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
- 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) - 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 [71.21242137496031]
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 Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
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) - Inference over radiative transfer models using variational and
expectation maximization methods [9.73020420215473]
本稿では,生物物理パラメータの点推定だけでなく,その共同分布を推定するための2つの計算手法を提案する。
そのうちの1つは変分オートエンコーダアプローチに基づいており、もう1つはモンテカルロ予想最大化スキームに基づいている。
本研究では,地球生物圏の定量化のための3つの重要な生体物理パラメータの分布をモデル化し,推定するための2つの手法の性能解析を行った。
論文 参考訳(メタデータ) (2022-04-07T10:33:51Z) - Harnessing expressive capacity of Machine Learning modeling to represent
complex coupling of Earth's auroral space weather regimes [0.0]
我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。
我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。
特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
論文 参考訳(メタデータ) (2021-11-29T22:35:09Z) - 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。