NARX Sinir Ağları Yöntemiyle 25. Güneş Aktivite Çevrimi Tahmini

Abstract

Güneş Aktivite Çevrimlerini (GAC) tahmin etmek; Dünya yörüngesindeki uzay araçlarının güvenliği, iletişim ağları ve genel olarak yaşam üzerindeki olumsuz etkileri nedeniyle önemli hale gelmiştir. Bu çalışmada, 25. GAC tahmini için yaklaşık3246 adet 13 aylık ortalama Güneş Lekesi Sayısı’ndan (GLS) (Temmuz 1749 - Aralık 2019 arasında) oluşan büyük bir veri seti ile Doğrusal Olmayan Otoregresif Eksojen (NARX) sinir ağı tabanlı modeller kullanılmıştır. NARX modelleri veri setini Bayesian Regülasyonu kullanılarak eğitilmiştir. NARX modelinin performansı Ortalama Karekök Sapması (RMSE),Korelasyon Katsayısı (r) ve Nash-Sutcliffe Verimlilik Katsayısı (NSE) kullanılarak hesaplanmıştır ve modelin performansının“çok iyi” (NSE > 0.95) olduğu bulunmuştur. Modellerimiz diğer benzer çalışmalardan elde edilen sonuçlarla karşılaştırılarak doğrulanmıştır ve 25. GAC için maksimum GLS 104,542 ve maksimum ayı Mayıs 2024 olarak tahmin edilmiştir.NARX tabanlı modellerin literatürde bildirilen diğer yöntemlere kıyasla iyi ve uyumlu tahmin sonuçları ortaya çıkardığı görülmüştür.

Keywords

• Sun: activity
• Sun: sunspots
• Sun: solar-terrestrial relations
• Neural networks: nonlinear autoregressiveexogenous models

Prediction of Solar Activity Cycle 25 with NARX Neural Networks

Abstract

Negative effects on the stability of earth’s orbiting spacecrafts, telecommunication networks, and on life in general have been correlated with the solar activity cycles. This work is devoted for the development of a neural network-based models for the prediction and forecasting of forthcoming solar activity cycles. An approach is developed based on the nonlinear autoregressive exogenous (NARX) technique; we consider a long time series of observations. The prediction method is based on the nonlinear autoregressive network with exogenous inputs (NARX) with its ability to derive the underlying complex and nonlinear relationships. A big dataset of about 3246 monthly average sunspot numbers (SSN) (between Jul 1749 – December 2019) is used for the current study. The NARX model was trained with the data set using the Bayesian Regulation. The performance of the NARX model was evaluated using statistical parameters such as RMSE, r, and NSE and the performance of the model was found to be “very good” (NSE > 0.95). Our models were compared and verified with other similar studies and show that the current predicted maximum SSN for the Solar Cycle 25 is 104.542 and date of maxima is May 2024. We conclude that our currently NARX based approaches offer good and accurate prediction results in comparison to other methods reported in the literature.

Keywords

• sun: solar-terrestrial relations
• sun: sunspots
• sun: activity
• neural networks: nonlinear autoregressive exogenous

References

1. Ahmed U., Mumtaz R., Anwar H., Shah A. A., Irfan R., García-NietoJ., 2019, Water, 11
2. Balogh A., Hudson H., Petrovay K., von Steiger R., 2014, SpaceScience Reviews, 186, 1
3. Boussaada Z., Curea O., Remaci A., Camblong H., Mrabet Bellaaj, N., 2018, Energies, 11
4. Du Z. L., 2020, Astrophys. Space Sci., 365(6), 134
5. Guzman S., Paz J., Tagert M., 2017, Water Resour Manage, 31,1591–1603
6. Han Y., Yin Z., 2019, Solar Physics, 294, 107
7. Hathaway D. H., 2015, Living Rev. Solar Phys., 12(1), 4
8. Helal R., Galal A., 2013, Journal of Advanced Research, 4, 275–278

9. Li F. Y., Kong D. F. Xie. J. L., Xiang N. B., C X. J., 2018, Journalof Atmospheric and Solar-Terrestrial Physics, 181, 110
10. Menezes J., Barreto G. D. A., 2006, 2006 Ninth Brazilian Symposiumon Neural Networks (SBRN’06), pp 160–165
11. Menezes J., Barreto G. D. A., 2008, Neurocomputing, 71, 3335
12. Petrovay K., 2020, Living Rev. Solar Phys., 17(1), 2
13. Sarp V., Kilcik A., 2018, Nonlinear Prediction of Solar Cycle 25
14. Sarp V., Kilcik A., Yurchyshyn V., Rozelot J. P., Özgüc A., 2018,Astrophys. Space Sci., 365(6), 2981
15. Svalgaard L., 2020, Prediction of Solar Cycle 25
16. Uwamahoro J., 2008, Master’s thesis, Rhodes University, core.ac.uk
17. Wu S. S., Qin G., 2021, Predicting Sunspot Numbers for Solar Cycles25 and 26 (arXiv:2102.06001)
18. Wunsch A., Liesch T., Broda S., 2018, Journal of Hydrology, 567
19. Yoshida A., 2014, Annales Geophysicae, 32, 1035
20. Yoshida A., Yamagishi H., 2010, Annales Geophysicae, 28, 417