論文の概要: Prediction of soft proton intensities in the near-Earth space using machine learning

• arxiv url: http://arxiv.org/abs/2105.15108v1
• Date: Tue, 11 May 2021 10:33:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 08:48:55.133886
• Title: Prediction of soft proton intensities in the near-Earth space using machine learning
• Title（参考訳）: 機械学習を用いた地球近傍空間におけるソフトプロトン強度の予測
• Authors: Elena A. Kronberg, Tanveer Hannan, Jens Huthmacher, Marcus M\"unzer, Florian Peste, Ziyang Zhou, Max Berrendorf, Evgeniy Faerman, Fabio Gastaldello, Simona Ghizzardi, Philippe Escoubet, Stein Haaland, Artem Smirnov, Nithin Sivadas, Robert C. Allen, Andrea Tiengo, and Raluca Ilie
• Abstract要約: 放射状距離6～22 REの3次元地磁気圏において,28～1,885keVのエネルギーで陽子強度を予測する機械学習モデルを構築した。 結果は、例えば、放射帯の上を公転するX線天文学のためのX線望遠鏡における汚染粒子の背景を評価するための直接的な実用的応用がある。
• 参考スコア（独自算出の注目度）: 0.4014054923268951
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The spatial distribution of energetic protons contributes towards the understanding of magnetospheric dynamics. Based upon 17 years of the Cluster/RAPID observations, we have derived machine learning-based models to predict the proton intensities at energies from 28 to 1,885 keV in the 3D terrestrial magnetosphere at radial distances between 6 and 22 RE. We used the satellite location and indices for solar, solar wind and geomagnetic activity as predictors. The results demonstrate that the neural network (multi-layer perceptron regressor) outperforms baseline models based on the k-Nearest Neighbors and historical binning on average by ~80% and ~33\%, respectively. The average correlation between the observed and predicted data is about 56%, which is reasonable in light of the complex dynamics of fast-moving energetic protons in the magnetosphere. In addition to a quantitative analysis of the prediction results, we also investigate parameter importance in our model. The most decisive parameters for predicting proton intensities are related to the location: ZGSE direction and the radial distance. Among the activity indices, the solar wind dynamic pressure is the most important. The results have a direct practical application, for instance, for assessing the contamination particle background in the X-Ray telescopes for X-ray astronomy orbiting above the radiation belts. To foster reproducible research and to enable the community to build upon our work we publish our complete code, the data, as well as weights of trained models. Further description can be found in the GitHub project at https://github.com/Tanveer81/deep_horizon.
• Abstract（参考訳）: エネルギー的陽子の空間分布は、磁気圏力学の理解に寄与する。 クラスター/RAPID観測から17年を経た結果,6～22 REの3次元地磁気圏において,28～1,885keVのエネルギーで陽子強度を予測する機械学習モデルが得られた。 衛星の位置と指標を用いて,太陽・太陽風・地磁気活動の予測を行った。 その結果、ニューラルネットワーク(多層パーセプトロン回帰器)は、k-Nearest Neighborsと履歴ビンニングに基づくベースラインモデルよりも平均で約80%、平均で約33\%優れていた。 観測データと予測データの平均相関は約56%であり、磁気圏における高速運動するエネルギープロトンの複雑なダイナミクスから見て妥当である。 予測結果の定量的解析に加えて,モデルにおけるパラメータの重要性についても検討した。 陽子強度を予測するための最も決定的なパラメータは、ZGSE方向と放射距離である。 活動指標の中では、太陽風の動的圧力が最も重要である。 結果は、例えば、放射帯の上を公転するX線天文学のためのX線望遠鏡における汚染粒子背景を評価するための直接的な実用的応用がある。 再現可能な研究を育成し、コミュニティが仕事を積み上げるために、私たちは、トレーニングされたモデルの重みだけでなく、完全なコード、データを公開します。 詳細はgithubプロジェクトのhttps://github.com/tanveer81/deep_horizonにある。

関連論文リスト

• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• An Explainable Deep-learning Model of Proton Auroras on Mars [0.0]
  We developed a first purely data-driven model of proton auroras using Mars Atmosphere and Volatile EvolutioN (MAVEN) in-situ observed and limb scan of Ly-alpha emissions between 2014–2022。 モデル化されたLymanアルファピーク強度向上の最も重要な特徴は、太陽のゼニス角、太陽の経度、CO2大気の変動、太陽風速、温度である。
  論文  参考訳（メタデータ） (2023-09-15T06:53:13Z)
• 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)
• 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)
• Prediction of solar wind speed by applying convolutional neural network to potential field source surface (PFSS) magnetograms [2.124527370393348]
  このモデルは、平均相関係数0.52、根平均二乗誤差80.8km/sの連続試験データセットの予測を提供する。 このモデルはまた、太陽風の高速な流れを予測できる可能性があり、これは一般的な脅威スコア0.39で定量化することができる。
  論文  参考訳（メタデータ） (2023-04-03T06:54:22Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Machine learning model to predict solar radiation, based on the integration of meteorological data and data obtained from satellite images [0.0]
  地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。 GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。 太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2022-04-08T22:17:19Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。