Comprendre et prédire l’impact du Soleil sur la Terre est un défi majeur de la recherche en
météorologie de l’espace. Les phénomènes solaires, tels que le vent solaire et les éjections de masse
coronale (Coronal mass ejections ou CMEs en anglais), peuvent déclencher des orages géomagné-
tiques qui peuvent perturber les satellites, les systèmes de communication, la navigation et même
les réseaux électriques au sol. La prévision de ces orages plusieurs jours à l’avance est essentielle
pour réduire les risques sur les infrastructures technologiques modernes.
Au cours de nos travaux, nous visons à améliorer les prévisions de l’activité géomagnétique,
décrite par l’indice géomagnétique Kp, en utilisant des modèles dirigés par les données. Nous nous
sommes appuyés sur le modèle SERENADE, un modèle faisant partie de l’état de l’art actuel qui
prédit l’indice Kp plusieurs jours à l’avance à partir d’images du Soleil. Notre premier objectif est
d’améliorer ce modèle en développant de nouvelles méthodes d’extraction de caractéristiques spé-
cifiquement adaptées à l’imagerie solaire. A cet effet, nous évaluons la capacité de ces méthodes à
capturer avec succès des caractéristiques physiques liées à l’activité du Soleil. Nous effectuons égale-
ment une évaluation approfondie et ciblée des prévisions du modèle SERENADE lors de l’utilisation
des nouvelles méthodes développées.
Dans le deuxième volet de ce travail, nous nous attaquons à un défi majeur dans la prévision de
la météorologie de l’espace : prédire les orages associés aux CMEs. Pour ce faire, nous étudions
comment les différentes propriétés initiales des CMEs influencent l’intensité et le temps d’arrivée
des orages géomagnétiques qui leur sont associés grâce aux techniques d’analyse de sensibilité. Ces
connaissances pourraient contribuer à améliorer les modèles de prévision futurs en les rendant plus
précis lors des événements météorologiques spatiaux les plus graves.
Nos résultats ouvrent la voie à des prévisions améliorées de l’activité géomagnétique plusieurs
jours à l’avance en utilisant des approches basées sur l’apprentissage automatique, en complément
des modèles existants basés sur la physique. |
Understanding and predicting the Sun’s impact on Earth is a key challenge in space weather
research. Solar phenomena, such as the solar wind and Coronal Mass Ejections (CMEs), can
trigger geomagnetic storms that disrupt satellites, communication systems, navigation, and even
power grids on the ground. Forecasting these storms several days in advance is essential for reducing risks to modern technological infrastructure.
In this work, we aim to improve the predictions of the geomagnetic activity, described by the
geomagnetic index Kp, using data-driven techniques. We built on the SERENADE model, a state-
of-the-art model that predicts the Kp index several days in advance from solar imagery. Our first
goal is to enhance this model by developing new feature extraction methods, specifically adapted
to solar imagery. We ensure that these methods successfully capture important information related
to the Sun’s activity. We also conduct a comprehensive evaluation of the SERENADE model’s
predictions targeting different aspects when using the new developed methods.
In the second focus of this work, we address a major challenge in space weather forecasting:
predicting storms driven by CMEs. To do this, we study how different CME initial properties
influence the intensity and arrival time of their associated geomagnetic storms through sensitivity
analysis techniques. This knowledge can help improve future prediction models and make them
more accurate during the most severe space weather events.
Our results pave the way for improved forecasts of geomagnetic activity several days in advance
using Machine Learning-based approaches, complementing existing physics-based models. |