Исследование циклических свойств солнечной и геомагнитной активности: значение для глобальной изменчивости температуры поверхности
DOI:
https://doi.org/10.31489/2024No2/102-111Ключевые слова:
геомагнитная активность, солнечная активность, низкочастотный цикл, большой эпизод, спектральная мощность, глобальная вейвлет-мощностьАннотация
Циклические свойства солнечно-геомагнитной активности и глобальной приземной температуры были исследованы с использованием трендового, частотного и частотно-временного анализа. Результаты показывают, что во временных масштабах от десятилетия до столетия низкочастотные циклы в полувековом (~ 49–56 лет за цикл) и Глейсбергском (от 99 до 114 лет за цикл) диапазоне протекают на фоне Швабе (~ от 9 до 11 лет за цикл) как доминирующий цикл солнечно-геомагнитной активности. Единственным доминирующим циклом в ряду глобальных приземных температур является полувековой цикл, который предполагает возможную причинную связь между ним и явлениями солнечно-геомагнитной активности. Эволюция амплитуд циклов такова, что мощность периодов Швабе и Глейсберга увеличивалась с начала серии до середины 20 века, после чего она пошла на убыль. Полувековой цикл уменьшился по амплитуде после 1800 г. и по настоящее время. Что касается геомагнитной активности, то амплитуда цикла Глейсберга увеличилась с начала ряда около 2000 г., в то время как амплитуды циклов Швабе и полувековых циклов снизились в том же интервале, за исключением цикла Швабе, амплитуда которого быстро увеличивалась после 1980 г. по настоящее время.Что касается глобальной приземной температуры, то амплитуды циклов Глейсберга и полувековых циклов постоянно увеличивались с начала ряда, в то время как цикл Швабе колеблется с очень низкими амплитудами до 1980 года, после чего он немного увеличился. Эволюция амплитуд циклов солнечно-гемагнитной активности предполагает восстановление от минимума Маундера и спад в большой эпизод, скорее всего, минимум.
Библиографические ссылки
Ibanga E.A., Agbo G. A., Inyang E. P., Ayedun F., Onuora L.O. (2020) Prediction of Solar Cycles: Implication for the Trend of Global Surface Temperature. Communication in Physical Sciences. 6(2), 882 – 890. Available at https://journalcps.com/index.php/volumes
Petrovay K. (2020) Solar cycle prediction. Living Rev Sol Phys. 17, 2-10. DOI:10.1007/s41116-020-0022-z(0123456789.
Kim J.H., Chang H.Y. (2014) Spectral Analysis of Geomagnetic Activity Indices and Solar Wind Parameters. Journal of Astronomy and Space Science. 31(2), 159 – 167. DOI: 10.5140/JASS.2014.31.2.159. DOI: https://doi.org/10.5140/JASS.2014.31.2.159
Okoh D.I., Seemala G.K., Rabiu A.B., Uwamahoro J., Habarulema J.B., Aggarwal M. (2018) Hybrid Regression-Neural Network (HR-NN) Method for Forecasting the Solar Activity. Space Weather. 16 (9), 1424-1436. DOI:10.1029/2018SW001907. DOI: https://doi.org/10.1029/2018SW001907
Hanslmeier A., Brajša R. (2010) The chaotic solar cycle I. Analysis of cosmogenic 14C-data. Astronomy and Astrophysics. 509, A5. DOI:10.1051/0004-6361/200913095. DOI: https://doi.org/10.1051/0004-6361/200913095
Peguero J.C., Carrasco V.M.S. (2023) A Critical Comment on “Can Solar Cycle 25 Be a New Dalton Minimum?” Solar Physics. 298: 48. DOI:10.1007/s11207-023-02140-7. DOI: https://doi.org/10.1007/s11207-023-02140-7
Kasde S.K; Sondhiya D.K., Gwal A.K. (2016) Analysis of Sunspot Time Series During the Ascending Phase of Solar Cycle 24 Using the Wavelet Transform. American Journal of Modern Physics. 5(5): 79 – 86.DOI:10.11648/j.ajmp.20160505.11. DOI: https://doi.org/10.11648/j.ajmp.20160505.11
Kristof P. (2020) Solar cycle prediction. Living Reviews in Solar Physics, 17: 2. DOI:10.1007/s41116-020-0022-z. DOI: https://doi.org/10.1007/s41116-020-0022-z
Muraki Y., Shibata S., Takamaru H., Oshima A. (2023) The 48-Year Data Analysis Collected by Ngoya Muon Telescope – A Detection of Possible (125±45)-Day Periodicity. Universe. 9, 372-387. DOI:10.3390/universe9090387. DOI: https://doi.org/10.3390/universe9090387
Torrence C., Compo G.P. (1998) A Practical Guide to Wavelet Analysis. Bulletin of the American Meteorological Society. 79(1), 61–78. DOI:10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2. DOI: https://doi.org/10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2
Riabova S. (2018) Application of wavelet analysis to the analysis of geomagnetic field variations. Journal of Physics: Conference Series. 1141:012146. DOI:10.1088/1742-6596/1141/1/012146. DOI: https://doi.org/10.1088/1742-6596/1141/1/012146
Liu Y., San Liang X., Weisberg R.H. (2007) Rectification of the Bias in the Wavelet Power Spectrum. Journal of Atmospheric and Oceanic Technology. 24, 2093–2102. DOI:10.1175/2007JTECHO511.1. DOI: https://doi.org/10.1175/2007JTECHO511.1
Cazelles B., Chavez M., Berteaux D., Menard F., Vik J.O., Jenouvrier S., Stenseth N.C. (2008) Wavelet analysis of ecological time series. Oecologia. 156 (2): 287–304. DOI: https://doi.org/10.1007/s00442-008-0993-2
Mohamed A.E., Eman S., Aly A., Shady E.M. (2010) Spectral Analysis of Solar Variability and their Possible Role on the Global Warming. Journal of Environmental Protection. 1, 111-116. DOI: https://doi.org/10.4236/jep.2010.12014