Details

Солнечные вспышки — резкие выбросы энергии на Солнце, способные существенно повлиять как на космическую технику, так и на процессы в атмосфере Земли. Они вызывают сильные потоки высокоэнергетических частиц, которые могут нарушать работу спутников, создавать радиационные угрозы для астронавтов и влиять на химический состав верхней атмосферы. В первой части данной работы рассматривается, изменять распределение радиоуглерода (¹⁴C) — изотопа, который активно используется в геофизике и климатических исследованиях. Была реализована численная модель диффузии ¹⁴C в атмосфере, построенная с учётом реальных данных по плотности воздуха и высотному распределению коэффициента диффузии. Используя методы численного моделирования, удалось проследить, как различные типы солнечных вспышек (включая экстремальные события типа GLE) могут влиять на концентрацию ¹⁴C на разных высотах в течение времени. Во второй части работы внимание на задаче прогнозирования вспышек. Здесь применены методы машинного обучения: на основе архивных данных и информации о солнечных пятнах построена модель, способная классифицировать вероятность возникновения вспышек различной интенсивности. В процессе использовались алгоритмы Random Forest и XGBoost и может быть использована как основа для оперативного предсказания солнечной активности.

Solar flares are sudden bursts of energy on the Sun that can significantly affect both space technology and processes in Earths atmosphere. These events produce intense streams of high-energy particles, which may disrupt satellite operations, pose radiation risks to astronauts, and alter the chemical composition of the upper atmosphere. The first part of this work focuses on how such flares may change the distribution of radiocarbon (¹⁴C); an isotope widely used in geophysics and climate studies. A numerical diffusion model of ¹⁴C transport in the atmosphere was developed, incorporating real data on air density and altitude-dependent diffusion coefficients. Using numerical simulation techniques, we explored how various types of solar flares — including extreme events like GLEs — can influence the concentration of ¹⁴C at different atmospheric levels over time. The second part of the study deals with the task of flare prediction. Here, machine learning methods were applied: based on historical data and sunspot information, we built a model capable of classifying the probability of flares of different intensities. Algorithms such as Random Forest and XGBoost were used in the process, and the resulting model may serve as a practical tool for real-time solar activity forecasting.