論文の概要: A Machine-Learning-Ready Dataset Prepared from the Solar and
Heliospheric Observatory Mission
- arxiv url: http://arxiv.org/abs/2108.06394v1
- Date: Wed, 4 Aug 2021 21:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-22 16:19:46.160573
- Title: A Machine-Learning-Ready Dataset Prepared from the Solar and
Heliospheric Observatory Mission
- Title（参考訳）: 太陽・太陽圏観測ミッションから作成した機械学習対応データセット
- Authors: Carl Shneider (1), Andong Hu (1), Ajay K. Tiwari (1), Monica G. Bobra
(2), Karl Battams (5), Jannis Teunissen (1), and Enrico Camporeale (3 and 4)
((1) Multiscale Dynamics Group, Center for Mathematics and Computer Science
(CWI), Amsterdam, The Netherlands, (2) W.W. Hansen Experimental Physics
Laboratory, Stanford University, Stanford, CA, USA, (3) CIRES, University of
Colorado, Boulder, CO, USA, (4) NOAA, Space Weather Prediction Center,
Boulder, CO, USA, (5) US Naval Research Laboratory, Washington DC, USA)
- Abstract要約: 太陽画像から標準データセットを生成するためのPythonツールを提案する。
我々のツールは、SoHO(Solar and Heliospheric Observatory)とSolar Dynamics Observatory(Solar Dynamics Observatory)の両方のミッションから得られるすべての画像製品で動作する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a Python tool to generate a standard dataset from solar images
that allows for user-defined selection criteria and a range of pre-processing
steps. Our Python tool works with all image products from both the Solar and
Heliospheric Observatory (SoHO) and Solar Dynamics Observatory (SDO) missions.
We discuss a dataset produced from the SoHO mission's multi-spectral images
which is free of missing or corrupt data as well as planetary transits in
coronagraph images, and is temporally synced making it ready for input to a
machine learning system. Machine-learning-ready images are a valuable resource
for the community because they can be used, for example, for forecasting space
weather parameters. We illustrate the use of this data with a 3-5 day-ahead
forecast of the north-south component of the interplanetary magnetic field
(IMF) observed at Lagrange point one (L1). For this use case, we apply a deep
convolutional neural network (CNN) to a subset of the full SoHO dataset and
compare with baseline results from a Gaussian Naive Bayes classifier.
- Abstract（参考訳）: 我々は、ユーザ定義の選択基準と様々な事前処理ステップを可能にする、ソーラー画像から標準データセットを生成するPythonツールを提案する。
私たちのpythonツールは、solar and heliospheric observatory(soho)とsolar dynamics observatory(sdo)の両方のミッションからのすべてのイメージ製品で動作します。
sohoミッションのマルチスペクトル画像から得られたデータセットについて検討し、コロナグラフ画像内の惑星通過や欠落したデータや惑星トランジットを含まず、時間的同期により機械学習システムへの入力の準備が整う。
機械学習対応の画像は、例えば宇宙天気パラメータの予測に使用できるため、コミュニティにとって貴重なリソースである。
ラグランジュ点1(L1)で観測された惑星間磁場(IMF)の南北成分の3～5日間の予測値を用いて,このデータの利用について述べる。
このユースケースでは、完全なsohoデータセットのサブセットにディープ畳み込みニューラルネットワーク(cnn)を適用し、ガウスのナイーブベイズ分類器のベースライン結果と比較する。
関連論文リスト
- TelescopeML -- I. An End-to-End Python Package for Interpreting Telescope Datasets through Training Machine Learning Models, Generating Statistical Reports, and Visualizing Results [1.3372051498158442]
textttTelescopeMLは3つの主要なタスクを実行するために開発されたPythonパッケージである。
CNNモデルをトレーニングするための合成天文学データセットを処理し、後の予測に使用する観測データセットを作成する。
論文 参考訳（メタデータ） (2024-07-24T00:44:52Z) - M3LEO: A Multi-Modal, Multi-Label Earth Observation Dataset Integrating Interferometric SAR and Multispectral Data [1.4053129774629076]
M3LEOはマルチモーダルでマルチラベルの地球観測データセットである。
6つの地理的領域から約17M 4x4 kmのデータチップにまたがる。
論文 参考訳（メタデータ） (2024-06-06T16:30:41Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Solar Active Region Magnetogram Image Dataset for Studies of Space
Weather [0.0]
このデータセットには3つのソースからのデータが含まれており、太陽活動領域のSDOヘリオサイスミックおよび磁気画像(HMI)マグネティックグラムを提供する。
このデータセットは、磁気構造、時間の経過とともに進化し、太陽フレアとの関係に関する画像解析や太陽物理学の研究に有用である。
このデータセットは、太陽フレア予測研究のベンチマークデータセットとして機能する、太陽活動領域の一定サイズの画像の、最小限の処理されたユーザーデータセットである。
論文 参考訳（メタデータ） (2023-05-16T14:44:24Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - A Dataset of Images of Public Streetlights with Operational Monitoring
using Computer Vision Techniques [56.838577982762956]
データセットは、英国のサウスグロスターシャー地方に設置された140のUMBRELLAノードから撮影された$sim350textrmk$イメージで構成されている。
このデータセットは、ディープニューラルネットワークのトレーニングや、スマートシティCCTVアプリケーション、スマート気象検出アルゴリズム、ストリートインフラストラクチャ監視のためのトレーニング済みモデル生成に使用することができる。
論文 参考訳（メタデータ） (2022-03-31T09:36:07Z) - Omnidata: A Scalable Pipeline for Making Multi-Task Mid-Level Vision
Datasets from 3D Scans [103.92680099373567]
本稿では,実世界の包括的3Dスキャンからマルチタスク視覚データセットをパラメトリックサンプリングし,レンダリングするパイプラインを提案する。
サンプリングパラメータを変更することで、生成されたデータセットを“ステア”して、特定の情報を強調することが可能になる。
生成されたスタータデータセットでトレーニングされた共通アーキテクチャは、複数の共通ビジョンタスクとベンチマークで最先端のパフォーマンスに達した。
論文 参考訳（メタデータ） (2021-10-11T04:21:46Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - Identifying and Tracking Solar Magnetic Flux Elements with Deep Learning [6.659099851744079]
本研究では,太陽磁束要素や観測ベクトル磁気図の特徴を同定・追跡するための新しい深層学習手法であるSolarUnetを提案する。
SolarUnetは、ビッグベア太陽天文台の1.6メートルのグッド太陽望遠鏡のデータに適用される。
論文 参考訳（メタデータ） (2020-08-27T12:23:18Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:32:19Z)
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。