초록 ▼

• 태양흑점 폭발확률 예측모델 개발
- 1997~2011 SOHO MDI 자료 수집
- SOHO자료에 대해 51,775개의 흑점물리량 산출
- 흑점추적 알고리즘 개발: 4,487개의 흑점 추적
- SOHO ASSA 아카이브 구축
- SOHO ASSA 아키이브 조회 웹페이지 개발
- ASSA 국제배포버전 개발
- 코로나홀 및 필라멘트 자동인식 모델 개발
- NASA CCMC에 ASSA 제공
- 흑점 물리량을 이용한 다중선형회귀를 이용한 플레어 클래스별 흑점 폭발확률 예측 모델 개발

• 태양흑점 폭발확률 예측모델 개발
- 1997~2011 SOHO MDI 자료 수집
- SOHO자료에 대해 51,775개의 흑점물리량 산출
- 흑점추적 알고리즘 개발: 4,487개의 흑점 추적
- SOHO ASSA 아카이브 구축
- SOHO ASSA 아키이브 조회 웹페이지 개발
- ASSA 국제배포버전 개발
- 코로나홀 및 필라멘트 자동인식 모델 개발
- NASA CCMC에 ASSA 제공
- 흑점 물리량을 이용한 다중선형회귀를 이용한 플레어 클래스별 흑점 폭발확률 예측 모델 개발
• CME 분석모델 개발
- SOHO LASCO 및 STEREO 위성자료를 이용한 CME 발생 자동인식 및 3차원 물리량
(속도, 방출 방향, 방출폭 및 발생 시각) 자동 분석 알고리즘 개발
- ENLIL 입력 자료를 위한 자료 생산
- ACE 밀도, 속도, 자기장 관측 자료를 이용한 CME shock 자동인식 모델 개발
- CME shock 과 Sudden Impulse(SI) 상관관계 분석
- CME shock 발생에 따른 SI의 예상시간 및 강도 예측모델 개발
• 경험적 태양입자 모델 개발
- 태양 플레어 및 CME 정보를 이용하여 기계학습 기법인 MLP 및 SVM을 이용한 경험적 태양입자 예측 모델 개발

Abstract ▼

In this research, we developed various algorithms for the prediction on space environments. This research can be categorized into 3 subjects, solar flare prediction model, CME analysis model, and empirical prediction model for solar energetic particle events.
In developing model for solar flare p

In this research, we developed various algorithms for the prediction on space environments. This research can be categorized into 3 subjects, solar flare prediction model, CME analysis model, and empirical prediction model for solar energetic particle events.
In developing model for solar flare prediction, SOHO MDI continuum and magnetogram images were collected for the past 15 years(1996.5 ~ 2011.1) covering more than 1 solar cycle(~11 years). Then continuum and magnetogram images were matched based on observation time within 5 minutes. The number of total image pairs was 13,581. These images pairs were processed through ASSA(Automatic Solar Synoptic Analyzer) algorithms for SOHO images and in this process, we identified 51,775 solar active regions.
In this process, various physical parameters were derived for each solar active regions as position(heliographic longitude and latitude), number of sunspots, number of sunspot with penumbra, asymmetry measure of the largest penumbral sunspot, N-S diameter of the largest sunspot with penumbra, area of sunspot groups, magnetic polarity ratio, number of magnetic neutral lines, roughness of magnetic neutral lines. The active region tracing algorithms were developed and 4,487 solar active regions were traced and SOHO solar active region archive were constructed.
Then we matched these active regions to flare occurred within 12 hours, in which the flare occurrence data were from NOAA SRS(Solar Region Summary). We have investigated the statistical relationship of the solar active regions to predict the solar flare event analyzing the sunspot catalogue, which has been newly constructed from the SOHO MDI observation data during the period from 1996 to 2011 (Solar Cycle 23 & 24) by ASSA algorithms. The prediction equation of flare probability has been made by multi-linear regression method to establish a short-term flare prediction model for operational use in near future.
For the purpose of public use of ASSA, ASSA GUI version and ASSA distribution and feedback site were developed. The ASSA GUI program can be executed in multi-platform, Windows and Mac OS X and everyone can download this program from the ASSA site(http://www.spaceweather.go.kr/assa). In this program, users can process SDO data on any given date and time by step-by-step.
CME analysis model is consist of 3 subject, first, automatic CME detection using corona graph, CME shock detection using ACE data, and SI detection using magnetogram data of Icheon observatory.
In CME detection model, first, SOHO LASCO and STEREO A, B COR2 images are collected. Then corona graph images were converted to polar coordinate and made to data cube with dimension of [r, theta, time]. Using these data cube, coronal background were subtracted and CME front candidate are automatically identified. By combining these CME front through hierarchical clustering method, we derived CME parameters like time of onset CME, velocity, position angle and width for individual SOHO and STEREO data. These parameters are projected values. Then these CME parameters for each satellite were matched and un-projected CME parameters like time of onset CME, CME velocity in real space, CME direction (theta, phi in spherical coordinates), and CME cone width, were derived under geometrical approximation. These parameters were converted to time at 21.5 solar radius, velocity, longitude and latitude, cone width for ENLIL input parameters. This could be used for ENLIL model input.
Using real time observation data of ACE satellite which is positioned at L1 point, we developed CME shock detection algorithm, in which CME shock defined when the velocity difference jump to 25 km/s and density jump to 1.2 times compare to the previous. In order to false detection due to ACE swepam data errors, we included criteria which IMF(Interplanetary Magnetic Field) Bt must have increasement by 1.2 time also. Then the ACE data and the magnetogram data observed at Icheon were combined to derive the estimation of SI event due to CME shock. The relationship between CME shock detected in ACE and SI event was not closely correlated, thus we assumed that the strength of SI event as 1/10 of density increasement.
The automatic SI event detection algorithm were developed using Icheon magnetogram data. We defined SI event when H-component increase by 4 nT in one minutes and D-component increase by 2 nT.
The empirical SPE prediction model was developed using multi-layer neural network. The input parameters for SPE prediction were near real time flare information presented at SolarSoft of Lockheed Martin, flare strength, location of flare, and rise time of flare, and CME velocity connected to a given flare which is provided by CACTUS SIDC. Only for the M-class and X-class flares were considered and the output parameters of SPE model are SPE event class and probability.

목차 Contents

• 제 출 문 ... 1
• 보고서 요약서 ... 2
• 요 약 문 ... 3
• SUMMARY ... 8
• CONTENTS ... 11
• 목 차 ... 14
• 표 차례 ... 16
• 그림 차례 ... 17
• 제 1 장 연구개발과제의 개요 ... 21
• 제 1 절 개요 ... 21
• 1. 사업명 ... 21
• 2. 사업기간 ... 21
• 3. 소요예산 ... 21
• 제 2 절 추진배경 및 필요성 ... 21
• 1. 우주전파재난 대응체계 확립 ... 21
• 2. 선진국 수준의 분석․예측능력 기술력 제고 ... 21
• 3. 우주전파환경에 대한 정책환경 변화 ... 21
• 제 3 절 추진목표 ... 22
• 제 4 절 기대효과 ... 22
• 제 5 절 연구 목표 ... 22
• 1. 태양흑점 폭발확률 예측모델 개발 ... 22
• 2. CME 분석 모델 개발 ... 25
• 3. 경험적 태양입자 예측모델 개발 ... 26
• 제 2 장 국내외 기술개발 현황 ... 28
• 제 1 절 국내 기술개발 현황 ... 28
• 제 2 절 국외 기술개발 현황 ... 28
• 제 3 장 연구개발수행 내용 및 결과 ... 29
• 제 1 절 태양흑점 폭발확률 예측 모델 개발 ... 29
• 1. 과거자료 수집 및 흑점 물리량 아카이브 구축 ... 29
• 2. 새로운 태양흑점 폭발 확률 예측 기법 개발 ... 36
• 3. ASSA 흑점군 vs. 플레어 매칭 결과의 활용 ... 40
• 4. 흑점 물리량 아카이브 구축 ... 50
• 5. ASSA 국제 버전 개발 ... 51
• 6. 코로나홀의 자동 인식 모델 개발 ... 62
• 7. 필라멘트의 자동 인식 모델 개발 ... 67
• 제 2 절 CME 분석 모델 개발 ... 70
• 1. 개요 ... 70
• 2. 선행 연구 분석 ... 72
• 3. CME 자동 검출을 위한 자료 분석 및 타당성 검토 ... 74
• 4. CME 자동 검출을 위한 설계 ... 76
• 5. 자료 수집 ... 77
• 6. 자료 전처리 ... 79
• 7. CME 검출 ... 83
• 8. 2차원 CME 물리량 도출 ... 86
• 9. 3차원 CME 물리량 도출 ... 88
• 10. CME 정보의 ENLIL 연계 ... 91
• 11. 결과 ... 92
• 12. CME Shock 인식 기법 개발 ... 93
• 13. Sudden Impulse 예측 모델 개발 ... 96
• 제 3 절 경험적 태양입자 예측 모델 개발 ... 100
• 1. 경험적 태양입자 예측 모델 개발 ... 100
• 2. 예측 결과 표출 및 검증 서비스 개발 ... 112
• 제 4 장 목표달성도 및 관련분야에의 기여도 ... 116
• 제 1 절 태양흑점 폭발확률 예측 모델 개발 ... 116
• 1. SOHO 자료수집 및 아카이브 구축 ... 116
• 2. 시간단위 태양흑점 분석을 통한 폭발 예측 기법 개발 ... 117
• 3. 흑점 물리량 자료 저장 및 대외 교류 시스템 구축 ... 117
• 4. ASSA 개선 및 국제 버전 개발 ... 118
• 5. 코로나홀 자동 인식 모델 개발 및 운용 ... 119
• 6. 필라멘트 자동 인식 모델 개발 및 운용 ... 120
• 7. 입출력 자료 관리 및 모델 운영 상황 관리 인터페이스 개발 ... 121
• 제 2 절 CME 분석 모델 개발 ... 121
• 1. CME shock 자동 인식 ... 121
• 2. Sudden Impulse 예측 ... 122
• 3. Sudden Impulse 인식 ... 122
• 제 3 절 경험적 태양 입자 예측 모델 개발 ... 123
• 1. 예측 모델 개발 ... 123
• 2. 예측 결과 및 검증 결과 표출 ... 125
• 제 5 장 연구개발결과의 활용계획 ... 126
• 제 1 절 태양흑점 폭발확률 예측 모델 개발 ... 126
• 제 2 절 CME 분석 모델 개발 ... 126
• 제 3 절 경험적 태양 입자 예측 모델 개발 ... 126
• 제 6 장 연구개발과정에서 수집한 해외과학기술정보 ... 127
• 제 7 장 연구시설ㆍ장비 현황 ... 128
• 제 1 절 서버 및 스토리지 ... 128
• 제 8 장 참고문헌 ... 129
• 끝페이지 ... 130