ИСТИНА

В работе исследуется применение методов машинного обучения (нейронные сети, градиентный бустинг) для прогнозирования суточных флуенсов релятивистских электронов (>2 МэВ) на горизонте 1 сутки. Особое внимание уделено влиянию фазы солнечного цикла на качество прогнозов. Показано, что из-за существенных различий в распределении данных и физических взаимосвязях в периоды максимума и минимума солнечной активности оптимальная модель может меняться, что обосновывает необходимость адаптивного подхода к выбору алгоритма. Расчёты проведены на основе параметров солнечного ветра, геомагнитных индексов и исторических данных с использованием специализированной системы «Сивилла» (НИИЯФ МГУ).