論文の概要: Global Earth Magnetic Field Modeling and Forecasting with Spherical
Harmonics Decomposition
- arxiv url: http://arxiv.org/abs/2102.01447v1
- Date: Tue, 2 Feb 2021 11:47:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 11:27:39.886504
- Title: Global Earth Magnetic Field Modeling and Forecasting with Spherical
Harmonics Decomposition
- Title(参考訳): 地球磁場モデリングと球状高調波分解による予測
- Authors: Panagiotis Tigas and T\'eo Bloch and Vishal Upendran and Banafsheh
Ferdoushi and Mark C. M. Cheung and Siddha Ganju and Ryan M. McGranaghan and
Yarin Gal and Asti Bhatt
- Abstract要約: 球高調波空間2で予測する深層学習モデルを構築し,MHDモデルへの依存を代替する。
我々はSuperMAGデータセット(14.53%改善)とMHDシミュレーション(24.35%改善)の性能評価を行った。
- 参考スコア(独自算出の注目度): 19.755689078176772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling and forecasting the solar wind-driven global magnetic field
perturbations is an open challenge. Current approaches depend on simulations of
computationally demanding models like the Magnetohydrodynamics (MHD) model or
sampling spatially and temporally through sparse ground-based stations
(SuperMAG). In this paper, we develop a Deep Learning model that forecasts in
Spherical Harmonics space 2, replacing reliance on MHD models and providing
global coverage at one minute cadence, improving over the current
state-of-the-art which relies on feature engineering. We evaluate the
performance in SuperMAG dataset (improved by 14.53%) and MHD simulations
(improved by 24.35%). Additionally, we evaluate the extrapolation performance
of the spherical harmonics reconstruction based on sparse ground-based stations
(SuperMAG), showing that spherical harmonics can reliably reconstruct the
global magnetic field as evaluated on MHD simulation.
- Abstract(参考訳): 太陽風による大域磁場の摂動のモデル化と予測は、オープンな課題である。
現在のアプローチは、MHD(Magneticohydrodynamics)モデルのような計算に要求されるモデルのシミュレーションや、スパース基底局(SuperMAG)を通して空間的および時間的にサンプリングに依存する。
本稿では、Spherical Harmonicsスペース2で予測するディープラーニングモデルを開発し、MHDモデルへの依存を置き換え、1分間のケイデンスでグローバルカバレッジを提供し、機能工学に依存する現在の最新技術を改善する。
超磁気データセット(14.53%改善)とmhdシミュレーション(24.35%改善)の性能評価を行った。
さらに,sparse ground-based station (supermag) に基づく球面高調波再構成の補間性能を評価し,mhdシミュレーションにより球面高調波が確実に大域磁場を再構成できることを示した。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳(メタデータ) (2024-07-23T13:26:05Z) - Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。
我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。
このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
論文 参考訳(メタデータ) (2024-06-21T00:16:55Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models [2.2215308271891403]
我々は、恒星間放射場(ISRF)強度を4.5,24,250の3バンドダストエミッションに基づいて予測するために、深層学習技術を採用している。
我々のモデルは、複雑で制約の厳しいISRF環境においても、放射線のフィードバック分布を強く予測する。
論文 参考訳(メタデータ) (2023-09-11T20:28:43Z) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - Global geomagnetic perturbation forecasting using Deep Learning [21.837727173953663]
我々は、太陽風の測定のみを入力として、30分後に予測する高速なグローバルdB/dt予測モデルを開発した。
このモデルでは,1分間の周期で水平磁気摂動成分に対する大域的予測を生成する。
論文 参考訳(メタデータ) (2022-05-12T18:58:16Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z)
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。