論文の概要: Low Dimensional Convolutional Neural Network For Solar Flares GOES Time
Series Classification
- arxiv url: http://arxiv.org/abs/2101.12550v1
- Date: Fri, 29 Jan 2021 12:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:21:28.916375
- Title: Low Dimensional Convolutional Neural Network For Solar Flares GOES Time
Series Classification
- Title(参考訳): 太陽フレアGOES時系列分類のための低次元畳み込みニューラルネットワーク
- Authors: Vlad Landa and Yuval Reuveni
- Abstract要約: 太陽フレア発生確率を1,3,6,12,24,48,72,96時間枠で予測するcnnを提案する。
静止運用環境衛星(GOES)X線時系列データ(1998年7月から2019年1月まで)。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Space weather phenomena such as solar flares, have massive destructive power
when reaches certain amount of magnitude. Such high magnitude solar flare event
can interfere space-earth radio communications and neutralize space-earth
electronics equipment. In the current study, we explorer the deep learning
approach to build a solar flare forecasting model and examine its limitations
along with the ability of features extraction, based on the available
time-series data. For that purpose, we present a multi-layer 1D Convolutional
Neural Network (CNN) to forecast solar flare events probability occurrence of M
and X classes at 1,3,6,12,24,48,72,96 hours time frame. In order to train and
evaluate the performance of the model, we utilised the available Geostationary
Operational Environmental Satellite (GOES) X-ray time series data, ranged
between July 1998 and January 2019, covering almost entirely the solar cycles
23 and 24. The forecasting model were trained and evaluated in two different
scenarios (1) random selection and (2) chronological selection, which were
compare afterward. Moreover we compare our results to those considered as
state-of-the-art flare forecasting models, both with similar approaches and
different ones.The majority of the results indicates that (1) chronological
selection obtain a degradation factor of 3\% versus the random selection for
the M class model and elevation factor of 2\% for the X class model. (2) When
consider utilizing only X-ray time-series data, the suggested model achieve
high score results compare to other studies. (3) The suggested model combined
with solely X-ray time-series fails to distinguish between M class magnitude
and X class magnitude solar flare events. All source code are available at
https://github.com/vladlanda/Low-Dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time -Series-Classification
- Abstract(参考訳): 太陽フレアのような宇宙天気現象は、一定の大きさに達すると大きな破壊力を持つ。
このような大規模な太陽フレア現象は、宇宙アース無線通信を妨害し、宇宙アース電子機器を中和する可能性がある。
本研究では,太陽フレア予測モデルを構築するための深層学習手法を探索し,利用可能な時系列データに基づいて特徴抽出の能力とともに,その限界を検証する。
そこで我々は,MクラスとXクラスの太陽フレア発生確率を1,3,6,12,24,48,72,96時間フレームで予測する多層1D畳み込みニューラルネットワーク(CNN)を提案する。
モデルの性能を訓練し評価するために,1998年7月から2019年1月にかけて,利用可能な静止運用環境衛星(goes)のx線時系列データを活用し,太陽周期23,24のほぼすべてをカバーした。
予測モデルは, ランダム選択と, (2) 時系列選択の2つの異なるシナリオで訓練され, 評価された。
その結果,(1) 時間的選択は,(1) 時間的選択が,Mクラスモデルに対するランダム選択と,Xクラスモデルにおける2\%の上昇係数とに対して,3\%の劣化係数が得られることがわかった。
2)x線時系列データのみを利用する場合,提案モデルは他の研究と比較して高いスコアが得られる。
3) x線系列のみと組み合わされたモデルでは,m級とx級の太陽フレア現象の区別に失敗している。
すべてのソースコードはhttps://github.com/vladlanda/Low-dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time -Series-Classificationで入手できる。
関連論文リスト
- Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。
評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。
この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
論文 参考訳(メタデータ) (2023-12-29T15:54:45Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳(メタデータ) (2023-10-08T08:09:51Z) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - 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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - 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) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Prediction of Solar Radiation Based on Spatial and Temporal Embeddings
for Solar Generation Forecast [3.174751774599701]
気象データを用いたリアルタイム太陽光発電予測手法を提案する。
気象観測は、予測段階で天気予報を行う間、構造化回帰モデルを訓練するために使用される。
実験は、サンアントニオのTXエリアの288箇所で実施され、国立太陽放射データベースから得られた。
論文 参考訳(メタデータ) (2022-06-17T15:26:38Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Simultaneous Multivariate Forecast of Space Weather Indices using Deep
Neural Network Ensembles [3.3935755618642367]
太陽放射束と地磁気指数は、太陽活動とその影響の重要な指標である。
本稿では,時系列データの分布を学習するための,長期記憶ニューラルネットワークに基づくモデルを提案する。
太陽画像データと時系列データを含む場合、根平均二乗誤差を30~40%改善する。
論文 参考訳(メタデータ) (2021-12-16T17:42:49Z)
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。