ИСТИНА

На геостационарной орбите находятся множество спутников различного назначения — научные, военные, телекоммуникационные, метеорологические. Во время магнитных бурь потоки релятивистских электронов на геостационарной орбите (ГСО, около 6.6 Re) могут возрастать до 10^5 электронов/ср/с. Такие энергичные электроны способны вызывать сбои в электронике спутников за счет глубокой диэлектрической зарядки, что приводит к временной или постоянной потере функций спутника, например, к прерыванию связи и снижению точности навигации. Больше 50% сбоев спутников на ГСО между мартом 1992 и апрелем 1994 вызвано аккумуляцией релятивистских электронов. Оповещения о событиях усиления релятивистских электронов активируются, когда суточный поток электронов с энергией ≥2 МэВ на ГСО превышает 10^8 см^2/ср/день. Таким образом, прогнозирование потоков релятивистских электронов на геостационарной орбите имеет важное научное и практическое значение для предотвращения угроз на космических приборах. В настоящей работе для периода с 2014 по 2020 гг. разработаны модели классического машинного обучения, основанные на алгоритмах градиентного бустинга, и глубокого обучения на основе рекуррентной нейронной сети со слоями LSTM. Показано, что CatBoost является наилучшим алгоритмом среди методов классического машинного обучения, а LSTM — наилучшей моделью среди всех рассмотренных. Точность прогнозирования R2 нейросетевой модели для первого, второго и третьего дня составляет 0.89, 0.71 и 0.53. Также показан вклад каждого входного параметра для каждого дня прогнозирования.