Short Large-Amplitude Magnetic Structures (SLAMS) have been observedby spacecraft near Earth’s quasi-parallel bow shock. They arecharacterized by a short and sudden increase of the magnetic field,usually by a factor of 2 or more. SLAMS studies have previously beenlimited to small sample sizes because SLAMS were identified throughmanual inspection of the spacecraft data. This makes it difficult to drawgeneral conclusions and the subjective element complicates collaborationbetween researchers. A solution is presented in this thesis; anautomatic SLAMS detection algorithm. We investigate several movingwindowmethods and measure their performance on a set of manuallyidentified SLAMS. The best algorithm is then used to identify 98406SLAMS in data from the Magnetospheric Multiscale (MMS) mission. Ofthose, 66210 SLAMS were detected when the Fast Plasma Investigation(FPI) instrument was active. Additionally, we are interested in knowingwhether a detected SLAMS is located in the foreshock or magnetosheath.Therefore, we implement a Gaussian mixture model classifier,based on hierarchical clustering of the FPI data, that can separatebetween the four distinct regions of the magnetosphere that MMSencounters; magnetosphere, magnetosheath, solar wind and (ion) foreshock.The identified SLAMS are compiled into a database which holdstheir start and stop dates, positional coordinates, B-field informationand information from the magnetospheric classifier to allow for easyfiltering to a specific SLAMS population. To showcase the potentialof the database we use it to perform preliminary statistical analysison how the properties of SLAMS are affected by its spatial and/ormagnetospheric location. The database and Matlab implementationare available on github: https://github.com/cfognom/MMS_SLAMS_detection_and_magnetospheric_classification. / Korta magnetiska strukturer med hög amplitud (SLAMS) har observeratsav satelliter nära jordens kvasi-parallella bogchock. En kortoch plötslig höjning av magnetfältsstyrkan är ett typiskt drag förSLAMS, vanligtvis med en faktor 2 eller mer. Forskning om SLAMShar tidigare varit begränsad till mindre fallstudier eftersom SLAMSidentifierats genom manuell inspektion av satellitdata. Detta gör detsvårt att dra generella slutsatser och det subjektiva elementet försvårarsamarbetet mellan forskare. En lösning till detta problem presenteras idenna avhandling; en automatisk identifieringsalgoritm för SLAMS. Viundersöker flera metoder och mäter deras prestanda på en uppsättningmanuellt identifierade SLAMS. Den bästa algoritmen används sedan föratt identifiera 98406 SLAMS i data från MMS-uppdraget. Av dessa upptäcktes66210 SLAMS när FPI-instrumentet var aktivt. Vi är dessutomintresserade av att veta om en upptäckt SLAMS finns i förshocken ellermagnetoskiktet. Därför implementerar vi en Gaussisk klassificeraresom bygger på hierarkisk klustring av FPI-data. Den kan separerade fyra distinkta regionerna av magnetosfären som MMS observerar;magnetosfär, magnetoskikt, solvind och (jon) förchock. De identifieradeSLAMS:en sammanställs till en databas som innehåller deras start- ochstoppdatum, positionskoordinater, B-fältsinformation och informationfrån magnetosfärsklassificeraren för att möjliggöra enkel filtrering tillen specifik SLAMS-population. För att visa potentialen av databasenutför vi en preliminär statistisk undersökning av hur egenskapernaav SLAMS påverkas av deras rumsliga och/eller magnetosfäriska position.Databasen och Matlab-implementationen är tillgängliga på Github:https://github.com/cfognom/MMS_SLAMS_detection_and_magnetospheric_classification.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-285533 |
| Date | January 2020 |
| Creators | Foghammar Nömtak, Carl |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:650 |
Page generated in 0.3762 seconds