APA - Austria Presse Agentur

Forscher verbessern mit KI Sonnenwind-Vorhersagen

17. Juni 2021 · Lesedauer 3 min

Zu einer rund 20 Prozent verbesserten Vorhersage des Weltraumwetters, respektive der Sonnenwinde, gelangte ein internationales Team unter der Leitung österreichischer Wissenschafter. Sie kombinierten dabei Modelle zur Sonnenwind-Vorhersage mit Methoden des Maschinellen Lernens bzw. Künstlicher Intelligenz (KI). Das könnte dabei helfen, die auch auf der Erde spürbaren Auswirkungen von koronalen Massenauswürfen besser einzuschätzen.

Die Sonne befördert durchgehend geladene Teilchen mit hoher Geschwindigkeit ins All. Der schnelle Sonnenwind kann mitunter mit bis zu 800 Kilometern pro Sekunde in Richtung unseres Heimatplaneten wehen, wie Martin Reiss vom Institut für Weltraumforschung (IWF) der Österreichischen Akademie der Wissenschaften (ÖAW) in Graz im Gespräch mit der APA erklärte. Er leitete zusammen mit Rachel Bailey von der Zentralanstalt für Meteorologie und Geodynamik (ZAMG) die nun im Fachjournal "Space Weather" veröffentlichte Studie.

Das Teilchen-Bombardement auf das schützende Magnetfeld der Erde kann mitunter auch Auswirkungen auf das Leben am Boden haben. Je stürmischer sich das Weltraumwetter zeigt, desto eher wird es zur Gefahr für Technologien. So können die hochenergetischen Teilchen in die Erdatmosphäre eindringen und elektromagnetische Störungen verursachen, die etwa den Flugverkehr und das Funktionieren von Stromnetzen gefährden. Vorhersagen des Weltraumwetters werden auch wichtiger, da immer mehr Satelliten um die Erde kreisen.

Die Nachfrage nach besseren Systemen zur Vorhersage des Sonnenwindes sei dementsprechend "sehr groß", sagte Reiss. Die besten aktuellen Modelle gehen davon aus, dass die groben Bedingungen auf der Sonne innerhalb einer vollen Rotation der Sonne im Bezug zur - sich natürlich selbst um die Sonne bewegenden - Erde in etwa gleich bleiben. Dieser Zeitraum umfasst immerhin rund 27 Tage. Das sei "bei weitem nicht befriedigend, wenn man bedenkt, wie viel Entwicklung hier schon drinnen steckt", so der Forscher.

Ein großer Vorteil der aktuellen Arbeit sei, dass man den Ansatz in gängige Modelle recht rasch einbauen könne. "Wir haben erstmals Modelle des Magnetfeldes der Sonne mit Machine Learning kombiniert", erklärte Reiss. Die Daten, an denen der KI-Algorithmus lernt, kommen von Magnetfeldmessungen der Sonne, die auf der Erde von einem globalen Netzwerk registriert werden. Damit werden auch die herkömmlichen Vorhersagemodelle gefüttert.

In Zusammenarbeit mit dem US Air Force Research Lab und dem NASA Goddard Forschungslabor setzten die Wissenschafter einen Machine Learning-Algorithums mit auf die Frage an, wie das Magnetfeld der Erde mit dem Sonnenwind über die Zeit zusammenwirkt. "Das hat uns in Kombination mit einem Magnetfeld-Modell der Sonne ermöglicht, Vorhersagen zu treffen, wie sich der Sonnenwind in Zukunft verhalten wird", erklärte der Wissenschafter. Das so optimierte System ließ das Team über Daten von zwei Sonnenzyklen von jeweils rund elf Jahren trainieren und dann Vorhersagen treffen. Die Ergebnisse "geben diesem Aufwand mehr als recht", so Bailey. Es zeigte sich nämlich, dass die Verbesserung der Vorhersage ungefähr im Bereich von 20 Prozent liegt. Demnach reduziert sich der Fehler in der Geschwindigkeitsprognose des Sonnenwindes im Schnitt von 99 auf 78 Kilometer pro Sekunde.

Dies bringe auch neue Optionen für die Vorhersage von koronalen Masseauswürfen (CME, Coronal Mass Ejection). Dabei werden riesige Felder von sich sehr schnell bewegendem magnetisierten Sonnenplasma in den vom Sonnenwind ausgefüllten interplanetaren Raum geschleudert. "Es ist in der Forschung bekannt, dass die Ausbreitung der CMEs auch stark von den Bedingungen im Weltraum zu dem Zeitpunkt abhängig ist", sagte Reis: "Wenn wir den Sonnenwind besser vorhersagen können, können wie auch die Ausbreitung von CMEs besser vorhersagen." Diese Auswürfe können tatsächlich Positionierungssysteme, Satelliten oder Transformatoren schädigen.

(S E R V I C E - https://doi.org/10.1029/2020SW002673)

Quelle: Agenturen