Machine Learning Applications on Solar Activity Prediction

Abstract

Recently, machine learning (ML) has been applied in many areas. With this method, it is aimed to produce faster and more comprehensive solutions to problems. Various ML algorithms are used to create different prediction scenarios by following the cyclical changes of Solar Activity (SA) since 1700. In this study, it is aimed to predict the 25th Solar Cycle with various ML algorithms and to create awareness about prediction studies with ML applications of SA together with other studies in the literature. Based on Sunspot Number (SSN), one of the most important indicators of Solar Activity, the monthly values of the 25th Solar Cycle were estimated with the NAR (Nonlinear Autoregressive) Model. These estimates were made using the ML algorithms Support Vector Machine (SVM), Random Forest (RF), k-Nearest Neighbors (kNN) and Gradient Boosting (GB). The results were evaluated with Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Pearson Correlation Coefficient (PCC) and Nash-Sutcliffe Efficiency Coefficient (NSE) and compared with the predicted results of the conversion values. The created models were named as NAR in the first step and SVM, kNN, GB in the following steps, respectively as NAR-SVM, NAR-RF, NAR-kNN and NAR-GB. The maximum values predicted by the models range from 117.43 to 117.99 (the maximum value was produced as 118.13 with NAR). RMSE values range from 0.08 to 0.72, MAE values range from 0.07 to 0.47. PCC values were found as 0.99 and NSE values were found as 0.99. The results were compared with the results of other studies in the literature.

Keywords

• solar cycle
• time series prediction
• machine learning

Güneş Aktivitesi Tahmini Üzerine Makine Öğrenmesi Uygulamaları

Öz

Son zamanlarda makine öğrenmesi (ML) birçok alanda uygulanmaya başlanmıştır. Bu yöntemle, problemlere karşı daha hızlı ve daha kapsamlı çözümler üretilmesi amaçlanmıştır. Güneş Aktivitesinin (GA) 1700 yılından beri çevrimsel değişiminin takibiyle, farklı tahmin senaryoları oluşturabilmek için çeşitli ML algoritmaları kullanılmaktadır. Bu çalışmada, çeşitli ML algoritmalarıyla 25. Güneş Çevrimi'nin tahmin edilmesi ve literatürdeki diğer çalışmalarla birlikte, GA'nın ML uygulamalarıyla tahmin çalışmalarına yönelik farkındalık yaratılması amaçlanmıştır. Güneş Aktivitesinin en önemli göstergelerinden biri olan Güneş Lekesi Sayısı (SSN) temel alınarak, NAR (Doğrusal Olmayan Otoregresif) modeli ile 25. Güneş Çevrimi'nin aylık değerlerinin tahmini gerçekleştirilmiştir. Bu tahminler, ML algoritmalarından Destek Vektör Makinesi (SVM), Rastgele Orman (RF), k-En Yakın Komşular (kNN) ve Gradyan Arttırma (GB) kullanılarak yapılmıştır. Sonuçlar, Ortalama Karekök Hata (RMSE), Ortalama Mutlak Hata (MAE), Pearson Korelasyon Katsayısı (PCC) ve Nash-Sutcliffe Etkililik Katsayısı (NSE) ile değerlendirilerek, çevrim değerlerinin tahmin sonuçlarıyla karşılaştırılmıştır. Oluşturulan modeller, ilk adımda NAR ve sonraki adımlarda SVM, kNN, GB olmak üzere sırasıyla NAR-SVM, NAR-RF, NAR-kNN ve NAR-GB şeklinde adlandırılmıştır. Modellerin tahmin ettiği maksimum değerler 117.43-117.99 aralığında değişmektedir (NAR ile maksimum değer 118.13 olarak üretilmiştir). RMSE değerleri 0.08–0.72, MAE değerleri 0.07–0.47 arasındadır. PCC değerleri 0.99 ve NSE değerleri de 0.99 olarak bulunmuştur. Sonuçlar, literatürdeki diğer çalışmaların sonuçlarıyla karşılaştırılmıştır.

Anahtar Kelimeler

• solar cycle
• time series prediction
• machine learning

Kaynakça

1. Aparicio, A. J. P., Carrasco ve diğ., 2023, Solar Physics, 298(8), 100. https://doi.org/10.1007/s11207-023-02194-7
2. Bansal, R, ve Shaliastovich, I.A, 2010, The American Economic Review, 100, 537-541.
3. Benmouiza, K, and Cheknane, A., 2016, Theoretical and Applied Climatology, 124, 945-958. doi:10.1007/s00704-015-1469-z.
4. Breiman, Leo. Machine Learning, 2001, 45, 5-32. doi:10.1023/A:1010933404324.
5. Cao, J., Xu, T., Deng, L., Zhou, X., Li, S., Liu, Y., Wang, W., & Zhou, W., 2024, The Astrophysical Journal, 969(2), 120. https://doi.org/10.3847/1538-4357/ad4551
6. Carrington, R. C., 1859, Monthly Notices of the Royal Astronomical Society, 20, 13-15. doi:10.1093/mnras/20.1.13.
7. Cha, G.W., Moon, H.J., Kim, Y.C., 2021, Int J Environ Res Public
8. Health, 18(16), 8530. doi:10.3390/ijerph18168530.

9. Cherkassky, V., 1997, IEEE Transactions on Neural Networks, 8(6), 1564.
10. Cliver, E. W. ve Dietrich, W. F., 2013, Journal of Space Weather and Space Climate, 3, A31. doi:10.1051/swsc/2013053.
11. Cover, T. ve Hart, P., 1967, IEEE Transactions on Information Theory, 13(1), 21-27.
12. Cortes, C ve Vapnik, V., 1995, Machine Learning, 20(3), 273-295.
13. Du, Z. L., 2020, Astrophysics and Space Science, 365(6), 134. doi:10.1007/s10509-020-03818-1.
14. Friedman, J. H., 2001, The Annals of Statistics, 29(5), 1189–1232. doi:10.1214/aos/1013203451.
15. Haigh, J. D., 2007, Living Reviews in Solar Physics, 4(1), article 2. doi:10.12942/lrsp-2007-2.
16. Hodgson, R., 1859, Monthly Notices of the Royal Astronomical Society, 20(1), 15-16. doi:10.1093/mnras/20.1.15a.
17. Kalkan, M. Y., Saygaç, A. T., & Fawzy, D. E., 2022, Turkish Journal of Astronomy and Astrophysics, 3(3), 57-60. doi:10.55064/tjaa.1037256.
18. Kalkan, M. Y., Fawzy, D. E., & Saygac, A. T., 2023, Monthly Notices of the Royal Astronomical Society, 523(1), 1175-1181. doi:10.1093/mnras/stad1460.
19. Kane, R. P., 2002, Solar Physics, 205(2), 383-401, doi:10.1023/A:1014296529097.
20. Kulkarni, V. Y. ve Pradeep K. S., 2012, 2012 International Conference on Data Science & Engineering (ICDSE), IEEE, 64- 68. doi:10.1109/ICDSE.2012.6282329.
21. Munro, P., 2010, In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning, 73–73. Springer US, Boston, MA. https: //doi.org/10.1007/978-0-387-30164-8_51
22. Nash, J.E., ve J.V. Sutcliffe, 1970, Journal of Hydrology, 10(3), 282- 290. doi:10.1016/0022-1694(70)90255-6.
23. Penza, V., Berrilli, F., Bertello, L., Cantoresi, M., & Criscuoli, S., 2021, The Astrophysical Journal Letters, 922, L12. https:// doi.org/10.3847/2041-8213/ac3663
24. Pesnell, W., 2020, Journal of Space Weather and Space Climate, 10. doi:10.1051/swsc/2020060.
25. Petrovay, K., 2020, Living Reviews in Solar Physics, 17(1), 2.
26. Shmilovici, A., 2010, Data mining and knowledge discovery handbook, 231-247. Springer.
27. Svalgaard, L., 2020, arXiv. doi:10.48550/arXiv.2010.02370.
28. Wu, S.-S. ve Qin, G., 2021, arXiv. doi:10.48550/arXiv.2102.06001.
29. Zhang, S, ve diğ., 2018, Pattern Recognition Letters, 109, 44-54. doi:10.1016/j.patrec.2017.09.036.
30. Zhang, Y. ve Haghani, A., 2015, Transportation Research Part C: Emerging Technologies, 58, 308-324. doi:10.1016/j.trc.2015.02.019.