論文の概要: A Framework for Designing and Evaluating Solar Flare Forecasting Systems

• arxiv url: http://arxiv.org/abs/2005.02493v1
• Date: Tue, 5 May 2020 21:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 14:43:20.714117
• Title: A Framework for Designing and Evaluating Solar Flare Forecasting Systems
• Title（参考訳）: 太陽フレア予測システムの設計と評価のための枠組み
• Authors: T. Cinto (1 and 2), A. L. S. Gradvohl (1), G. P. Coelho (1), A. E. A. da Silva (1) ((1) School of Technology - FT, University of Campinas - UNICAMP, Limeira, SP, Brazil, (2) Federal Institute of Education, Science and Technology of Rio Grande do Sul - IFRS, Campus Feliz, RS, Brazil)
• Abstract要約: 太陽フレアは地球の大気に影響を与える最も重要な事象である。 本稿では,フレア予測システムの設計,訓練,評価を行うための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disturbances in space weather can negatively affect several fields, including aviation and aerospace, satellites, oil and gas industries, and electrical systems, leading to economic and commercial losses. Solar flares are the most significant events that can affect the Earth's atmosphere, thus leading researchers to drive efforts on their forecasting. The related literature is comprehensive and holds several systems proposed for flare forecasting. However, most techniques are tailor-made and designed for specific purposes, not allowing researchers to customize them in case of changes in data input or in the prediction algorithm. This paper proposes a framework to design, train, and evaluate flare prediction systems which present promising results. Our proposed framework involves model and feature selection, randomized hyper-parameters optimization, data resampling, and evaluation under operational settings. Compared to baseline predictions, our framework generated some proof-of-concept models with positive recalls between 0.70 and 0.75 for forecasting $\geq M$ class flares up to 96 hours ahead while keeping the area under the ROC curve score at high levels.
• Abstract（参考訳）: 宇宙気象の混乱は、航空や航空宇宙、衛星、石油やガス産業、電気システムなどいくつかの分野に悪影響を及ぼし、経済的・商業的な損失をもたらす。 太陽フレアは地球の大気に影響を与える最も重要な事象であり、研究者は予測に力を注いでいる。 関連する文献は包括的であり、フレア予測のために提案されたいくつかのシステムを持っている。 しかし、ほとんどの技術は特定の目的のために設計されており、データ入力の変化や予測アルゴリズムの変更を研究者がカスタマイズすることはできない。 本稿では,有望な結果を示すフレア予測システムを設計,訓練,評価するための枠組みを提案する。 提案するフレームワークは,モデル選択,機能選択,ランダム化ハイパーパラメータ最適化,データ再サンプリング,運用環境評価を含む。 ベースライン予測と比較して,0.70～0.75の正のリコールを持つ概念実証モデルを作成し,96時間前までのクラスフレアを96時間前まで予測し,roc曲線スコア以下の領域を高いレベルに維持した。

関連論文リスト

• Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
  本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
  論文  参考訳（メタデータ） (2024-09-06T18:12:05Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)

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。