Development of Method for Analyzing and Forecasting Thermospheric Density Using GRACE-FO Satellite Data During the Period 2018 - 2022

Abstract

Space technology missions are significantly impacted by the magnetic variations of the Sun, which affect the design of launch missions to the safe landing of spacecraft on Earth. To better understand the potential effects of atmospheric drag induced by the variation in thermospheric density caused, this work investigates and present predictions of this variation under disturbed and quiet conditions from 2018 to 2022 using data from the GRACE-FO 1, Swarm-A and Swarm-B satellites. Correlation coefficient shows a complex and non-linear relationship between the thermospheric density and the geomagnetic index (SymH and ap60 index) and solar index (F10.7 and Mg II index). Thermospheric density during the quiet time of geomagnetic storms tends to decrease as altitude rises. Autumn has the highest average density during the minimum phase, while summer has the lowest values. The average density is the highest in the spring and the lowest in the fall during the rising phase. Comparing geomagnetic storms driven by high-speed solar wind streams (HSS) and those driven by coronal mass ejection (CME), it was found that HSS driven storms cause a weak but sustained thermospheric density enhancements, while CME-driven storms cause a sudden and sharp thermospheric density enhancement that is consistent with auroral activity at high latitudes. The thermospheric density responses at various altitudes shows that CME events respond more rapidly than HSS events. This work uses the Linear Superposition (LSP) and Multi-Layer Perceptron (MLP) methods to synthesize thermospheric density data for density prediction from the geomagnetic index and solar indices. Empirical mode decomposition (EMD) is used to decompose the Ap, F10.7, and Mg II indices into Intrinsic Mode Functions (IMF), with each index having up to 7 IMFs. This result shows that using the MLP neural network is more efficient than the numerical method with LSP. Thermospheric density variations are predicted using two deep learning methods: Bidirectional Long Short-Term Memory (Bi-LSTM) and Gated Recurrent Unit (GRU). This process uses EMD to decompose IMF of thermospheric density data at different frequencies. The results of this process show that ρ, IMF-1, 2, 3, SymH and ap60 are most suitable as input features to the model of minimum phase, while ρ, IMF-1, 2, 3, SymH, ap60, F10.7 and Mg II are most suitable as input features to the model of rising phase. The GRU has better prediction performance than the Bi-LSTM and is more effective during the period of rising phase than minimum phase. In addition, this research compares the prediction performance of the models and analyzes the case studies of four events on different geomagnetic conditions: CME event, SIR-HSS event, Quiet event, and CME-CME event. In the above case studies, the first three events are in the minimum phase while the CME-CME events are in the rising phase. Hourly forecasting in this research results show that Bi-LSTM and GRU are more suitable than NRLMSIS 2.0 model. This study provides valuable insights for researchers and operators interested in modeling thermospheric density variations, a key factor for high-value space technologies. It also expands basic knowledge on explaining the causes of satellite drag.

ภารกิจด้านเทคโนโลยีอวกาศได้รับผลกระทบอย่างมากจากการผันแปรสนามแม่เหล็กของดวงอาทิตย์ ซึ่งส่งผลต่อการออกแบบภารกิจทั้งการส่งยานอวกาศ การลงจอดและการโคจรของดาวเทียมอย่างปลอดภัย เพื่อให้เข้าใจถึงผลกระทบที่เกิดจากการลากในชั้นบรรยากาศเนื่องจากการผันแปรของความหนาแน่นเทอร์โมสเฟียร์ งานวิจัยนี้ได้ตรวจสอบและนำเสนอการพยากรณ์การผันแปรความหนาแน่นเทอร์โมสเฟียร์ระหว่างช่วงที่สนามแม่เหล็กโลกถูกรบกวนและช่วงที่สนามแม่เหล็กโลกเงียบสงบตั้งแต่ปี ค.ศ. 2018 ถึง ค.ศ. 2022 โดยใช้ข้อมูลจากดาวเทียม GRACE-FO 1 ดาวเทียม Swarm-A และ Swarm-B การวิเคราะห์ค่าสัมประสิทธิ์สหสัมพันธ์แสดงความสัมพันธ์ที่ซับซ้อนและไม่เป็นเชิงเส้นระหว่างความหนาแน่นเทอร์โมสเฟียร์กับดัชนีแม่เหล็กโลก (ดัชนี SymH และดัชนี ap60) และดัชนีสุริยะ (ดัชนี F10.7 และดัชนี Mg II) ค่าความหนาแน่นเทอร์โมสเฟียร์ในช่วงเวลาเงียบสงบของพายุแม่เหล็กโลกมีแนวโน้มลดลงตามระดับความสูงที่เพิ่มขึ้น ในช่วงกัมมันตภาพสุริยะต่ำสุดความหนาแน่นเฉลี่ยในฤดูใบไม้ร่วงมีค่ามากที่สุดตรงข้ามกับฤดูร้อนที่มีค่าต่ำสุด ในช่วงกัมมันตภาพสุริยะกำลังเพิ่มขึ้นความหนาแน่นเฉลี่ยในฤดูใบไม้ผลิมีค่ามากที่สุดตรงข้ามกับฤดูใบไม้ร่วงที่มีค่าต่ำสุด การเปรียบเทียบพายุแม่เหล็กโลกที่มีตัวขับเคลื่อนเป็นกระแสลมสุริยะความเร็วสูง (high-speed solar wind streams; HSS) และการพ่นมวลคอโรนา (coronal mass ejection; CME) พบว่าเหตุการณ์ HSS ทำให้ความหนาแน่นเทอร์โมสเฟียร์เพิ่มขึ้นเล็กน้อยแต่คงสภาวะการเพิ่มขึ้นเป็นช่วงเวลายาวนานในขณะที่เหตุการณ์ CME ทำให้ความหนาแน่นเทอร์โมสเฟียร์เพิ่มขึ้นอย่างมากและเพิ่มขึ้นอย่างฉับพลันสอดคล้องกับกิจกรรมการเปล่งแสงออโรร่า ณ บริเวณละติจูดสูง เหตุการณ์ CME มีการตอบสนองที่รวดเร็วกว่าเหตุการณ์ HSS งานวิจัยนี้ใช้วิธี Linear Superposition (LSP) และวิธี Multi-Layer Perceptron (MLP) ในการสังเคราะห์ข้อมูลความหนาแน่นเทอร์โมสเฟียร์เพื่อใช้สำหรับการทำนายค่าความหนาแน่นจากดัชนีสนามแม่เหล็กโลกและดัชนีสุริยะ ใช้การแยกข้อมูลเชิงประจักษ์ (Empirical Mode Decomposition; EMD) แยกข้อมูลดัชนี Ap ดัชนี F10.7 และดัชนี Mg II ออกเป็นดัชนีละ 7 ฟังก์ชันโหมดแท้จริง (Intrinsic Mode Functions; IMF) พบว่าการใช้โครงข่ายประสาทเทียมวิธี MLP มีประสิทธิภาพมากว่าการคำนวณเชิงตัวเลขด้วยวิธี LSP การพยากรณ์การผันแปรความหนาแน่นเทอร์โมสเฟียร์ด้วยการเรียนรู้เชิงลึก 2 วิธี คือวิธี Bidirectional Long Short-Term Memory (Bi-LSTM) และวิธี Gated Recurrent Unit (GRU) ใช้ EMD แยกข้อมูลความหนาแน่นเทอร์โมสเฟียร์เป็น IMF ที่มีความถี่แตกต่างกัน พบว่า ρ, IMF-1, 2, 3, SymH และ ap60 เหมาะสมที่สุดสำหรับเป็นพารามิเตอร์สำหรับป้อนเข้าในแบบจำลองในช่วงกัมมันตภาพสุริยะต่ำสุด ในขณะที่ ρ, IMF-1, 2, 3, SymH, ap60, F10.7 และ Mg II เหมาะสมที่สุดสำหรับเป็นพารามิเตอร์สำหรับป้อนเข้าในแบบจำลองในช่วงกัมมันตภาพสุริยะกำลังเพิ่มขึ้น แบบจำลอง GRU มีประสิทธิภาพการพยากรณ์ดีกว่าแบบจำลอง Bi-LSTM และมีประสิทธิภาพในช่วงกัมมันตภาพสุริยะกำลังเพิ่มขึ้นมากกว่าในช่วงกัมมันตภาพสุริยะต่ำสุด งานวิจัยนี้ได้ทำการเปรียบเทียบประสิทธิภาพการพยากรณ์ของแบบจำลองและการวิเคราะห์กรณีศึกษาทั้ง 4 เหตุการณ์ในสภาวะแม่เหล็กโลกที่แตกต่างกันได้แก่เหตุการณ์ CME เหตุการณ์ SIR-HSS เหตุการณ์ Quiet และเหตุการณ์ CME-CME โดยสามเหตุการณ์แรกอยู่ในช่วงกัมมันตภาพสุริยะต่ำสุดในขณะที่เหตุการณ์ CME-CME อยู่ในช่วงกัมมันตภาพสุริยะกำลังเพิ่มขึ้น การพยากรณ์แบบรายชั่วโมงในงานวิจัยนี้แสดงให้เห็นว่าแบบจำลอง Bi-LSTM และแบบจำลอง GRU มีความเหมาะสมมากกว่าแบบจำลอง NRLMSIS 2.0 การศึกษานี้ให้ข้อมูลเชิงลึกที่มีคุณค่าสำหรับนักวิจัยและผู้ประกอบการที่สนใจในการสร้างแบบจำลองการผันแปรความหนาแน่นเทอร์โมสเฟียร์ซึ่งเป็นปัจจัยสำคัญสำหรับเทคโนโลยีอวกาศที่มีมูลค่าสูง อีกทั้งยังขยายองค์ความรู้พื้นฐานเพื่ออธิบายสาเหตุของการลากดาวเทียม