Ponieważ coraz więcej zaawansowanych technologicznie systemów jest wystawionych na działanie środowiska kosmicznego, przewidywanie pogody kosmicznej może zapewnić lepszą ochronę tych urządzeń. W układzie słonecznym na pogodę kosmiczną wpływają głównie warunki wiatru słonecznego. Wiatr słoneczny to strumień naddźwiękowych cząstek naładowanych plazmą, które przechodząc nad Ziemią powodują burze geomagnetyczne, wpływają na komunikację krótkofalową i zagrażają bezpieczeństwu infrastruktury elektrycznej i naftowej.
Dokładne przewidywanie prędkości wiatru słonecznego pozwoli ludziom poczynić odpowiednie przygotowania, aby uniknąć marnowania zasobów. Większość istniejących metod wykorzystuje jedynie dane z jednej modalności jako dane wejściowe i nie bierze pod uwagę komplementarności informacji pomiędzy różnymi modalnościami. W pracy badawczej opublikowanej niedawno w Space: Science & Technology, Zongxia Xie, z College of Intelligence and Computing, Tianjin University, zaproponował metodę przewidywania multimodalności (MMP), która wspólnie uczyła się wizji i informacji o sekwencji w zunifikowanych ramach end-to-end dla przewidywania prędkości wiatru słonecznego.
Najpierw autor przedstawił ogólną strukturę MMP, która obejmuje ekstraktor cech wizyjnych, Vmodule, oraz koder szeregów czasowych, Tmodule, jak również moduł Fusion. Następnie przedstawiono struktury Vmodułu i Tmodułu. Dane obrazowe i dane sekwencyjne były przetwarzane odpowiednio przez moduł V i moduł T. Vmoduł wykorzystywał wstępnie wytrenowany model GoogLeNet jako ekstraktor cech do ekstrakcji cech obrazu w ekstremalnym ultrafiolecie (EUV).
Moduł T składał się z konwencjonalnej sieci neuronowej (CNN) i dwukierunkowej pamięci krótkotrwałej (BiLSTM) do kodowania cech danych sekwencyjnych w celu wspomagania predykcji. Dołączony został predyktor fuzji multimodalnej, umożliwiający fuzję cech i regresję predykcji. Po wyodrębnieniu cech z dwóch modułów, dwa wektory cech były konkatenowane w jeden wektor dla fuzji multimodalnej. Wyniki predykcji były uzyskiwane przez regresor predykcji multimodalności. Metoda fuzji multimodalności została zastosowana do realizacji komplementarności informacji w celu poprawy ogólnej wydajności.
Następnie, w celu weryfikacji skuteczności modelu MMP, autor przeprowadził kilka eksperymentów. Do eksperymentu przyjęto obrazy EUV obserwowane przez satelitę Solar Dynamics Observatory (SDO) oraz zbiór danych OMNIWEB mierzony w punkcie Lagrangian 1 (L1). Autor wstępnie przetworzył obrazy EUV oraz dane dotyczące wiatru słonecznego z lat 2011-2017.
Ponieważ dane szeregów czasowych miały ciągłość w wymiarze czasowym, autor podzielił dane od 2011 do 2015 roku jako zbiór treningowy, dane z 2016 roku jako zbiór walidacyjny i 2017 roku jako zbiór testowy. Następnie opisana została konfiguracja eksperymentalna. Autor dostroił GoogLeNet pretrained na zbiorze danych ImageNet, aby wyodrębnić cechy obrazu EUV.
Metryki takie jak średni błąd kwadratowy (RMSE), średni błąd bezwzględny (MAE) oraz współczynnik korelacji (CORR) zostały użyte do porównania w celu oceny ciągłej wydajności predykcyjnej modelu. RMSE obliczano biorąc pierwiastek kwadratowy ze średniej arytmetycznej różnicy między wartością obserwowaną a przewidywaną.
MAE reprezentował średni błąd bezwzględny między wartością przewidywaną a obserwowaną. CORR może reprezentować podobieństwo między sekwencją obserwowaną a przewidywaną. Ponadto, wynik umiejętności Heidke został przyjęty, aby ocenić, czy model może dokładnie uchwycić szczytową prędkość wiatru słonecznego.
Eksperymenty porównawcze wykazały, że MMP osiąga najlepsze wyniki w wielu metrykach. Ponadto, aby udowodnić skuteczność każdego modułu w modelu MMP, autor przeprowadził eksperymenty ablacji. Można było zauważyć, że usunięcie modułu Vmodule doprowadziło do spadku wyników eksperymentalnych, szczególnie dla predykcji długoterminowej. W przeciwieństwie do usunięcia Vmodułu, usunięcie Tmodułu miało bardziej znaczący wpływ na predykcję krótkoterminową.
Autor porównał również wydajność różnych wstępnie wytrenowanych modeli, aby sprawdzić ich skuteczność w przechwytywaniu cech obrazu i stwierdził, że GoogLeNet uzyskał najwięcej i najlepsze wyniki metryczne. Ponadto, przeprowadzono eksperymenty porównania hiperparametrów, aby zweryfikować racjonalność doboru parametrów naszego modelu.
Wreszcie, autor zaproponował kilka obiecujących kierunków dla przyszłych prac. Po pierwsze, przyszłe badania powinny skupić się na wpływie różnych modalności na wydajność, przypisać różne wagi różnym modalnościom i wykorzystać ich komplementarne relacje w celu poprawy wydajności. Po drugie, proponowany model nie może dobrze uchwycić szybkiego strumienia słonecznego, co było bardzo trudne, ale niezbędne dla aplikacji. Tak więc autor skupiłby się na tym, jak poprawić przewidywanie szczytów w przyszłości.
