Empirical Reconstruction of Pre‐1995 Extreme Storms Using ML‐Derived Solar Wind Inputs
Notice bibliographique
Résumé
Abstract The storm‐time geomagnetic field and electric currents are reconstructed for extreme storms before 1995: the July 1982 superstorm and the March 1989 Hydro‐Québec grid collapse event. The reconstructions are based on an improved magnetic field data mining method utilizing recently published machine learning‐derived solar wind data. The data mining reconstructions are rescaled using statistics of the nearest neighbor bins to eliminate the bias toward weaker storms. A concurrent reconstruction method provides the combined description of storms and substorms: storm and substorm features are first reconstructed independently for the inner and tail magnetosphere, respectively, and then the data fitting is reiterated using synthetic data generated using the first round of reconstructions. The data fitting procedure is further tuned to better resolve the location of the field‐aligned currents. Testing the updated methods for the November 2003 and 1982 superstorms significantly improves the validation results for in situ observations. The effect of rescaling doubles the peak ring current density (from 81 to 168 for the November 2003 storm) while the tuned fitting procedure shifts the Region‐2 field‐aligned currents equatorward to magnetic latitudes as low as . Rescaling also intensifies the equatorial currents such that X‐line arcs and even an X‐loop are formed within geosynchronous orbit, where reconnection may approach a relativistic regime. Such a change in the field topology limits the peak plasma pressure obtained from the quasi‐static force balance equation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».