Connecting the Dots: A Machine Learning Ready Dataset for Ionospheric Forecasting Models
كجزء من مختبر ناسا للهيليولاب لعام 2025، تقدم هذه الورقة مجموعة بيانات منسقة، ومفتوحة الوصول، وجاهزة للتعلم الآلي، تدمج قياسات شمسية وهليوسفيرية وأيونوسفيرية متنوعة لتدريب واختبار النماذج الزمكانية من أجل تحسين التنبؤ التشغيلي لإجمالي محتوى الإلكترونات الرأسي (TEC) في ظل ظروف جيومغناطيسية متغيرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن الأرض محاطة بـ "محيط" عملاق، غير مرئي، ومتغير باستمرار من الجسيمات المشحونة يُسمى الأيونوسفير (الغلاف الأيوني). هذه الطبقة حيوية لأنها تعمل مثل مرآة لموجاتنا الراديوية، مما يساعد أقمار نظام تحديد المواقع العالمي (GPS) والطائرات وأنظمة الاتصالات في إيجاد طريقها. ومع ذلك، فإن هذا المحيط مضطرب؛ إذ تسببه الشمس في تقليب هذا المحيط، مما يسبب "عواصف" يمكنها تشويش إشاراتنا وتعطيل شبكات الطاقة.
لفترة طويلة، كان التنبؤ بهذه العواصف يشبه محاولة التنبؤ بالطقس باستخدام ميزان حرارة مكسور وبعض مقاييس المطر المتفرقة. يمتلك العلماء كافة أنواع البيانات — قياسات الرياح الشمسية، والمجالات المغناطيسية، وأعداد الإلكترونات — ولكنها جميعًا تأتي بتنسيقات مختلفة، وبسرعات مختلفة، وغالبًا ما تحتوي على فجوات. إنها عبارة عن كومة فوضوية من قطع الأحجية التي لا تتناسب مع بعضها البعض تمامًا.
الفكرة الكبرى: بناء "مجموعة ليجو" للذكاء الاصطناي
يقدم هذا البحث مشروعًا جديدًا يعمل كصانع أحجيات ماهر. لقد أخذ الفريق كل تلك المصادر المبعثرة والفوضوية للبيانات، وقاموا بتنظيفها، ومحاذاتها، وتنظيمها في حزمة واحدة مرتبة وجاهزة للاستخدام من قبل التعلم الآلي (الذكاء الاصطناي).
فكر في الأمر بهذه الطريقة:
- قبل: تخيل أنك تحاول تعليم روبوت القيادة من خلال إعطائه كومة من الأوراق، بعضها مكتوب بقلم رصاص، وبعضها بحبر، وبعضها بلغة مختلفة، وبعض الصفحات ممزقة. سيصاب الروبوت بالارتباك.
- الآن: لقد أخذ المؤلفون كل تلك الملاحظات، وترجموها إلى نفس اللغة، وملأوا الصفحات المفقودة بأفضل التخمينات، وجمعوها في كتاب مدرسي واحد مثالي. الآن، يمكن للروبوت (الذكاء الاصطناعي) أن يتعلم القيادة بالفعل.
ماذا يوجد داخل الصندوق؟
هذه المجموعة من البيانات هي عبارة عن "مخلوط" (Smoothie) مكون من العديد من المكونات المختلفة، والتي تم مزجها جميعًا على نفس الإيقاع:
- مزاج الشمس: بيانات من قمر ناسا الصناعي (SDO) تظهر الأشعة فوق البنفسجية القصوى من الشمس (مثل كاميرا تلتقط صورًا لـ "تقلبات مزاج" الشمس).
- الرياح الشمسية: قياسات للجسيمات والمجالات المغناطيسية التي تهب من الشمس باتجاه الأرض (وهي "الرياح" التي تدفع الأيونوسفير).
- رد فعل الأرض: بيانات حول كيفية اهتزاز المجال المغناطيسي للأرض (المؤشرات الجيومغناطيسية مثل Kp وAE).
- سطح المحيط: خرائط للمحتوى الإلكتروني الكلي (TEC)، والتي توضح مدى "كثافة" أو "رقة" الأيونوسفير في أماكن مختلفة. بعض هذه الخرائط مفصلة للغاية (كثيفة)، بينما يعتمد بعضها الآخر على قياسات أقل (متباعدة)، بما في ذلك البيانات التي تم جمعها من الهواتف الذكية بنظام أندرويد!
- الهندسة الفلكية: حسابات لموقع الشمس والقمر بالنسبة للأرض، فقط لمعرفة زوايا الضوء الساقط على غلافنا الجوي.
تنظيف الفوضى
كان أحد أصعب أجزاء هذا العمل هو التعامل مع "البيانات المفقودة". فبعض المستشعرات تتوقف عن العمل لبضع دقائق، بينما توجد فجوات تمتد لأيام. ابتكر المؤلفون نظامًا ذكيًا للتعامل مع هذا الأمر:
- إذا كانت الفجوة صغيرة، فإنهم يستخدمون طريقة "الملء الأمامي"، مما يعني أنهم يفترضون أن القيمة تظل كما هي في آخر قراءة معروفة لفترة قصيرة.
- إذا كانت الفجوة كبيرة جدًا، فإنهم يتخطونها تمامًا حتى لا يتعلم الذكاء الاصطناي من معلومات قديمة وغير محدثة.
- كما قاموا بإنشاء "كتالوج للعواصف" لتصنيف أوقات محددة يكون فيها الأيونوسفير هادئًا مقابل الأوقات التي يكون فيها في حالة عاصفة عنيفة، مما يضمن أن يتعلم الذكاء الاصطناي الفرق بين يوم مشمس وإعصار.
النتائج: تعليم الذكاء الاصطناعي التنبؤ
باستخدام هذه المجموعة الجديدة والنظيفة من البيانات، قام الفريق بتدريب عدة نماذج للذكاء الاصطناي (بما في ذلك نماذج مستوحاة من كيفية عمل خبراء الأرصاد الجوية) للتنبؤ بحالة الأيونوسفير.
- اختبروا هذه النماذج لمعرفة ما إذا كان بإمكانها التنبؤ بـ "كثافة" الأيونوسفير (TEC) قبل 12 ساعة من حدوثها.
- كانت النتائج واعدة: كانت نماذج الذكاء الاصطناي أفضل بكثير في التنبؤ بالمستقبل من طريقة "الاستمرارية" القديمة (التي تفترض ببساطة أن الطقس سيبقى تمامًا كما هو عليه الآن).
لماذا هذا مهم؟
لا يدعي هذا البحث أنه حل مشكلة طقس الفضاء إلى الأبد. بدلاً من ذلك، هو يدعي أنه بنى الأساس. من خلال توفير هذه المجموعة من البيانات "الجاهزة للتعلم الآلي"، فإنهم يسلمون المفاتيح إلى بقية المجتمع العلمي. الآن، يمكن للباحثين حول العالم التوقف عن قضاء شهور في تنظيف البيانات والبدء في بناء نماذج أفضل وأذكى لحماية أقمارنا الصناعية، ونظام تحديد المواطئ (GPS)، وشبكات الطاقة من العواصف الشمسية. إنه الفرق بين إعطاء طاهٍ كومة من الخضروات غير المغسولة وغير المقشرة، وبين إعطائه مجموعة مكونات جاهزة للطهي، مقطعة ومقاسة بدقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.