Modeling the Location and Shape of the Magnetopause Using Machine Learning Methods

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10477991" target="_blank" >RIV/00216208:11320/23:10477991 - isvavai.cz</a>

Výsledek na webu

<a href="https://physics.mff.cuni.cz/wds/proc/pdf23/WDS23_09_f2_AghabozorgiNafchi.pdf" target="_blank" >https://physics.mff.cuni.cz/wds/proc/pdf23/WDS23_09_f2_AghabozorgiNafchi.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Modeling the Location and Shape of the Magnetopause Using Machine Learning Methods

Popis výsledku v původním jazyce

Empirical models for predicting the location of the magnetopause currentlyin use typically rely on the identification of individual magnetopause crossings, and theirfitting by a predefined magnetopause shape. Although the assumed analytical shape formulamay be rather complicated and general, it represents a principal apriori limitation of themodel. We remove this limitation by applying an approach based on an artificial neuralnetwork. A large data set of about 15,000 subsolar magnetopause crossings is used for thetraining, resulting in a direct data-driven model predicting the magnetopause radial distanceas a function of relevant solar wind parameters without any additional assumptions. Themodel performance is evaluated using the testing data set of magnetopause crossings andby a comparison with a former widely used empirical model.

Název v anglickém jazyce

Modeling the Location and Shape of the Magnetopause Using Machine Learning Methods

Popis výsledku anglicky

Empirical models for predicting the location of the magnetopause currentlyin use typically rely on the identification of individual magnetopause crossings, and theirfitting by a predefined magnetopause shape. Although the assumed analytical shape formulamay be rather complicated and general, it represents a principal apriori limitation of themodel. We remove this limitation by applying an approach based on an artificial neuralnetwork. A large data set of about 15,000 subsolar magnetopause crossings is used for thetraining, resulting in a direct data-driven model predicting the magnetopause radial distanceas a function of relevant solar wind parameters without any additional assumptions. Themodel performance is evaluated using the testing data set of magnetopause crossings andby a comparison with a former widely used empirical model.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10305 - Fluids and plasma physics (including surface physics)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

WDS&apos;23 Proceedings of Contributed Papers - Physics

ISBN

978-80-7378-503-1

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

71-77

Název nakladatele

Matfyzpress

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

30. 5. 2023

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—