Künstliche Intelligenz verbessert Vorhersage von Sonnenstürmen

In einer aktuellen „Space Weather“-Studie konnte ein internationales Team unter der Leitung der Zentralanstalt für Meteorologie und Geodynamik (ZAMG) und des Instituts für Weltraumforschung (IWF) der Österreichischen Akademie der Wissenschaften etablierte Modelle des Sonnenwindes mit neuen Machine-Learning-Algorithmen kombinieren und so die Vorhersage des Weltraumwetters deutlich verbessern.

Sonnensturm-Vorhersagen durch altes (blau) und neues (orange) Modell sowie die gemessenen Werte ( © ZAMG/NASA)

Das Weltraumwetter sorgt nicht nur für beeindruckende Lichtspiele, auch bekannt als Polarlichter, sondern kann auch gehörigen Einfluss auf unsere modernen Technologien nehmen. Sogenannte geomagnetische Stürme können beispielsweise die Stromversorgung, GPS-Systeme und andere Kommunikationssysteme, auf die unsere moderne Gesellschaft angewiesen ist, erheblich beeinflussen. Eine Ausdehnung unserer Raumfahrtprogramme und die zunehmende menschliche Präsenz im Weltraum, wie auf der internationalen Raumstation oder bald wieder auf dem Mond, setzt eine genaue Vorhersage des Sonnenwindes voraus.

Der Sonnenwind ist ein Strom geladener Teilchen, der sich ausgehend von unserem Zentralgestirn in den Weltraum ausbreitet und dabei auch auf das Erdmagnetfeld trifft. Die Vorhersage solcher Sonnenstürme stellt selbst für die fortschrittlichsten physikalischen Modelle ein ungelöstes Problem dar. In den verschiedensten Bereichen wie Finanzen, Logistik oder der klassischen Meteorologie werden mit Methoden der Künstlichen Intelligenz gerade enorme Fortschritte erzielt, wenn es darum geht, zukünftige Entwicklungen vorherzusagen. Eine Anwendung auf den Sonnenwind liegt daher nahe, auch wenn von Raumsonden insgesamt noch deutlich weniger Daten generiert werden als in den anderen genannten Bereichen.

In der neuen Studie suchten Forscher/innen der ZAMG und des IWF Graz in Zusammenarbeit mit dem US Air Force Research Lab und NASA Goddard nach einem neuen Ansatz, um die Vorhersage zu verbessern. „Es ist uns gelungen, Modelle des Magnetfeldes der Sonne mit Algorithmen aus dem Bereich Machine Learning zu kombinieren, um damit die Auswirkungen des Sonnenwindes auf die Erde deutlich besser vorherzusagen, als es bisher möglich war", erläutert ZAMG-Forscherin Rachel Bailey, Erstautorin der Studie. „Wir mussten 25 Jahre an Messungen und Modelldaten untersuchen. Doch die Ergebnisse geben diesem Aufwand mehr als recht", setzt Bailey fort. Die neue Methode reduziert den Fehler in der Geschwindigkeit des Sonnenwindes von 99 km/s auf 78 km/s und verbessert dabei die Vorhersage allgemein um etwa 20%. „Der neue Ansatz ebnet den Weg, um in Zukunft aufwändigere Simulationen des Sonnenwindes in Echtzeit zu optimieren", ergänzt IWF-Forscher und Modellentwickler Martin Reiss.

Das Forschungsprojekt steht unter der Leitung des IWF und wird vom FWF finanziert.

Publikation

R.L. Bailey, M.A. Reiss, C.N. Arge, C. Möstl, M.J. Owens, U.V. Amerstorfer, C.J. Henney, T. Amerstorfer, A.J. Weiss, J. Hinterreiter: Using gradient boosting regression to improve ambient solar wind model predictions, Space Weather, doi: 10.1029/2020SW002673, 2021.