Dr. Willie Soon - Group Sunspot Numbers
Group sunspot numbers: a new reconstruction of sunspot activity variations from historical sunspot records using algorithms from machine learning.
V.M.V. Herrera, W. Soon, D.V. Hoyt, J. Muraközy
Received: 14 April 2021; accepted: 17 November 2021
© The Autors, under exclusive licence to Springers Nature B.V. 2022
Samenvatting
Historische zonnevlekkengegevens en de opbouw van een uitgebreide database behoren tot de belangrijkste onderzoeksactiviteiten in de zonnefysica. Hier bespreken we opnieuw de kwesties en resterende vragen over de reconstructie van de zogenaamde ‘groep zonnevlekkengetallen’ (GSN), een pionierswerk van D. Hoyt en collega’s.
Wij maken gebruik van de moderne hulpmiddelen van de kunstmatige intelligentie (AI) door verschillende algoritmen op basis van machine learning (ML) toe te passen op GSN-registraties. Het doel is een nieuwe visie te geven op de reconstructie van variaties in zonnevlekkenactiviteit, d.w.z. een Bayesiaanse reconstructie, om zo een volledig betrouwbaar GSN-record te verkrijgen van 1610 tot 2020. Deze nieuwe GSN-reconstructie is consistent met de historische GSN-records.
Daarnaast vergelijken we ons nieuwe GSN-record met de meest recente GSN-reconstructies die door verschillende onderzoekers van zonne-energie zijn gemaakt, onder verschillende aannames en beperkingen. Onze AI-algoritmen zijn in staat om verschillende nieuwe onderliggende patronen en variatiekanalen te onthullen die de volledige GSN-tijdsvariabiliteit kunnen verklaren, inclusief intervallen met extreem lage of zwakke zonnevlekkenactiviteit zoals het Maunder Minimum van 1645 - 1715. Onze resultaten tonen aan dat de GSN-gegevens niet uitsluitend worden weergegeven door de 11-jaarlijkse cycli, maar dat andere belangrijke tijdschalen voor een vollediger reconstructie van de GSN-activiteitsgeschiedenis de 5,5-jaarlijkse, 22-jaarlijkse, 30-jaarlijkse, 60-jaarlijkse en 120-jaarlijkse oscillaties zijn.
De uitgebreide GSN-reconstructie door AI/ML kan nieuwe inzichten verschaffen in de aard en de kenmerken van niet alleen de onderliggende 11-jarige zonnevlekkencycli, maar ook in de 22-jarige Hale's polariteitscycli tijdens het Maunder Minimum, naast andere resultaten die tot nu toe verborgen zijn gebleven.
In het begin van de jaren 1850 vermenigvuldigde Wolf zijn oorspronkelijke reconstructie van het zonnevlekkengetal met een factor 1,25 om tot de canonieke Wolf zonnevlekkengetallen (WSN) te komen. Wanneer deze vermenigvuldigingsfactor wordt verwijderd, blijkt dat het GSN en het WSN voor de periode 1700 tot 1879 slechts een paar procent van elkaar verschillen.
In een vergelijking met het internationale zonnevlekkengetal (ISN) dat onlangs is aanbevolen door Clette et al. (Space Sci. Rev. 186, 35, 2014), worden een aantal verschillen gevonden en besproken. Meer zonnevlekkenwaarnemingen zijn nog steeds nodig. Ons artikel wijst op waarnemers die nog niet in de GSN-database zijn opgenomen.
Vertaald met www.DeepL.com/Translator (gratis versie)
Abstract
Historical sunspot records and the construction of a comprehensive database are among the most sought after research activities in solar physics. Here, we revisit the issues and remaining questions on the reconstruction of the so-called group sunspot numbers (GSN) that was pioneered by D. Hoyt and colleagues. We use the modern tools of artificial intelligence (AI) by applying various algorithms based on machine learning (ML) to GSN records. The goal is to offer a new vision in the reconstruction of sunspot activity variations, i.e. a Bayesian reconstruction, in order to obtain a complete probabilistic GSN record from 1610 to 2020. This new GSN reconstruction is consistent with the historical GSN records. In addition, we perform a comparison between our new probabilistic GSN record and the most recent GSN reconstructions produced by several solar researchers under various assumptions and constraints. Our AI algorithms are able to reveal various new underlying patterns and channels of variations that can fully account for the complete GSN time variability, including intervals with extremely low or weak sunspot activity like the Maunder Minimum from 1645 – 1715. Our results show that the GSN records are not strictly represented by the 11-year cycles alone, but that other important timescales for a fuller reconstruction of GSN activity history are the 5.5-year, 22-year, 30-year, 60-year, and 120-year oscillations. The comprehensive GSN reconstruction by AI/ML is able to shed new insights on the nature and characteristics of not only the underlying 11-year-like sunspot cycles but also on the 22-year Hale’s polarity cycles during the Maunder Minimum, among other results previously hidden so far. In the early 1850s, Wolf multiplied his original sunspot number reconstruction by a factor of 1.25 to arrive at the canonical Wolf sunspot numbers (WSN). Removing this multiplicative factor, we find that the GSN and WSN differ by only a few percent for the period 1700 to 1879. In a comparison to the international sunspot number (ISN) recently recommended by Clette et al. (Space Sci. Rev. 186, 35, 2014), several differences are found and discussed. More sunspot observations are still required. Our article points to observers that are not yet included in the GSN database.
terug naar de vragenlijst
terug naar het weblog
^