論文の概要: DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction
- arxiv url: http://arxiv.org/abs/2009.04238v1
- Date: Fri, 4 Sep 2020 03:41:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 02:27:21.612992
- Title: DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction
- Title（参考訳）: DeepSun: ソーラーフレア予測のための機械学習・アズ・ア・サービス
- Authors: Yasser Abduallah, Jason T. L. Wang, Yang Nie, Chang Liu, Haimin Wang
- Abstract要約: 我々は、Web上で太陽フレアを予測するための、DeepSunと呼ばれる機械学習・アズ・ア・サービスフレームワークを提案する。
DeepSunシステムは、このマルチクラス予測問題に対処するために、いくつかの機械学習アルゴリズムを使用している。
私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLツールです。
- 参考スコア（独自算出の注目度）: 3.994605741665177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solar flare prediction plays an important role in understanding and
forecasting space weather. The main goal of the Helioseismic and Magnetic
Imager (HMI), one of the instruments on NASA's Solar Dynamics Observatory, is
to study the origin of solar variability and characterize the Sun's magnetic
activity. HMI provides continuous full-disk observations of the solar vector
magnetic field with high cadence data that lead to reliable predictive
capability; yet, solar flare prediction effort utilizing these data is still
limited. In this paper, we present a machine-learning-as-a-service (MLaaS)
framework, called DeepSun, for predicting solar flares on the Web based on
HMI's data products. Specifically, we construct training data by utilizing the
physical parameters provided by the Space-weather HMI Active Region Patches
(SHARP) and categorize solar flares into four classes, namely B, C, M, X,
according to the X-ray flare catalogs available at the National Centers for
Environmental Information (NCEI). Thus, the solar flare prediction problem at
hand is essentially a multi-class (i.e., four-class) classification problem.
The DeepSun system employs several machine learning algorithms to tackle this
multi-class prediction problem and provides an application programming
interface (API) for remote programming users. To our knowledge, DeepSun is the
first MLaaS tool capable of predicting solar flares through the Internet.
- Abstract（参考訳）: 太陽フレア予測は、宇宙天気の理解と予測において重要な役割を果たす。
HMI(Helioseismic and Magnetic Imager)の主な目標は、NASAのソーラー・ダイナミクス・オブザーバトリー(Solar Dynamics Observatory)の観測機器の一つで、太陽の変動の起源を研究し、太陽の磁気活動を特徴づけることである。
HMIは、信頼できる予測能力をもたらす高いケイデンスデータを持つ太陽ベクトル磁場の完全なディスクを連続的に観測するが、これらのデータを利用した太陽フレア予測の取り組みはまだ限られている。
本稿では,HMIのデータ製品に基づいてWeb上の太陽フレアを予測するための機械学習・アズ・ア・サービス(MLaaS)フレームワークであるDeepSunを提案する。
具体的には、スペースウェザーHMIアクティブリージョンパッチ(SHARP)が提供する物理パラメータを利用してトレーニングデータを構築し、米国環境情報センター(NCEI)で利用可能なX線フレアカタログに基づいて、太陽フレアを4つのクラス(B、C、M、X)に分類する。
したがって、太陽フレア予測問題は本質的にはマルチクラス(すなわち4クラス)の分類問題である。
deepsunシステムは、複数の機械学習アルゴリズムを使用して、このマルチクラス予測問題に対処し、リモートプログラミングユーザにアプリケーションプログラミングインタフェース(api)を提供する。
私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLaaSツールです。
関連論文リスト
- Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams [0.0]
HMI強度図とマグネティックグラムを用いた極端太陽フレアの予測手法を提案する。
強度図から太陽点を検出し、磁気グラムから磁場パッチを抽出することにより、極度のクラスフレアを分類するためにResidual Network(ResNet)を訓練する。
我々のモデルは高精度で、極端太陽フレアを予測し、宇宙天気予報を改善するための堅牢なツールを提供する。
論文 参考訳（メタデータ） (2024-05-23T16:17:16Z) - Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳（メタデータ） (2024-03-04T23:12:17Z) - Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning [64.81450582542878]
コンピュータビジョンや機械学習には、現実の問題が増えている。
衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
論文 参考訳（メタデータ） (2024-02-12T20:08:58Z) - FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。
我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文 参考訳（メタデータ） (2023-11-06T18:42:05Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳（メタデータ） (2023-05-17T08:53:29Z) - Solar Active Region Magnetogram Image Dataset for Studies of Space
Weather [0.0]
このデータセットには3つのソースからのデータが含まれており、太陽活動領域のSDOヘリオサイスミックおよび磁気画像(HMI)マグネティックグラムを提供する。
このデータセットは、磁気構造、時間の経過とともに進化し、太陽フレアとの関係に関する画像解析や太陽物理学の研究に有用である。
このデータセットは、太陽フレア予測研究のベンチマークデータセットとして機能する、太陽活動領域の一定サイズの画像の、最小限の処理されたユーザーデータセットである。
論文 参考訳（メタデータ） (2023-05-16T14:44:24Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - A Deep Learning Approach to Generating Photospheric Vector Magnetograms
of Solar Active Regions for SOHO/MDI Using SDO/HMI and BBSO Data [22.56276949415464]
我々は,SDO/HMIによるLOSマグネティックグラム,Bx,Byから,H-アルファ観測とともに学習するための新しい深層学習手法MagNetを提案する。
深層学習がSOHO/MDIのための太陽活動領域の球面ベクトル磁気図を生成するのはこれが初めてである。
論文 参考訳（メタデータ） (2022-11-04T06:21:32Z) - A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning [4.844946519309793]
我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。
我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。
提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
論文 参考訳（メタデータ） (2021-12-28T03:13:44Z)
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。