🔭 astrophysics

Machine Learning-Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25

Dit artikel beschrijft de ontwikkeling en toepassing van machine learning- en tijdreeksanalysemethoden om verschuivingen in de frequentie van zonne-p-moden te karakteriseren voor de resterende periode van zonnecyclus 25, met als doel de link tussen het zonne-interieur en ruimteweer te versterken en een onafhankelijke indicator voor zonneactiviteit te bieden.

Oorspronkelijke auteurs: Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (

Gepubliceerd 2026-04-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (National Solar Observatory)

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Zon als een Gierende Gitaar: Hoe AI de Zonneweer voorspelt

Stel je de Zon voor als een gigantische, gloeiende gitaar. Net als een gitaarsnaar trilt de Zon niet stil; hij "zingt" voortdurend. Deze trillingen worden p-modes genoemd. Ze zijn geluidsgolven die door het binnenste van de Zon reizen en op het oppervlak terugkaatsen.

In dit wetenschappelijke artikel kijken onderzoekers naar hoe de toonhoogte (de frequentie) van deze zang verandert. Ze hebben ontdekt dat deze toonhoogte niet constant is. Hij gaat omhoog en omlaag in een ritme van ongeveer 11 jaar, precies in sync met de bekende zonvlekken en andere tekenen van zonsondergang.

Het Probleem: De Zon is een Mysterie

We weten dat de Zon een cyclus heeft van rust naar storm en weer terug. Maar het is lastig om te voorspellen wanneer de volgende rustperiode begint. Als we dat weten, kunnen we beter voorbereid zijn op ruimteweer (zoals stormen die onze satellieten en stroomnetten op aarde kunnen verstoren).

De onderzoekers (Rekha Jain, Akash Kumar en Sushanta Tripathy) denken: "Als we kunnen voorspellen hoe de 'toonhoogte' van de Zon verandert, hebben we een nieuwe, onafhankelijke manier om de toekomst van de zonnestormen te zien."

De Oplossing: De Zon laten 'leren' door een Computer

In plaats van alleen te kijken naar de oude data, hebben de auteurs een slimme truc gebruikt: Machine Learning (kunstmatige intelligentie). Ze hebben de computer laten kijken naar de geschiedenis van de Zon en hem laten leren patronen te herkennen, net zoals een leerling die een liedje moet leren door het vaak te horen.

Ze hebben drie verschillende manieren gebruikt om de toekomst te voorspellen:

De Directe Muziek: Ze luisterden direct naar de trillingen van de Zon (de p-modes) van de afgelopen 30 jaar en lieten de computer de volgende noot voorspellen.
De Radio-Link: Ze weten dat de trillingen sterk lijken op de 10,7 cm radio-uitstraling van de Zon (een soort 'zon-thermometer'). Ze voorspelden eerst de radio-uitstraling en vertaalden dat naar de trillingen.
De Zonneweerknop: Ze deden hetzelfde, maar dan gekoppeld aan het aantal zonvlekken (de 'vlekjes' op de Zon die stormen aankondigen).

Voor deze taken gebruikten ze geavanceerde wiskundige methoden (zoals Wavelets en N-BEATS), die je kunt vergelijken met een super-slimme geluidstechnicus die een complexe symfonie in losse stukjes (trends en ruis) ontdekt en dan de rest van het liedje componeert.

Wat Vonden Ze? (De Voorspelling)

De resultaten zijn duidelijk, maar met een kleine waarschuwing (want de computer heeft nog niet genoeg data om 100% zeker te zijn):

De Zon is aan het kalmen: De Zon bevindt zich nu in de dalende fase van zijn huidige cyclus (Cyclus 25). De 'stormen' nemen af.
Het dieptepunt: De computer voorspelt dat de Zon rond 2030 of 2031 zijn rustigste punt zal bereiken. Dit is het moment waarop de trillingen het laagst zijn en de zonnestormen het minst actief zijn.
De Cyclus: Deze rustperiode duurt ongeveer 7 jaar, net als bij de vorige grote cyclus (Cyclus 23).

Waarom is dit belangrijk?

Stel je voor dat je een weersvoorspelling doet. Als je alleen naar de wind kijkt, weet je het niet zeker. Maar als je ook naar de luchtdruk, de temperatuur en de vogels kijkt, krijg je een veel betrouwbaarder beeld.

Deze studie toont aan dat de trillingen van de Zon (de p-modes) een nieuwe, krachtige 'weersvoorspeller' zijn. Ze geven ons een kijkje in het binnenste van de Zon, diep onder het oppervlak waar de stormen worden geboren.

Kortom:
De onderzoekers hebben een nieuwe 'horloge' voor de Zon ontwikkeld met behulp van AI. Ze zeggen ons dat de Zon nu aan het kalmen is en dat we rond 2030 een rustigere periode kunnen verwachten. Dit helpt ons om beter voorbereid te zijn op de toekomstige stormen in de ruimte, zodat onze technologie op Aarde veilig blijft.

Let op: Omdat de Zon soms verrassend kan zijn, is dit een voorspelling gebaseerd op de beste data die we nu hebben. De wetenschappers blijven de Zon dus verder in de gaten houden!

Titel: Machine Learning-gebaseerde Karakterisering van Verschuivingen in Zonne p-Modus Frequenties tijdens Zonne Cyclus 25

Auteurs: Rekha Jain, Akash Kumar, Sushanta C. Tripathy
Publicatiedatum: April 2026 (voorgesteld)

1. Probleemstelling en Doel

De interne structuur van de Zon wordt onderzocht via akoestische oscillaties (p-modussen) die aan het oppervlak worden waargenomen. De frequenties van deze p-modussen vertonen een lange-termijn variatie die correleert met de ~11-jarige zonneactiviteitscyclus (vergelijkbaar met zonnevlekkenaantallen en 10,7 cm radioflux). Hoewel deze correlatie bekend is, is er nog geen robuuste, kwantitatieve methode ontwikkeld om de verschuivingen in p-modusfrequenties ( $\delta\nu$ ) voor de toekomst te voorspellen.

Het doel van dit onderzoek is tweeledig:

Het verbeteren van modellen voor zonne-interieur dynamica en de koppeling naar ruimteweersomstandigheden door het voorspellen van $\delta\nu$ .
Het bieden van een onafhankelijke of vroege indicator voor de opstijgende en afdalende fasen van zonneactiviteit, wat waardevol is voor ruimteweersvoorspelling.

De auteurs richten zich specifiek op het karakteriseren en voorspellen van de resterende fase van Zonne Cyclus 25 en het voorspellen van het minimum van Cyclus 26.

2. Methodologie

De studie combineert standaard tijdreeksanalyse met geavanceerde machine learning-technieken. Er worden drie verschillende datasets gebruikt:

Directe $\delta\nu$ data: Gemeten p-modus frequentieverschuivingen van GONG (Global Oscillation Network Group) van 7 mei 1995 tot 31 juli 2025 (Cyclus 23, 24 en een deel van 25).
10,7 cm Radioflux (F10): Data van 9 januari 1954 tot juli 2025.
Zonnevlekkenaantallen (SSN): Data van 9 januari 1954 tot juli 2025.

Data Voorverwerking:

Alle datasets zijn gemiddeld over 9-dagen intervallen om consistentie te garanderen.
Een kwadratische (graad 2) fit wordt toegepast op de relatie tussen $\delta\nu$ en de activiteitsindices (F10 en SSN) om verzadigingseffecten bij hoge activiteit te modelleren.

Voorspellende Modellen:
Er worden drie hoofdmethoden toegepast:

Wavelet + LGBM:
- Decompositie: Discrete Wavelet Transform (DWT) met 'db4' wavelets om trend en residu te scheiden.
- Model: Light Gradient-Boosting Machine (LGBM) voor zowel trend als residu.
Ensemble (LOESS + FFT) + LGBM:
- Decompositie: Een ensemble van twee methoden. LOESS (lokaal geschatte scatterplot smoothing) voor trendextractie en FFT (Fast Fourier Transform) als laagdoorlaatfilter om ruis te verwijderen.
- Model: LGBM wordt getraind op de componenten van beide methoden; de uiteindelijke voorspelling is het gemiddelde van de twee.
Deep Learning (N-BEATS):
- Een deep learning architectuur (Neural Basis Expansion Analysis for Time Series) die specifiek is ontworpen voor tijdreeksvoorspelling. Deze wordt alleen toegepast op de voorspellingen gebaseerd op F10 en SSN, omdat de directe $\delta\nu$ -dataset te kort is voor effectief deep learning.

Validatie:
Er wordt een "hold-out" validatiestrategie gebruikt (85% training, 15% test) om temporale afhankelijkheden te behouden. De prestaties worden gemeten met de Root Mean Squared Error (RMSE). Voorspellingsintervallen (90%) worden gegenereerd via quantile-regressie.

3. Belangrijkste Resultaten

Directe Voorspelling ( $\delta\nu$ ):
- De modellen suggereren dat Zonne Cyclus 25 zich al in de afdalende fase bevindt.
- Het minimum van de frequentieverschuiving wordt verwacht rond 2031 (gebaseerd op directe data).
- Beperking: Omdat de dataset slechts twee volledige cycli omvat, zijn voorspellingen verder in de toekomst met voorzichtigheid te interpreteren.
Geschaalde Voorspellingen (via F10 en SSN):
- Door de relatie met radioflux en zonnevlekken te gebruiken, worden de voorspellingen robuuster.
- Alle methoden (Wavelet, LOESS/FFT, N-BEATS) wijzen op een minimum rond 2030.
- De Wavelet+LGBM methode toont een soepelere daling, terwijl LOESS/FFT een steilere daling laat zien, maar de timing van het minimum is consistent.
Cyclus 26 Minimum:
- Gebaseerd op de analyse wordt het minimum van Cyclus 26 verwacht tussen 2030 en 2031.
- De aflopende fase van Cyclus 25 duurt naar schatting ongeveer zeven jaar, wat vergelijkbaar is met de afloop van Cyclus 23.
Kwaliteit van de Modellen:
- De machine learning-modellen kunnen de algemene cyclische patronen goed reproduceren.
- De N-BEATS methode slaagt er echter minder goed in om kortere-termijn variaties, zoals de Quasi-Biennial Oscillations (QBOs), te reproduceren vergeleken met de Wavelet- en LOESS-methoden.

4. Bijdragen en Significantie

Nieuwe Indicator voor Ruimteweer: Het artikel toont aan dat p-modus frequentieverschuivingen kunnen dienen als een onafhankelijke indicator voor de fasen van zonneactiviteit, wat waardevol is voor ruimteweersvoorspelling.
Koppeling Interieur-Exterieur: Het voorspellen van $\delta\nu$ helpt een kwantitatieve link te leggen tussen de dynamo-processen in het zonne-interieur en de magnetische activiteit aan het oppervlak en in de corona.
Methodologische Vooruitgang: De studie demonstreert de effectiviteit van hybride modellen (Wavelet/LOESS/FFT gecombineerd met Gradient Boosting) voor zonnefysische tijdreeksanalyse.
Toekomstperspectief: Hoewel de huidige resultaten veelbelovend zijn, benadrukken de auteurs dat verdere verbeteringen nodig zijn, waaronder het integreren van meer helioseismische parameters (amplitudes, lijnbreedtes) en langere datasets om de fysieke mechanismen achter de frequentieverschuivingen volledig te ontrafelen.

Conclusie:
De auteurs concluderen dat de p-modus frequenties voor Cyclus 25 hun maximum rond het begin van 2025 hebben bereikt en nu in een lange aflopende fase zitten met een verwacht minimum voor Cyclus 26 rond 2030-2031. Machine learning biedt een veelbelovend, nieuw perspectief voor het monitoren en voorspellen van zonneactiviteit, maar vereist verdere validatie met uitgebreidere data.