論文の概要: Solar Coronal Magnetic Field Extrapolation from Synchronic Data with
AI-generated Farside
- arxiv url: http://arxiv.org/abs/2010.07553v3
- Date: Sun, 1 Nov 2020 06:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 05:12:49.509409
- Title: Solar Coronal Magnetic Field Extrapolation from Synchronic Data with
AI-generated Farside
- Title(参考訳): AI生成遠方からの放射光データからの太陽コロナ磁場外挿
- Authors: Hyun-Jin Jeong, Yong-Jae Moon, Eunsu Park, Harim Lee
- Abstract要約: 我々は,前線と人工知能(AI)が生成する遠方磁場をほぼリアルタイムに利用して,地球規模の磁場の外挿を構築した。
フロントエンドテストデータセットでは、生成した磁場分布が実値と一致していることが示される。
我々は,従来の遠方データから,我々のモデルで生成された遠方データに置き換えた大域的磁場同期マップを作成する。
- 参考スコア(独自算出の注目度): 0.1529342790344802
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Solar magnetic fields play a key role in understanding the nature of the
coronal phenomena. Global coronal magnetic fields are usually extrapolated from
photospheric fields, for which farside data is taken when it was at the
frontside, about two weeks earlier. For the first time we have constructed the
extrapolations of global magnetic fields using frontside and artificial
intelligence (AI)-generated farside magnetic fields at a near-real time basis.
We generate the farside magnetograms from three channel farside observations of
Solar Terrestrial Relations Observatory (STEREO) Ahead (A) and Behind (B) by
our deep learning model trained with frontside Solar Dynamics Observatory
extreme ultraviolet images and magnetograms. For frontside testing data sets,
we demonstrate that the generated magnetic field distributions are consistent
with the real ones; not only active regions (ARs), but also quiet regions of
the Sun. We make global magnetic field synchronic maps in which conventional
farside data are replaced by farside ones generated by our model. The
synchronic maps show much better not only the appearance of ARs but also the
disappearance of others on the solar surface than before. We use these
synchronized magnetic data to extrapolate the global coronal fields using
Potential Field Source Surface (PFSS) model. We show that our results are much
more consistent with coronal observations than those of the conventional method
in view of solar active regions and coronal holes. We present several positive
prospects of our new methodology for the study of solar corona, heliosphere,
and space weather.
- Abstract(参考訳): 太陽磁場はコロナ現象の性質を理解する上で重要な役割を果たす。
地球規模のコロナ磁場は、通常、光球の磁場から外挿される。
我々は、最前線と人工知能(AI)が生成する遠方磁場をほぼリアルタイムに利用して、地球規模の磁場の外挿を初めて構築した。
前面の太陽ダイナミクス観測所と極紫外線画像とマグネトグラムを用いて訓練した深層学習モデルにより、太陽地球関係観測所(stereo)の前方(a)と後方(b)の3チャンネルの遠方観測から、遠方磁図を生成する。
表側テストデータセットでは、生成された磁場分布が実際の磁場分布と一致していることが示され、活動領域(ars)だけでなく、太陽の静かな領域も示される。
我々は,従来の遠方データをモデルによって生成された遠方データに置き換えた大域的磁場同期マップを作成する。
同期マップは、ARの出現だけでなく、太陽表面上の他の天体の消失も以前よりもずっと良く示している。
我々は、これらの同期磁気データを用いて、ポテンシャル磁場源面(pfss)モデルを用いて大域コロナフィールドを外挿する。
本研究では, 太陽活動領域やコロナホールの観点から, 従来の方法よりも, コロナ観測と一致していることを示す。
我々は、太陽コロナ、ヘリウム圏、宇宙気象の研究のための新しい手法のいくつかの肯定的な展望を提示する。
関連論文リスト
- PARTNER: Level up the Polar Representation for LiDAR 3D Object Detection [81.16859686137435]
本稿では、極座標における新しい3次元物体検出器Partnerを紹介する。
提案手法は,ONCE検証セットにおいて3.68%,9.15%の差で従来の極性理論よりも優れていた。
論文 参考訳(メタデータ) (2023-08-08T01:59:20Z) - 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) - 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) - Prediction of solar wind speed by applying convolutional neural network
to potential field source surface (PFSS) magnetograms [2.124527370393348]
このモデルは、平均相関係数0.52、根平均二乗誤差80.8km/sの連続試験データセットの予測を提供する。
このモデルはまた、太陽風の高速な流れを予測できる可能性があり、これは一般的な脅威スコア0.39で定量化することができる。
論文 参考訳(メタデータ) (2023-04-03T06:54:22Z) - Predictive Modeling of Coronal Hole Areas Using Long Short-Term Memory
Networks [0.0]
太陽上に存在するコロナホールは 磁場線と 比較的低温で区別される
本研究は、コンピュータビジョンを利用して、コロナホール領域をピンポイントし、太陽ダイナミクス観測所の画像を用いてその次元を推定する。
本研究は, コロナホールの面積に関する時系列データから, コロナホールの挙動のパターンを明らかにすることを目的とする。
論文 参考訳(メタデータ) (2023-01-17T07:22:54Z) - Incorporating Polar Field Data for Improved Solar Flare Prediction [8.035275738176107]
機械学習モデルを用いて太陽フレア予測性能を向上させるため、太陽の北と南の極域強度に関連するデータを活用することを検討する。
実験の結果,太陽フレア予測における極域データの有用性が示唆され,ハイドケスキルスコア(HSS2)は最大10.1%向上した。
論文 参考訳(メタデータ) (2022-12-04T03:06:11Z) - 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) - Regimes of charged particle dynamics in current sheets: the machine
learning approach [62.997667081978825]
電流シートは、プラズマ電流が強いほぼ1次元構造で空間的に局在している。
我々は、地球磁気圏と磁気圏で広く観測され、地球近傍の太陽風で観測される3つの電流シート構成に注目した。
本稿では,AI Poincar'eという新しい機械学習手法を適用し,断熱不変量を保存するパラメトリック領域を決定する。
論文 参考訳(メタデータ) (2022-10-30T17:14:44Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳(メタデータ) (2022-06-06T18:00:07Z) - STAU: A SpatioTemporal-Aware Unit for Video Prediction and Beyond [78.129039340528]
本稿では,映像予測などのための時間認識ユニット(STAU)を提案する。
我々のSTAUは、性能と効率の点で、全てのタスクにおける他のメソッドよりも優れています。
論文 参考訳(メタデータ) (2022-04-20T13:42:51Z)
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。