Fugu-MT 論文翻訳(概要): Toward a Next Generation Particle Precipitation Model: Mesoscale Prediction Through Machine Learning (a Case Study and Framework for Progress)

論文の概要: Toward a Next Generation Particle Precipitation Model: Mesoscale Prediction Through Machine Learning (a Case Study and Framework for Progress)

arxiv url: http://arxiv.org/abs/2011.10117v2
Date: Mon, 28 Jun 2021 18:19:33 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 21:35:29.270893
Title: Toward a Next Generation Particle Precipitation Model: Mesoscale Prediction Through Machine Learning (a Case Study and Framework for Progress)
Title（参考訳）: 次世代粒子沈降モデルに向けて:機械学習によるメソスケール予測(事例研究と進歩の枠組み)
Authors: Ryan M. McGranaghan, Jack Ziegler, T\'eo Bloch, Spencer Hatch, Enrico Camporeale, Kristina Lynch, Mathew Owens, Jesper Gjerloev, Binzheng Zhang, Susan Skone
Abstract要約: 我々は、新しい、より有能な粒子沈殿データのデータベースを作成、キュレート、分析し、利用可能にした。 PrecipNetと呼ばれるニューラルネットワークは、MLアプローチによって得られる表現力の増大を活用する。
参考スコア（独自算出の注目度）: 0.9158190669770423
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We advance the modeling capability of electron particle precipitation from the magnetosphere to the ionosphere through a new database and use of machine learning (ML) tools to gain utility from those data. We have compiled, curated, analyzed, and made available a new and more capable database of particle precipitation data that includes 51 satellite years of Defense Meteorological Satellite Program (DMSP) observations temporally aligned with solar wind and geomagnetic activity data. The new total electron energy flux particle precipitation nowcast model, a neural network called PrecipNet, takes advantage of increased expressive power afforded by ML approaches to appropriately utilize diverse information from the solar wind and geomagnetic activity and, importantly, their time histories. With a more capable representation of the organizing parameters and the target electron energy flux observations, PrecipNet achieves a >50% reduction in errors from a current state-of-the-art model oval variation, assessment, tracking, intensity, and online nowcasting (OVATION Prime), better captures the dynamic changes of the auroral flux, and provides evidence that it can capably reconstruct mesoscale phenomena. We create and apply a new framework for space weather model evaluation that culminates previous guidance from across the solar-terrestrial research community. The research approach and results are representative of the "new frontier" of space weather research at the intersection of traditional and data science-driven discovery and provides a foundation for future efforts.
Abstract（参考訳）: 我々は,磁気圏から電離圏への電子粒子沈降のモデリング能力を,新しいデータベースと機械学習(ML)ツールを用いて構築し,それらのデータから有用性を得る。我々は,太陽風や地磁気活動データと時間的に一致した51の衛星年の気象衛星プログラム(dmsp)による観測を含む,新しい,より有能な粒子降水データデータベースをコンパイルし,キュレートし,分析し,利用可能にした。新たな全電子エネルギー流束粒子沈降ナキャストモデルであるprecipnetは、太陽風や地磁気活動から得られる多様な情報を適切に活用するためにmlアプローチによって与えられる表現力の増大と、その時間履歴を活用する。組織パラメータとターゲットの電子エネルギー流束の観測をより有能に表現することで、prcipnetは現在の最先端のオーバル変動、アセスメント、追跡、強度、オンライン・ナウキャスティング(排卵素数)から誤差を50%以上減少させ、オーロラ流束の動的変化をよりよく捉え、メソスケール現象を許容できる証拠を提供する。宇宙気象モデル評価のための新しい枠組みを作成し,適用し,太陽・地球研究コミュニティ全体から以前のガイダンスを導出する。研究のアプローチと成果は、伝統的およびデータサイエンス主導の発見の交差点における宇宙気象研究の「新たなフロンティア」を代表し、将来の取り組みの基盤を提供する。

関連論文リスト

Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。 SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
論文参考訳（メタデータ） (2024-09-03T09:41:07Z)
Magnetogram-to-Magnetogram: Generative Forecasting of Solar Evolution [0.0]
DDPM(Denoising Diffusion Probabilistic Models)を用いた画像と画像の変換による視線(LoS)磁気グラムの進化予測手法を提案する。提案手法は,画像品質の「計算機科学メトリクス」と物理精度の「物理メトリクス」を組み合わせて,モデル性能の評価を行う。その結果, DDPMは, 太陽磁場の動的範囲, 磁束, 活動領域の大きさなどの物理的特徴の維持に有効であることが示唆された。
論文参考訳（メタデータ） (2024-07-16T12:28:10Z)
Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文参考訳（メタデータ） (2024-03-22T17:11:47Z)
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)
FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
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)
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)
A machine learning and feature engineering approach for the prediction of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文参考訳（メタデータ） (2023-03-17T13:53:59Z)
Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文参考訳（メタデータ） (2022-07-12T20:52:26Z)
Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
論文参考訳（メタデータ） (2021-12-01T15:38:19Z)

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。