Forschende des Know-Centers und des Instituts für Weltraumforschung der österreichischen Akademie der Wissenschaften haben auf Basis von Künstlicher Intelligenz ein Vorhersageinstrument entwickelt, das die Stärke von Sonnenstürmen prognostiziert. Dadurch könnten frühzeitig Vorsorgemaßnahmen eingeleitet und ein Blackout durch einen massiven Sonnensturm verhindert werden.
©NASA/Johns Hopkins APL/Ben Smith
Blackout Gefahr aus dem All
Sonnenstürme sind zwar meist so schwach, dass die Atmosphäre und das Magnetfeld der Erde den Planeten ausreichend davor schützen, doch laut Expertinnen und Experten könnte uns jederzeit ein Sonnensturm treffen und gravierende Auswirkungen auf Stromnetze, Funknetze und Satelliten haben. Rund zehn Prozent aller Satelliten könnten während eines solchen Ereignisses ausfallen. Das würde Probleme in Bereichen verursachen, in denen eine präzise Ortung von Nöten ist, wie im Schiffs- und Flugverkehr. Auch flächendeckende Stromausfälle durch erhöhte Spannungen der Transformatoren sowie Schäden an Unterseekabeln, die zu länderweiten Internet-Ausfällen führen, sind denkbar.
Ein geomagnetischer Sturm entsteht durch die Wechselwirkung des Erdmagnetfeldes mit Sonnenstürmen. Grob vergleichbar ist dies mit Vulkanausbrüchen auf der Erde. Statt Lava werden jedoch Plasmawolken ins All befördert. Im Extremfall können Sonnenstürme in weniger als einem Tag die Erde erreichen. Die Fähigkeit von Sonnenstürmen, extreme geomagnetische Stürme zu verursachen, hängt im Wesentlichen von der Orientierung ihres Magnetfeldes ab, das in der Fachsprache als „Bz-Magnetfeldkomponente“ bezeichnet wird. Dessen relative Orientierung zum Erdmagnetfeld entscheidet, wieviel Energie auf das Erdmagnetfeld übertragen wird. Je stärker die Bz- Komponente nach Süden zeigt, desto größer ist die Gefahr eines massiven geomagnetischen Sturms. Bislang kann die Bz-Magnetfeldkomponente aber nicht mit ausreichender Vorwarnzeit vor dem Eintreffen des Sonnensturms auf der Erde vorhergesagt werden.
Maschinelles Lernen (ML) sorgt für bessere Prognose
„Wir haben auf Basis von maschinellem Lernen ein Prognosewerkzeug entwickelt, das die Bz-Komponente recht gut vorhersagt. Besonders gut funktioniert es, wenn wir Daten der ersten vier Stunden des magnetischen Kerns des Sonnensturms heranziehen. Durch neue Weltraummissionen werden wir in den kommenden Jahren noch mehr Daten erhalten, was die Genauigkeit der Vorhersagen weiter erhöht. Unser Ansatz könnte damit zu einer verbesserten Weltraumwettervorhersage führen und im Falle eines massiven Sonnensturms, könnten betroffene Bereiche künftig frühzeitig gewarnt und größere Schäden verhindert werden“, sagt Hannah Rüdisser vom Know-Center.
Das Programm wurde mit Daten von 348 unterschiedlichen Sonnenstürmen trainiert und getestet, die von den Raumsonden Wind, STEREO-A und STEREO-B seit dem Jahr 2007 gesammelt wurden. Um das Vorhersagewerkzeug in einem experimentellen Echtzeitmodus zu testen, simuliert das Team wie Sonnenstürme von Raumsonden gemessen werden und bewertet wie die kontinuierliche Einspeisung neuer Informationen die Vorhersagen verbessert.
Im nächsten Schritt will das Forschungsteam Sonnenstürme mithilfe von KI-Methoden automatisch im Sonnenwind entdecken. Diese Automatisierung ist nötig, um die Methode zur Bz Vorhersage auch in Echtzeit anwenden zu können, ohne dass ein menschlicher Benutzer die Sonnenstürme laufend identifizieren muss.
Innovation für die Weltraumforschung
Die Ergebnisse wurden kürzlich im Rahmen einer Studie im etablierten Journal „Space Weather“ veröffentlicht. Sie sind Teil des EU-Projektes „Europlanet 2024 – Research Infrastructure“, welches das das Ziel hat, die europäische Forschung auf dem Gebiet der planetaren Wissenschaften stärker zu vernetzen und voranzutreiben.
„Europlanet 2024 beherbergt einen großen Datenschatz, der aus Weltraummissionen, Simulationen und Laborexperimenten stammt. Unser Ziel ist, Wissen, das in diesen Daten steckt, hervorzuholen und nutzbar zu machen. Dafür wollen wir eine Reihe von ML-Tools entwickeln, die Forschende der Planetenwissenschaften bei in ihrer Arbeit unterstützen. Damit können wir eine breitere Nutzung von ML-Technologien in der datengesteuerten Weltraumforschung fördern“, erklärt Rüdisser.
Der Einsatz von künstlicher Intelligenz zur Analyse und Klassifizierung von Planetendatensätzen ist noch relativ neu, gewinnt aber zunehmend an Bedeutung. Maschinelles Lernen ermöglicht Algorithmen zu trainieren, um riesige Datenmengen zu analysieren und daraus Vorhersagen und neue Lösungen abzuleiten. Potenzielle Anwendungen von ML in den Planetenwissenschaft sind im letzten Jahrzehnt explodiert, aber maßgeschneiderte Tools für das Feld sind immer noch selten.
Weitere Informationen:
Studie: Space Weather. Machine Learning for Predicting the Bz Magnetic Field Component From Upstream in Situ Observations of Solar Coronal Mass Ejections. https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021SW002859