное обеспечение и Методическая документация Программные средства Функциональное ПО Программы обработки данных РАТАН-600 Программы обработки спутниковых данных Программы для заполнения БД и архива Вебприложения для онлайнанализа данных Автоматическая обработка данных Подготовка наблюдений Сбор данных Cбор вспомогательных данных Контроль качества Хранение Подготовка данных Анализ Входные данные Моделирование прогноз Вывод данных Научный результат Автоматизация рутинных операций при обработке данных облегчает исследовательскую работу, и способствует получению новых результато RAT_FITS Таблицы БД -метаданные -информация об активных областях -информация о вспышках FILEID DATEOBS TIMEOBS NAXIS1 NAXIS3 TELESCOP STARTOBS STOPOBS NSAMPLES OBJECT SOLAR_R SOLAR_P SOLAR_B SOL_RA SOL_DEC AZIMUTH ALTITUDE CRPIX1 CDELT1 FLAG_IV CALIBR DSPDT SHIFT YEAR NUMBER <ak,fk> DATE <pk> TIMESTAMP (6) <pk> NUMBER NUMBER CHAR(50) RAT_FILE TIMESTAMP (6) FILEID NUMBER <pk> TIMESTAMP (6) DIR VARCHAR2(255) <ak1> NUMBER FNAME CHAR(100) <ak1,ak2> CHAR(50) DATETIME FSIZE NUMBER NUMBER FK_RAT_FITS_REFERENCE_RAT_FILE RAT_LETTERS_CONSUBJ ENABLE NUMBER NUMBER TEXT REMARK VARCHAR2(255) NUMBER GIF FREQS VARCHAR2(1000) NUMBER FNAME FREQSBAD VARCHAR2(500) NUMBER ID JOURNAL VARCHAR2(2500) NUMBER VYNOS NUMBER NUMBER PASID CHAR(100) <fk> NUMBER NUMBER NUMBER NUMBER NUMBER RAT_AR_SPECTR_CON NUMBER RAT_FILE_PAS FK_RAT_AR_REFERENCE_RAT_FILE NUMBER(4,0) -результаты моделирования RAT_LETTERS TIMESTAMP (6) VARCHAR2(256) VARCHAR2(4000) BLOB CHAR(100) <fk> NUMBER <pk> RAT_AR_SPECTR RAT_PAS PASID TIME_BEG TIME_END SHAG CONFIG_NAME PAS_NAME RAT_AR CHAR(30) <pk> TIMESTAMP (6) TIMESTAMP (6) NUMBER CHAR(100) CHAR(40) 2 ARNUM X_ARCSEC X_PIX HEIGHT MAG_FIELD N_E T_DISTR N FILEID NUMBER <pk> NUMBER NUMBER NUMBER NUMBER NUMBER CHAR(256) NUMBER NUMBER <fk> 3 FK_RAT_FREQ_REFERENCE_RAT_PAS FNAME POS FREQ WIDTH T_A FLUX T_B MAG_FIELD UPDATED ID FILEID CHAR(25) <pk> NUMBER <pk> NUMBER <pk> NUMBER NUMBER NUMBER NUMBER NUMBER TIMESTAMP (6) NUMBER NUMBER <fk> FK_RAT_AR_N_REFERENCE_RAT_AR RAT_FREQ -параметры ЛИ 1 FREQ PAS_NAME WL BEAM_SIZE_X BEAM_SIZE_Y NOISE_TEMP tqsun kflux NUMBER <pk> CHAR(256) <fk> NUMBER NUMBER NUMBER NUMBER NUMBER NUMBER 4 RAT_AR_NOAA NOAA CHAR(10) <pk,fk1> ARNUM NUMBER <pk,fk2> 5 FK_RAT_AR_N_REFERENCE_NOAA CYCL1 NOAA NOAA LOCATION DATEOBS TIMEOBS LO AREA Z LL NN MAG_TYPE TIME_ISSUE SRS_NUMBER ORIG_URL PATH CHAR(10) <pk> CHAR(10) DATE TIMESTAMP (6) CHAR(10) CHAR(10) CHAR(10) CHAR(10) CHAR(10) CHAR(10) TIMESTAMP (6) NUMBER CHAR(250) CHAR(250) ID PARAMS HCENTR THOTCOR CON XROM DEEP SFI SLAM DSTEP GUID NUMBER <ak1> CHAR(50) <ak2> NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) NUMBER(10,0) CHAR(50) Архитектура приложения ION CLIENT User requests Ion page SERVER Crond --------------(wget, rsync) ION Script Document ION Script Tags HTML Tags User gets HTML page File archive ---------(RATAN-600, and supplemetary data) Parser IDL HTML Image Server Models (Fortran programs) Database -----------(metadata, derivatives) Страница анализа данных Виды зависимостей в исходных данных На примере параметра Стокса I(x,f,t) x=const x f=const,t=const - I(x) t=const I(f) I(x,f) f=const I(t) I(x,t) I(t,f) I(f,t) 1)I(x,f,t) 2)I(x,t,f) Визуализация переменности скана во времени M3.2 flare at 17 May 2013 AR 11748 Flare forecast methods The Greek scientist Theophrastus compiled a book on weather forecasting, called the Book of Signs. The work of Theophrastus remained a dominant influence in the study of weather and in weather forecasting for nearly 2,000 years. Based mainly on the McIntosh classification, a specially dedicated system called Theophrastus was developed and adopted in 1987 (McIntosh 1990) as a tool in the daily operations of the USA NOAA SWPC. The method depends on human expert. Used also for Australian forecast center IPS. Gallagher (Ireland) et al. (2002) developed a Flare Prediction System which estimated the probability for each active region to produce C-, M-, or X-class flares using historical averages of flare numbers according to the McIntosh classifications (presented on http://www.solarmonitor.org ). At Beijing Astronomical Observatory, Zhang & Wang (1994) developed a multidiscrimination method for flare forecast by using observations of sunspots, 10 cm radio flux and longitudinal magnetic fields. In 2009 Qahwaji and Colak (UK) presented an automated hybrid computer platform for the short-term prediction of significant solar flares using SOHO MDI images. Proposed method incorporates sunspot grouping, McIntosh classification, and afterwards, flare prediction using neural networks. Национальные прогнозы 22 июля 2014 Solarmonitor.org: http://rwcc.bao.ac.cn http://spaceweather.inf.brad.ac.uk/ http://www.swpc.noaa.gov/forecast.html http://sidc.oma.be/products/meu/ Диаграмма наклон спектра - поток для вспышечных и невспышечных областей ○ -proton centers, ▲ – 10 MeV particle event , ●- non-proton 259 active regions during four years from 1968 to 1971 (20th cycle of solar activity ) analised. (Haruo Tanaka and Shinzo Enome, Sol.Phys.1975) Диаграмма поток-наклон спектра из БД, 2011-2014гг Реализация -Автоматическое распознавание источников -автоматическое вычитание шаблона спокойного Солнца -автоматический расчет параметров и занесение в БД Оценка критерия Проверка: -Автоматическое отождествление с NOAA -Сопряжение с таблицей вспышек http://www.spbf.sao.ru/prognoz/ Способы оценки эффективности прогноза Accuracy: ACC отображает процент верных прогнозов, однако для редких событий он малоприменим. True Skill Statistic: TSS имеет смысл разности оценок вероятностей верного (POD) и ложного (POFD) обнаружений. Результаты проверки эффективности прогноза События Индексы эффективности ACC TSS Протонные вспышки 94% 13.2% Вспышки класса M и X 88% 12.8% за период с 1 июня 2011 года по 27 января 2013 проанализировано 4677 наблюдений Для вспышек классов М и Х Для протонных событий V=I(L)-I(R) Ta,V 3.21 cm 4.32 cm 4.08 cm 3.83 cm 3.06 cm 4000 K 3.21 cm 3.06 cm 2.90 cm 2.90 cm 2.74 cm 2.67 cm 2.32 cm 2.24 cm 2.11 cm 2.74 cm 1.92 cm 1.83 cm 1061" 532" 3" E AR 9408 527" 1056" W AR 9393 2.67cm 212" 477" 742" 1006" 53" Center W of the disc 1.0 Flux,V [s.f.u.] А1 2 3 b) 1.0 Flux,V [s.f.u.] a) А2 В 4 , [cm] 2 3 , [cm] Bogod and Tokhchukova, Astronomy Letters, 2003, 29, 4, p. 263. Bogod and Tokhchukova, Cosmic Research, 2006, 44, 6, p. 506. 4 Выводы Создание автоматизированной информационной системы “Прогноз” для сбора, хранения, обработки, поиска, удаленного интерактивного анализа, моделирования и визуализации данных наблюдений Солнца на РАТАН-600 стало предпосылкой для создания автоматической системы прогнозирования мощных вспышечных событий. Текущая реализация основана на известных предвспышечных признаках в радиодиапазоне, но имеющаяся база данных различных параметров излучения Солнца в разных спектральных диапазонах может быть использована для поиска новых закономерностей в данных и разработки более эффективных критериев прогнозирования солнечных вспышек.