Detectarea robustă a pulsațiilor ULF/Pc5 și a semnăturilor furtunilor geomagnetice în date de magnetometre de la sol sub zgomot local și rezoluție limitată

Descriere

Nicolae Sfetcu[1]

12.04.2026

Sfetcu, Nicolae (2026). ”Detectarea robustă a pulsațiilor ULF/Pc5 și a semnăturilor furtunilor geomagnetice în date de magnetometre de la sol sub zgomot local și rezoluție limitată”, DOI: 10.58679/IA91512, https://www.indexacademic.ro/pdf/detectarea-robusta-a-pulsatiilor-ulf-pc5-si-a-semnaturilor-furtunilor-geomagnetice/

Robust detection of ULF/Pc5 pulsations and geomagnetic storm signatures in ground-based magnetometer data under local noise and limited resolution

Abstract

Robust detection of ULF events (especially Pc5) and geomagnetic storm signatures in ground-based data is, in practice, a problem of separating spatiotemporally coherent geophysical signals from: (i) local anthropogenic noise (spikes, steps, narrow frequency interferences), (ii) natural noise with “colored” PSD, and (iii) distortions introduced by insufficient temporal resolution (aliasing and attenuation of derivatives/fast variations). A converging conclusion in the recent literature is that no single transform (FFT/STFT/wavelet) “wins” universally, but a hybrid design combining (a) multi-resolution analysis (usually wavelet), (b) robust criteria/semiparametric statistics, and (c) multi-station confirmation (spatial coherence/corroboration) offers the best robustness in real conditions.

Keywords: detection, pulsations, ULF, Pc5, geomagnetic storms, magnetometers, local noise, limited resolution

Rezumat

Detectarea robustă a evenimentelor ULF (în special Pc5) și a semnăturilor de furtună geomagnetică în date de la sol este, în practică, o problemă de separare a semnalelor geofizice coerente spațio‑temporal de: (i) zgomot local antropogenic (spike‑uri, trepte, interferențe înguste în frecvență), (ii) zgomot natural cu PSD „colorat” și (iii) distorsiuni introduse de rezoluția temporală insuficientă (aliasing și atenuarea derivatelor/variațiilor rapide). O concluzie convergentă în literatura recentă este că nu o singură transformare (FFT/STFT/wavelet) „câștigă” universal, ci un design hibrid care combină (a) analiză multi‑rezoluție (de regulă wavelet), (b) criterii robuste/statistici semiparametrice și (c) confirmarea multi‑stație (coerență/coroborare spațială) oferă cea mai bună robustețe în condiții reale.

Cuvinte cheie: detectare, pulsații, ULF, Pc5, furtuni geomagnetice, magnetometre, zgomot local, rezoluție limitată

Rezumat executiv

Detectarea robustă a evenimentelor ULF (în special Pc5) și a semnăturilor de furtună geomagnetică în date de la sol este, în practică, o problemă de separare a semnalelor geofizice coerente spațio‑temporal de: (i) zgomot local antropogenic (spike‑uri, trepte, interferențe înguste în frecvență), (ii) zgomot natural cu PSD „colorat” și (iii) distorsiuni introduse de rezoluția temporală insuficientă (aliasing și atenuarea derivatelor/variațiilor rapide). O concluzie convergentă în literatura recentă este că nu o singură transformare (FFT/STFT/wavelet) „câștigă” universal, ci un design hibrid care combină (a) analiză multi‑rezoluție (de regulă wavelet), (b) criterii robuste/statistici semiparametrice și (c) confirmare multi‑stație (coerență/coroborare spațială) oferă cea mai bună robustețe în condiții reale. [2]

Pentru semnături de furtună geomagnetică, compararea directă a metodelor într-un studiu operațional arată că analiza multi‑rezoluție pe baza unei transformate wavelet ne‑decimate (MODWT) poate depăși abordările mai simple bazate pe derivată sau pe criterii de tip schimbare‑de‑regim, fiind raportată drept „cea mai precisă” dintre metodele testate; implementarea finală a detectat 14 din 15 furtuni mai puternice într-o fereastră de 2 ani (ciclu solar 24). [3] În paralel, un detector de SSC/SC bazat pe filtre de derivare digitale și decizie la nivel de rețea a raportat probabilitate de detecție corectă ~0,75 la o rată de alarme false limitată la 0,05 (set de date din 2015, mai multe observatoare). [4]

Pentru ULF/Pc5 în prezența zgomotului local, robustețea crește semnificativ când (i) semnalul este izolat în bandă și eliminat zgomotul (de ex. wavelet + prag de tip SURE/soft), apoi (ii) validat prin coerență inter‑stații (coerența wavelet / corelație pe bandă Pc5) sau prin produse de tip „parametri ULF” derivate din 1 s în rețele mari. [5] Modele ML/deep learning par să câștige mai ales când sunt „ghidate” de reprezentări timp‑frecvență (coeficienți wavelet, scalograme) și când există etichete/adevăr‑la‑sol (manual sau semi‑automat). Un exemplu pe date MAGDAS la 1 Hz pentru micropulsații ULF raportează o acuratețe de test de 91,11% și valoarea lui F 92,30% pentru un CNN alimentat cu detalii DWT (față de un algoritm DWT mai simplu, considerabil mai slab). [6]

În condiții de rezoluție limitată, cel mai important rezultat practic este că multe semnale de interes (în special dB/dt relevante pentru SSC și GIC) sunt puternic sub‑estimate la 1 minut: într-un exemplu comparativ, aceeași semnătură are vârf al derivatelor de 179,4 nT/s la 1 s, 17,7 nT/s la 10 s și 1,8 nT/s la 1 min, cu deplasarea timpului vârfului; concluzia autorilor este că descrierea corectă a schimbărilor rapide în SC necesită 1 s, în timp ce pulsările/substorm‑urile pot fi „suficient” descrise la 10 s, iar 1 min subestimează sever vârfurile. [7]

Metoda „cea mai robustă”: În literatura ultimilor ~15 ani, cea mai robustă familie de soluții pentru ambele clase (ULF/Pc5 + furtuni) este un pipeline multi‑rezoluție wavelet (CWT/DWT/MODWT) + eliminare de zgomot robustă + criteriu de semnificație (preferabil adaptat la PSD colorat) + validare spațială multi‑stație (coerență/corelație/consens în rețea), eventual completat de un clasificator ML (clasic sau DL) antrenat pe reprezentări wavelet. Această combinație atacă direct cele două surse de fragilitate: zgomotul local (prin robustificare + consens spațial) și rezoluția limitată (prin multi‑rezoluție și band‑tracking), fiind susținută de comparații operaționale pentru furtuni și de rezultate cantitative pentru detectarea ULF ghidată de wavelet. [8]

Note

[1] Cercetător – Divizia de Istoria Științei (DIS)/Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) al Academiei Române, ORCID: 0000-0002-0162-9973, Web of Science Researcher ID V-1416-2017

[2] Katsavrias et al., „Application of Wavelet Methods in the Investigation of Geospace Disturbances”.

[3] Bailey și Leonhardt, „Automated Detection of Geomagnetic Storms with Heightened Risk of GIC”.

[4] Getmanov et al., „A Method for Recognition of Sudden Commencements of Geomagnetic Storms Using Digital Differentiating Filters”.

[5] Pappoe et al., „A machine learning approach combined with wavelet analysis for automatic detection of Pc5 geomagnetic pulsations observed at geostationary orbits”.

[6] Rabie et al., „Geomagnetic Micro-Pulsation Automatic Detection via Deep Leaning Approach Guided with Discrete Wavelet Transform”.

[7] Juusola et al., „Drivers of Rapid Geomagnetic Variations at High Latitudes”.

[8] Bailey și Leonhardt, „Automated Detection of Geomagnetic Storms with Heightened Risk of GIC”.