dor_id: 4102220

506.#.#.a: Público

590.#.#.d: Cada artículo es evaluado mediante una revisión ciega única. Los revisores son externos nacionales e internacionales.

510.0.#.a: Consejo Nacional de Ciencia y Tecnología (CONACyT), Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal (Latindex), Scientific Electronic Library Online (SciELO), SCOPUS, Web Of Science (WoS)

561.#.#.u: http://www.geofisica.unam.mx/

650.#.4.x: Físico Matemáticas y Ciencias de la Tierra

336.#.#.b: info:eu-repo/semantics/article

336.#.#.3: Artículo de Investigación

336.#.#.a: Artículo

351.#.#.6: http://revistagi.geofisica.unam.mx/index.php/RGI

351.#.#.b: Geofísica Internacional

351.#.#.a: Artículos

harvesting_group: RevistasUNAM

270.1.#.p: Revistas UNAM. Dirección General de Publicaciones y Fomento Editorial, UNAM en revistas@unam.mx

590.#.#.c: Open Journal Systems (OJS)

270.#.#.d: MX

270.1.#.d: México

590.#.#.b: Concentrador

883.#.#.u: http://www.revistas.unam.mx/front/

883.#.#.a: Revistas UNAM

590.#.#.a: Coordinación de Difusión Cultural

883.#.#.1: https://www.publicaciones.unam.mx/

883.#.#.q: Dirección General de Publicaciones y Fomento Editorial, UNAM

850.#.#.a: Universidad Nacional Autónoma de México

856.4.0.u: http://revistagi.geofisica.unam.mx/index.php/RGI/article/view/2104/1763

100.1.#.a: Vega Jorquera, Pedro; A. Lazzús, Juan; Rojas, Pedro

524.#.#.a: Vega Jorquera, Pedro, et al. (2018). GA-optimized neural network for forecasting the geomagnetic storm index. Geofísica Internacional; Vol. 57 No. 4, 2018; 239-251. Recuperado de https://repositorio.unam.mx/contenidos/4102220

245.1.0.a: GA-optimized neural network for forecasting the geomagnetic storm index

502.#.#.c: Universidad Nacional Autónoma de México

561.1.#.a: Instituto de Geofísica, UNAM

264.#.0.c: 2018

264.#.1.c: 2018-10-01

653.#.#.a: Dst index; Forecast; Geomagnetic storm; Time series; Artificial neural network; Genetic algorithm; Índice Dst; Pronóstico; Tormenta geomagnética; Serie temporal; Red neuronal artificial; Algoritmo genético

506.1.#.a: La titularidad de los derechos patrimoniales de esta obra pertenece a las instituciones editoras. Su uso se rige por una licencia Creative Commons BY-NC-ND 4.0 Internacional, https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.es, fecha de asignación de la licencia 2018-10-01, para un uso diferente consultar al responsable jurídico del repositorio por medio de revistagi@igeofisica.unam.mx

884.#.#.k: http://revistagi.geofisica.unam.mx/index.php/RGI/article/view/2104

001.#.#.#: oai:ojs.ojs.geofisica.unam.mx:article/2104

041.#.7.h: eng

520.3.#.a: Se desarrolló un método que combina una red neuronal artificial y un algoritmo genético (ANN+GA) con el fin de pronosticar el índice de tiempo de perturbación de tormenta (Dst). A partir de esta técnica, la ANN fue optimizada por GA para actualizar los pesos de la ANN y para pronosticar el índice Dst a corto plazo de 1 a 6 horas de antelación usando los valores de la serie temporal del índice Dst y del índice de electrojet auroral (AE). La base de datos utilizada contiene 233,760 datos de índices geomagnéticos por hora desde 00 UT del 01 de enero de 1990 hasta las 23 UT del 31 de agosto de 2016. Se analizaron diferentes topologías de ANN y se seleccionó la arquitectura óptima. Se encontró que el método propuesto ANN+GA puede ser adecuadamente entrenado para pronosticar Dst (t+1 a t+6) con una precisión aceptable (con errores cuadrático medio RMSE?10nT y coeficientes de correlación R?0.9), y que los índices geomagnéticos utilizados tienen efectos influyentes en la buena capacidad de entrenamiento y predicción de la red elegida. Los resultados muestran una buena aproximación entre las variaciones medidas y modeladas de Dst tanto en la fase principal como en la fase de recuperación de una tormenta geomagnética.

773.1.#.t: Geofísica Internacional; Vol. 57 No. 4 (2018); 239-251

773.1.#.o: http://revistagi.geofisica.unam.mx/index.php/RGI

046.#.#.j: 2020-10-20 00:00:00.000000

022.#.#.a: 0016-7169

310.#.#.a: Trimestral

264.#.1.b: Instituto de Geofísica, UNAM

758.#.#.1: http://revistagi.geofisica.unam.mx/index.php/RGI

handle: 00d441625f7cc00f

harvesting_date: 2020-09-23 00:00:00.0

856.#.0.q: application/pdf

file_modification_date: 2020-09-15 03:36:54.0

last_modified: 2020-10-21 00:00:00

license_url: https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.es

license_type: by-nc-nd

No entro en nada

No entro en nada 2

Artículo

GA-optimized neural network for forecasting the geomagnetic storm index

Vega Jorquera, Pedro; A. Lazzús, Juan; Rojas, Pedro

Instituto de Geofísica, UNAM, publicado en Geofísica Internacional, y cosechado de Revistas UNAM

Licencia de uso

Procedencia del contenido

Entidad o dependencia
Instituto de Geofísica, UNAM
Revista
Repositorio
Contacto
Revistas UNAM. Dirección General de Publicaciones y Fomento Editorial, UNAM en revistas@unam.mx

Cita

Vega Jorquera, Pedro, et al. (2018). GA-optimized neural network for forecasting the geomagnetic storm index. Geofísica Internacional; Vol. 57 No. 4, 2018; 239-251. Recuperado de https://repositorio.unam.mx/contenidos/4102220

Descripción del recurso

Autor(es)
Vega Jorquera, Pedro; A. Lazzús, Juan; Rojas, Pedro
Tipo
Artículo de Investigación
Área del conocimiento
Físico Matemáticas y Ciencias de la Tierra
Título
GA-optimized neural network for forecasting the geomagnetic storm index
Fecha
2018-10-01
Resumen
Se desarrolló un método que combina una red neuronal artificial y un algoritmo genético (ANN+GA) con el fin de pronosticar el índice de tiempo de perturbación de tormenta (Dst). A partir de esta técnica, la ANN fue optimizada por GA para actualizar los pesos de la ANN y para pronosticar el índice Dst a corto plazo de 1 a 6 horas de antelación usando los valores de la serie temporal del índice Dst y del índice de electrojet auroral (AE). La base de datos utilizada contiene 233,760 datos de índices geomagnéticos por hora desde 00 UT del 01 de enero de 1990 hasta las 23 UT del 31 de agosto de 2016. Se analizaron diferentes topologías de ANN y se seleccionó la arquitectura óptima. Se encontró que el método propuesto ANN+GA puede ser adecuadamente entrenado para pronosticar Dst (t+1 a t+6) con una precisión aceptable (con errores cuadrático medio RMSE?10nT y coeficientes de correlación R?0.9), y que los índices geomagnéticos utilizados tienen efectos influyentes en la buena capacidad de entrenamiento y predicción de la red elegida. Los resultados muestran una buena aproximación entre las variaciones medidas y modeladas de Dst tanto en la fase principal como en la fase de recuperación de una tormenta geomagnética.
Tema
Dst index; Forecast; Geomagnetic storm; Time series; Artificial neural network; Genetic algorithm; Índice Dst; Pronóstico; Tormenta geomagnética; Serie temporal; Red neuronal artificial; Algoritmo genético
Idioma
eng
ISSN
0016-7169

Enlaces