Kozmik Işınlar ve Toplam Bulut Örtüsü Arasındaki İlişkinin LSTM Ağlarıyla Analizi

Abstract

Dünya dışı radyasyon ile yeryüzündeki hava olayları arasındaki etkileşimleri, özellikle kozmik ışınlar (CR) ile bulut örtüsü arasındaki ilişkiyi anlamak, son yıllarda önemli bir bilimsel alan oluşturmuştur. Süpernova gibi kaynaklardan oluşan yüksek enerjili kozmik parçacıklar, Dünya atmosferine girdiklerinde hava moleküllerini iyonize edebilmekte ve bu da potansiyel olarak bulut oluşumunu etkileyebilmektedir. Bulut örtüsü, güneş radyasyonunu yansıtarak ve kızılötesi radyasyonu tutarak enerji dengesini düzenlediği için Dünya’nın iklimi üzerinde hayati bir rol oynar. Bu çalışma, CR ile Toplam Bulut Örtüsü (TCC) arasındaki ilişkiyi küresel ölçekte analiz etmeyi amaçlamaktadır. Bu amaçla, zaman serisi verileri için uygun bir tekrarlayan sinir ağı türü olan Uzun Kısa Dönemli Bellek (LSTM) ağları kullanılmıştır. CR verileri, Oulu Üniversitesi Kozmik Işın İstasyonu’ndan ve bulut verileri de Copernicus Climate Change Service’s ECMWF European Reanalysis V5 (ERA5)’in Maine Üniversitesi climate reanalyzer sayfası üzerinden alınmıştır. CR’ler ve TCC arasındaki ilişkileri belirlemek için Antarktika, Arktik, Avrupa ve küresel dahil olmak üzere çeşitli bölgelerde bir korelasyon matrisi oluşturulmuştur. Sonuçlar, CR ve TCC arasında genellikle zayıf negatif korelasyonlar olduğunu, Güney Yarımküre ve küresel ölçekte zayıf pozitif korelasyonlar olduğunu göstermiştir. Antarktika ve Arktik bölgelerinde negatif korelasyonlar daha belirgindir ve bu da bölgeye özgü iklim mekanizmalarını işaret eder. LSTM modelinin CR değerlerinin tahminleri, dinamik değişiklikleri ve zirveleri yakalamada önemli bir boşluk olduğunu ve daha fazla veri, ek özellikler veya daha fazla parametre gereksinimi olduğunu göstererek, gerçek değerleri yakından takip etmemiştir. Eğitim süreci hızlı başlangıç öğrenmesi göstermiş ancak birkaç dönemden sonra aşırı öğrenme (overfitting) ortaya çıkmıştır. Nihai modelin performansı, test ortalama kare hatası (MSE) ile ölçüldüğünde, yetersiz genelleme yapıldığını göstermiştir. Bu bulgular, makine öğrenimi kullanarak CR-TCC ilişkisini modellemenin karmaşıklığını vurgulamaktadır. Gelecek araştırmalar, veri kalitesini artırmaya, ayrıntılı bulut metriklerini eklemeye ve CR’lerin bulut oluşumu ve iklim üzerindeki etkisini daha iyi anlamak için ileri modelleri keşfetmeye odaklanmalıdır. Bu çalışma, CR’nin iklim sistemlerindeki rolü hakkındaki tartışmalara katkıda bulunarak, daha iyi iklim modelleri ve tahminleri için öngörüler sunmaktadır.

Keywords

• Kozmik Işın (CR)
• Toplam Bulut Örtüsü (TCC)
• Uzun Kısa-Dönemli Bellek (LSTM) Ağları
• İklim Modelleme.

Analyzing the Relationship Between Cosmic Rays and Total Cloud Cover with LSTM Networks

Abstract

Understanding the interactions between cosmic phenomena and terrestrial weather patterns, particularly the relationship between cosmic rays (CRs) and cloud cover, has been a significant scientific endeavor. CRs, high-energy particles originating from supernovae, can ionize air molecules upon entering Earth’s atmosphere, potentially influencing cloud formation. Cloud cover plays a vital role in Earth’s climate system by regulating energy balance through reflecting solar radiation and trapping infrared radiation. This study aims to analyze the relationship between CRs and Total Cloud Cover (TCC) globally using Long Short-Term Memory (LSTM) networks, a type of recurrent neural network suited for time series data. We used data from the University of Oulu’s Cosmic Ray Station and the Copernicus Climate Change Service’s ECMWF European Reanalysis V5 (ERA5). A correlation matrix was constructed to identify relationships between CRs and TCC across various regions, including the Antarctic, Arctic, Europe, and globally. The results indicated generally weak and negative correlations between CR and TCC, with weak positive correlations in the Southern Hemisphere and globally. Negative correlations were more pronounced in the Antarctic and Arctic regions, suggesting region-specific climate mechanisms. The LSTM model’s predictions of CR values did not closely follow actual values, indicating a significant gap in capturing dynamic changes and peaks, and suggesting the need for more data, additional features, or further tuning. The training process showed rapid initial learning but overfitting after several epochs. The final model’s performance, measured by test mean squared error (MSE), suggested inadequate generalization. These findings highlight the complexity of modeling the CR-TCC relationship using machine learning. Future research should focus on enhancing data quality, incorporating detailed cloud metrics, and exploring advanced models to better understand CRs influence on cloud formation and climate. This study contributes to the debate on CR role in climate systems, providing insights for improved climate models and predictions.

Keywords

• Cosmic Ray (CR)
• Total Cloud Cover (TCC)
• Long Short-Term Memory (LSTM) Networks
• Climate Modeling.

References

1. Carslaw, K.S., Harrison, R.G. & Kirkby, J. (2002). Cosmic rays, clouds, and climate. Science, 298(5599), 1732-1737.
2. Erlykin, A.D. & Wolfendale, A.W. (2010). Cosmic rays and clouds. Journal of Atmospheric and Solar-Terrestrial Physics, 72(5-6), 436-438.
3. Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. MIT Press.
4. Graves,A. & Graves, A. (2012). Long short-term memory. Supervised sequence labelling with recurrent neural networks, 37-45.
5. Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. IPCC, (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change . Kirkby, J., Curtius, J., Almeida, J. & et al., (2011). Role of sulphuric acid, ammonia and galactic cosmic rays in atmospheric aerosol nucleation. Nature, 476(7361), 429-433.
6. Laken, B.A., Kniveton, D.R. & Frogley, M.R. (2012). Cosmic rays linked to rapid mid-latitude cloud changes. Atmospheric Chemistry and Physics, 12(16), 7859-7867.
7. Marsh, N. & Svensmark, H. (2000). Cosmic rays, clouds, and climate. Space Science Reviews, 94(1), 215-230.
8. Polatoğlu, A., Yeşilyaprak, C., Kaya, M., Shameoni Niaei, M., & Er, H. (2023). New the Design and Measurements of the Portable Cosmic Ray Muons Detector (CRMD) for an Observatory. Universal Journal of Physics and Application, 17(4).

9. Sherstinsky, A. (2020). Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network. Physica D: Nonlinear Phenomena, 404, 132306.
10. Svensmark, H., Bondo, T. & Svensmark, J. (2007). Cosmic ray decreases affect atmospheric aerosols and clouds. Geophysical Research Letters, 34(15).