Význačné hranice v okolí Marsu: magnetopauza a rázová vlna
Significant boundaries around Mars: magnetic pileup boundary and bow shock
diplomová práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/181791/thumbnail.png?sequence=7&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/181791Identifikátory
SIS: 240748
Kolekce
- Kvalifikační práce [10925]
Autor
Vedoucí práce
Oponent práce
Pitňa, Alexander
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Fyzika povrchů a plazmatu
Katedra / ústav / klinika
Katedra fyziky povrchů a plazmatu
Datum obhajoby
8. 6. 2023
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
družice MAVEN|sluneční vítr|Mars|rázová vlna|magnetopauza|vícevrstvé neuronové sítě|support vector machineKlíčová slova (anglicky)
MAVEN spacecraft|solar wind|Mars|bow shock|magnetic pile-up boundary|multi-layer neural networks|support vector machineHlavním cílem této diplomové práce je využití dat měřených družicí MA- VEN a metod strojového učení k vytvoření modelu polohy rázové vlny a magnetopauzy. Charakteristické hodnoty koncentrace, rychlosti a velikosti magnetického pole v oblasti slunečního větru, magnetosheathu a magneto- sféry umožňují automatickou klasifikaci měřených dat do příslušných oblastí pomocí metody SVM a identifikaci přesečení obou hranic. Pro obě uvažované hranice jsou dále vytvořeny modely založené na vícevrstvých neuronových sí- tích. Jsou využity dva odlišné přístupy: i) model založený přímo na klasifikaci do jednotlivých oblastí, ii) model využívající pouze identifikovaná přesečení hranic mezi oblastmi. Přesnost vytvořených modelů je ověřena jak pomocí nalezených přesečení hranic, tak porovnáním s předchozími empirickými mo- dely. 1
The main objective of this thesis is to use the data measured by the MAVEN spacecraft and machine learning methods to develop models of the locations of bow shock and magnetic pileup boundary. Characteristic values of density, flow speed, and magnetic field magnitude in solar wind, magne- tosheath, and magnetosphere allows an automatic classification of measured data into respective regions using the SVM method, as well as the identi- fication of the boundary crossings. Models of the two boundaries based on multilayer neural networks are then developed. Two different approaches are used: i) model based directly on the classification of individual regions, and ii) model using only the identified boundary crossings. The accuracy of the developed models is validated both by using individual boundary crossings and by a comparison with former empirical models. 1