Dérivation des effets de la météorologie de l'espace sur le champ géomagnétique : dérivation automatique de la ligne de base géomagnétique incluant les variations calmes

Determination of space weather effects on the geomagnetic field : an automatic derivation of geomagnetic baselines containing quiet variations

• Auteur / Autrice : Veronika Haberle
• Direction : Aurélie Marchaudon, Aude Chambodut
• Type : Thèse de doctorat
• Discipline(s) : Astrophysique, Sciences de l'Espace, Planétologie
• Date : Soutenance le 13/11/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en astrophysique et planétologie (Toulouse ; 2011-....)
• Jury : Président / Présidente : Vincent Génot
• Jury : Examinateurs / Examinatrices : Roman Leonhardt, Pierdavide Coïsson, Sébastien Trilles
• Jury : Rapporteur / Rapporteuse : Mioara Mandea-Alexandrescu, Monika Korte

Mots clés

Mots clés contrôlés

Intelligence artificielle

Orages magnétiques

Géomagnétisme -- Variations séculaires

Mots clés libres

Indices d'activité magnétique

Météorologie spatiale

Ionosphère

Géomagnétisme

Intelligence artificielle

Magnetic indices

Geomagnetic activity

Ionosphere

Geomagnetism

Artificial intelligence

Résumé

Avec la dépendance croissante à la technologie, les effets de la météorologie spatiale deviennent un risque sociétal non négligeable nécessitant surveillance en temps-réel et prévision. Le champ géomagnétique est directement affecté par les événements solaires. Son état est un indicateur important décrit par les indices d'activité magnétique. Ces indices sont dérivés des mesures des observatoires magnétiques or ces données englobent les contributions de diverses sources dont la proportion varie selon l'activité. Le principal défi est donc la séparation entre la part induite par les orages magnétiques et la ligne de base géomagnétique contenant les contributions des sources en périodes calmes. Cette tâche complexe et longue demeure une étape fondamentale pour la dérivation d'un indice et est idéalement réalisée par un algorithme simple. Celui-ci capture de façon satisfaisante les contributions des sources en périodes calmes sur les séries temporelles d'un réseau étendu d'observatoires magnétiques quelle que soit l'époque. Cette thèse porte sur l'exploration de nouvelles méthodologies de détermination de telles lignes de base géomagnétiques adaptées à des applications en temps quasi réel. La première et principale partie du présent manuscrit décrit une nouvelle méthode de détermination des lignes de base géomagnétiques en suivant des méthodologies conventionnelles, tandis que la seconde partie étudie l'utilisation de l'intelligence artificielle. Dans la première partie, les techniques de filtrage du signal sont utilisées sur les séries temporelles pour déterminer automatiquement les contributions des sources en période calme - la ligne de base du filtre. Une analyse physique exhaustive prenant en compte les mesures effectuées entre 1991 et 2019 confirme que les plus importantes de ces contributions aux latitudes moyennes et basses sont représentées avec précision. Il s'agit notamment de la variation séculaire, du champ crustal rémanent et du système de courant solaire calme. Un résultat significatif est que la variabilité journalière intrinsèque du système de courant solaire calme est correctement contenue dans la ligne de base du filtre. Cependant, l'analyse révèle également la présence de signatures dues aux orages magnétiques. Tout d'abord, un algorithme détecte automatiquement les périodes perturbées à l'aide de l'approche de filtrage et des valeurs de résidus obtenues par soustraction de la ligne de base du filtre. Ensuite, pendant ces intervalles identifiés, un ensemble de lignes de base de substitution possibles, basées sur des modèles analytiques décrivant les variations des différentes sources en périodes calmes, est déduit. Les comparaisons suggèrent que l'utilisation simple des variations des jours précédant les perturbations permet d'obtenir des lignes de base appropriées. L'utilisation de cette ligne de base de substitution permet d'obtenir la ligne de base géomagnétique finale. Cette dernière montre de bonnes concordances avec les lignes de base existantes et peut être utilisée pour les observatoires situés à des latitudes moyennes ou basses. Comme l'algorithme n'utilise aucune information a priori mais uniquement les mesures du champ magnétique et que chacune des étapes est entièrement automatisée, la méthodologie est adaptée aux applications opérationnelles en temps quasi réel et au déploiement pour des applications de surveillance et prévision. Dans la seconde partie, l'application de l'intelligence artificielle pour la détermination des variations en période calme est étudiée. Un algorithme de forêt aléatoire est utilisé pour identifier les facteurs et paramètres importants de ces variations, suivi par l'utilisation de réseaux de neurones à mémoire à long terme pour reproduire et retrouver ces paramètres. Les premiers résultats montrent des possibilités prometteuses pour la dérivation de lignes de base avec le soutien de l'intelligence artificielle et ouvrent la voie à de futurs travaux.

With increasing dependence on technology, the effects of space weather are becoming a significant societal risk raising the need for real-time monitoring and forecasting. The geomagnetic field being affected directly by solar events is an important proxy which state is described by magnetic indices. These indices are based on magnetic observatory measurements which encompass contributions of various sources. The main challenge is thus the separation of these with the extraction of the storm-induced portion being a complex and time consuming task. The geomagnetic baseline contains the non-storm share - or the quiet sources - within magnetic field measurements and is a fundamental part to be taken into account for the derivation of any such index. Its determination is ideally done by a simple algorithm which captures quiet sources well, while being applicable to an extensive network of magnetic observatories independent of the considered epoch. This thesis is concerned with the exploration of novel methodologies that determine such geomagnetic baselines suitable for near-real time applications. The horizontal components of magnetic field measurements from observatories situated in mid- to low latitudes are leveraged for this purpose. The first and main part of the present manuscript deals with the introduction of a baseline approach based on conventional methodologies while the second part investigates the utilisation of artificial intelligence. In the main part, signal filtering techniques are leveraged to automatically determine quiet variations of the geomagnetic field - the filter baseline. An exhaustive physical analysis taking into account measurements between 1991 and 2019 confirms that the most important quiet sources in mid- and low-latitudes are accurately represented. These include the secular variation and the solar quiet current system. A significant finding is that the intrinsic day-to-day variability of the solar quiet current system is accurately contained within the filter baseline. However, the analysis also reveals that storm signatures are present. To overcome this drawback, the filter baseline is replaced during disturbances. First, an algorithm automatically detects disturbances with the aid of the filtering approach and the residuals using the filter baseline. Second, during the identified intervals a set of possible substitution baselines based on analytical models describing quiet variations is deduced. Comparisons suggest that using variations from days prior to disturbances hold suitable quiet variations. Using the substitution baseline during identified disturbances on the filter baseline holds the final geomagnetic baseline which shows good agreements with existing ones and thus can generally be used for mid- to low-latitude observatories. As the algorithm only uses magnetic field measurements and any of its steps is fully automated, it is adapted for operational near-real time applications and the deployment in now- and forecasting environments. In the second part, the application of artificial intelligence for the determination of quiet variations is investigated. A random forest algorithm is used to identify important drivers of these variations, followed by the use of Long-Short Term Memory neural networks to reproduce them. First results show promising possibilities for the derivation of baselines with the support of AI and pave the way for future work.