論文の概要: Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks
- arxiv url: http://arxiv.org/abs/2002.10953v1
- Date: Sat, 22 Feb 2020 11:26:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:45:51.884966
- Title: Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks
- Title（参考訳）: SDO/HMIベクトル磁気データ生成物とリカレントニューラルネットワークを用いたコロナ質量放出予測
- Authors: Hao Liu, Chang Liu, Jason T. L. Wang, Haimin Wang
- Abstract要約: 我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。
我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
- 参考スコア（独自算出の注目度）: 8.269784943760882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present two recurrent neural networks (RNNs), one based on gated recurrent
units and the other based on long short-term memory, for predicting whether an
active region (AR) that produces an M- or X-class flare will also produce a
coronal mass ejection (CME). We model data samples in an AR as time series and
use the RNNs to capture temporal information of the data samples. Each data
sample has 18 physical parameters, or features, derived from photospheric
vector magnetic field data taken by the Helioseismic and Magnetic Imager (HMI)
on board the Solar Dynamics Observatory (SDO). We survey M- and X-class flares
that occurred from 2010 May to 2019 May using the Geostationary Operational
Environmental Satellite's X-ray flare catalogs provided by the National Centers
for Environmental Information (NCEI), and select those flares with identified
ARs in the NCEI catalogs. In addition, we extract the associations of flares
and CMEs from the Space Weather Database Of Notifications, Knowledge,
Information (DONKI). We use the information gathered above to build the labels
(positive versus negative) of the data samples at hand. Experimental results
demonstrate the superiority of our RNNs over closely related machine learning
methods in predicting the labels of the data samples. We also discuss an
extension of our approach to predict a probabilistic estimate of how likely an
M- or X-class flare will initiate a CME, with good performance results. To our
knowledge this is the first time that RNNs have been used for CME prediction.
- Abstract（参考訳）: 我々は,M級またはX級フレアを発生させるアクティブ領域(AR)が,コロナ質量放出(CME)を発生させるかどうかを予測するために,ゲートリカレントユニットと長期記憶に基づく2つのリカレントニューラルネットワーク(RNN)を提案する。
arのデータサンプルを時系列としてモデル化し,rnnを用いてデータサンプルの時間情報を取得する。
それぞれのデータサンプルには18の物理的パラメータ、または特徴があり、太陽動力学観測所(sdo)のヘリオサイスミック・磁気撮像装置(hmi)が撮影した光球ベクトル磁場データに由来する。
我々は,2010年5月から2019年5月にかけて,国立環境情報センター(NCEI)が提供する静止運用環境衛星のX線フレアカタログを用いて,M級およびX級フレアを調査し,それらのフレアをNCEIカタログ内の特定ARで選択した。
また,宇宙気象データベース(Space Weather Database of Notifications, Knowledge, Information, DONKI)からフレアとCMEの関連を抽出した。
上記の情報を使って、手元にあるデータサンプルのラベル(正対負)を構築します。
実験結果から,データサンプルのラベル予測における機械学習手法よりもRNNの方が優れていることが示された。
また,mクラスやxクラスのフレアがcmeを発生させる確率的推定を精度良く予測する手法の拡張についても検討した。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳（メタデータ） (2023-09-08T19:21:10Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳（メタデータ） (2023-06-01T17:36:13Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods [6.205102537396887]
太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。
本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
論文 参考訳（メタデータ） (2022-09-28T02:13:33Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳（メタデータ） (2022-06-28T17:15:49Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-27T21:06:08Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。