Fugu-MT 論文翻訳(概要): Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification

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

Generative Simulations of The Solar Corona Evolution With Denoising Diffusion : Proof of Concept [0.282697733014759]
太陽磁化コロナは、フレア、コロナ質量放出(CME)、そして自然界の太陽風など、宇宙の気象の影響で様々な現象を引き起こしている。本研究では, 将来的なコロナの進化をシミュレートするために, DDPM (Denoising Probabilistic Models) のような生成的深層学習手法をうまく適用できることを実証する。
論文参考訳（メタデータ） (2024-10-28T08:55:33Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文参考訳（メタデータ） (2024-05-12T23:18:14Z)
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 [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文参考訳（メタデータ） (2023-09-11T16:25:48Z)
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)
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。