Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985530%3A_____%2F15%3A00472536" target="_blank" >RIV/67985530:_____/15:00472536 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1515/congeo-2015-0013" target="_blank" >http://dx.doi.org/10.1515/congeo-2015-0013</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1515/congeo-2015-0013" target="_blank" >10.1515/congeo-2015-0013</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks

  • Popis výsledku v původním jazyce

    A model of geomagnetic storms based on the method of artificial neural networks (ANN) combined with an analytical approach is presented in the paper. Two classes of geomagnetic storms, caused by coronal mass ejections (CMEs) and those caused by corotating interaction regions (CIRs), of medium and week intensity are subject to study. As the model input, the hourly solar wind parameters measured by the ACE satellite at the libration point L1 are used. The time series of the Dst index is obtained as the model output. The simulated Dst index series is compared with the corresponding observatory data. The model reliabilty is assessed using the skill scores, namely the correlation coefficient CC and the prediction efficiency PE. The results show that the model performance is better for the CME driven storms than for the CIR driven storms. At the same time, it appears that in the case of medium and weak storms the model performance is worse than in the case of intense storms.

  • Název v anglickém jazyce

    Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks

  • Popis výsledku anglicky

    A model of geomagnetic storms based on the method of artificial neural networks (ANN) combined with an analytical approach is presented in the paper. Two classes of geomagnetic storms, caused by coronal mass ejections (CMEs) and those caused by corotating interaction regions (CIRs), of medium and week intensity are subject to study. As the model input, the hourly solar wind parameters measured by the ACE satellite at the libration point L1 are used. The time series of the Dst index is obtained as the model output. The simulated Dst index series is compared with the corresponding observatory data. The model reliabilty is assessed using the skill scores, namely the correlation coefficient CC and the prediction efficiency PE. The results show that the model performance is better for the CME driven storms than for the CIR driven storms. At the same time, it appears that in the case of medium and weak storms the model performance is worse than in the case of intense storms.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    DE - Zemský magnetismus, geodesie, geografie

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Contributions to Geophysics & Geodesy

  • ISSN

    1335-2806

  • e-ISSN

  • Svazek periodika

    45

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    SK - Slovenská republika

  • Počet stran výsledku

    13

  • Strana od-do

    53-65

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-84947800761