論文の概要: Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles

• arxiv url: http://arxiv.org/abs/2112.09051v1
• Date: Thu, 16 Dec 2021 17:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 17:26:31.042566
• Title: Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles
• Title（参考訳）: 深層ニューラルネットワークを用いた宇宙気象指標の同時多変量予測
• Authors: Bernard Benson, Edward Brown, Stefano Bonasera, Giacomo Acciarini, Jorge A. P\'erez-Hern\'andez, Eric Sutton, Moriba K. Jah, Christopher Bridges, Meng Jin, At{\i}l{\i}m G\"une\c{s} Baydin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.3935755618642367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar radio flux along with geomagnetic indices are important indicators of solar activity and its effects. Extreme solar events such as flares and geomagnetic storms can negatively affect the space environment including satellites in low-Earth orbit. Therefore, forecasting these space weather indices is of great importance in space operations and science. In this study, we propose a model based on long short-term memory neural networks to learn the distribution of time series data with the capability to provide a simultaneous multivariate 27-day forecast of the space weather indices using time series as well as solar image data. We show a 30-40\% improvement of the root mean-square error while including solar image data with time series data compared to using time series data alone. Simple baselines such as a persistence and running average forecasts are also compared with the trained deep neural network models. We also quantify the uncertainty in our prediction using a model ensemble.
• Abstract（参考訳）: 太陽放射束と磁気指標は、太陽活動とその影響の重要な指標である。 フレアや地磁気嵐などの極端太陽現象は、低地球軌道の衛星を含む宇宙環境に悪影響を及ぼす可能性がある。 したがって、これらの宇宙天気指標の予測は、宇宙運用や科学において非常に重要である。 本研究では,時系列データと太陽画像データを用いて,宇宙天気指標の同時多変量27日間予測を行う能力を持つ時系列データの分布を学習するための,長期短期記憶型ニューラルネットワークに基づくモデルを提案する。 時系列データのみを用いた場合と比較して,太陽画像データと時系列データを含む場合,根平均2乗誤差は30～40倍改善される。 永続性や平均予測の実行といった単純なベースラインも、トレーニングされたディープニューラルネットワークモデルと比較される。 また,モデルアンサンブルを用いて予測の不確実性を定量化する。

関連論文リスト

• Multi-modal graph neural networks for localized off-grid weather forecasting [3.890177521606208]
  機械学習や数値気象モデルによる天気予報製品は、現在、グローバル・レギュラー・グリッドで作成されている。 本研究では、異種グラフニューラルネットワーク(GNN)をエンドツーエンドにトレーニングし、グリッド化された予測をダウンスケールして、関心のある場所をオフグリッドする。 提案手法は,グローバルな大規模気象モデルと局所的高精度な予測とのギャップを橋渡しして,局所的な意思決定に役立てることができることを示す。
  論文  参考訳（メタデータ） (2024-10-16T18:25:43Z)
• Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
  太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。 本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。 提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
  論文  参考訳（メタデータ） (2024-10-01T01:20:47Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Analysis and Predictive Modeling of Solar Coronal Holes Using Computer Vision and ARIMA-LSTM Networks [0.0]
  本研究ではコンピュータビジョン技術を用いてコロナホール領域を検出し,その大きさを推定する。 我々は,コロナホールの領域の傾向を分析し,その地域を7日間にわたって様々な太陽地域にわたって予測する。
  論文  参考訳（メタデータ） (2024-05-16T04:21:09Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Prediction of Solar Radiation Using Artificial Neural Network [0.0]
  本稿では,太陽放射の時間的活動を予測するアルゴリズムを提案する。 データセットは、空気の温度、時間、湿度、風速、気圧、風向き、太陽放射データで構成されている。 教師付き学習データを通じてパターンを解釈できるシステムを構築するために、2つのモデルを作成する。
  論文  参考訳（メタデータ） (2021-04-01T20:41:27Z)

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。