論文の概要: Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application

• arxiv url: http://arxiv.org/abs/2201.02067v1
• Date: Thu, 6 Jan 2022 14:17:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 17:55:31.197753
• Title: Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application
• Title（参考訳）: 宇宙気象モデリングのための不確かさ定量化技術:熱圏密度応用
• Authors: Richard J. Licata and Piyush M. Mehta
• Abstract要約: 熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has often been applied to space weather (SW) problems in recent years. SW originates from solar perturbations and is comprised of the resulting complex variations they cause within the systems between the Sun and Earth. These systems are tightly coupled and not well understood. This creates a need for skillful models with knowledge about the confidence of their predictions. One example of such a dynamical system is the thermosphere, the neutral region of Earth's upper atmosphere. Our inability to forecast it has severe repercussions in the context of satellite drag and collision avoidance operations for objects in low Earth orbit. Even with (assumed) perfect driver forecasts, our incomplete knowledge of the system results in often inaccurate neutral mass density predictions. Continuing efforts are being made to improve model accuracy, but density models rarely provide estimates of uncertainty. In this work, we propose two techniques to develop nonlinear ML models to predict thermospheric density while providing calibrated uncertainty estimates: Monte Carlo (MC) dropout and direct prediction of the probability distribution, both using the negative logarithm of predictive density (NLPD) loss function. We show the performance for models trained on local and global datasets. This shows that NLPD provides similar results for both techniques but the direct probability method has a much lower computational cost. For the global model regressed on the SET HASDM density database, we achieve errors of 11% on independent test data with well-calibrated uncertainty estimates. Using an in-situ CHAMP density dataset, both techniques provide test error on the order of 13%. The CHAMP models (on independent data) are within 2% of perfect calibration for all prediction intervals tested. This model can also be used to obtain global predictions with uncertainties at a given epoch.
• Abstract（参考訳）: 機械学習(ML)は近年、宇宙気象(SW)問題にしばしば適用されている。 SWは太陽の摂動に由来するもので、太陽と地球の間のシステム内で生じる複雑な変動から成り立っている。 これらのシステムは密結合であり、よく理解されていない。 これにより、予測の信頼性に関する知識を持つ熟練したモデルが必要となる。 このような力学系の例としては、地球上層大気の中立領域である熱圏がある。 我々の予測不能は、低軌道軌道上の物体に対する衛星のドラッグと衝突回避操作の文脈で深刻な反響を生じさせる。 たとえ(仮定された)完璧なドライバー予測であっても、システムの不完全な知識は、しばしば不正確な中性質量密度予測をもたらす。 モデル精度を改善するための継続的な努力が続けられているが、密度モデルが不確実性を評価することは滅多にない。 本研究では, 予測密度の負対数(nlpd)損失関数を用いて, モンテカルロ(mc)ドロップアウトと確率分布の直接予測という, 不確かさを校正した推定値を提供しながら, 熱圏密度を予測できる非線形mlモデルを開発する2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 これはNLPDが両方の手法に類似した結果をもたらすことを示しているが、直接確率法の方が計算コストがはるかに低いことを示している。 SET HASDM密度データベースに回帰した大域的モデルに対して, 精度の高い不確実性推定を伴う独立試験データ上で11%の誤差を達成した。 内部のCHAMP密度データセットを使用して、どちらの手法も13%の順序でテストエラーを提供する。 CHAMPモデル(独立データ)は、テストされた全ての予測間隔に対する完璧なキャリブレーションの2%以内である。 このモデルは、与えられた時期において不確実性を持つ大域的な予測を得るためにも使うことができる。

関連論文リスト

• CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification [25.325450602084484]
  CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。 80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• Valid Error Bars for Neural Weather Models using Conformal Prediction [0.1806830971023738]
  我々は,不確実性を推定するための後処理手法として,共形予測フレームワークを構築し,定式化する。 モデルには何の修正も必要とせず、計算コストはモデルトレーニングと比べて無視できる。 本研究は,北欧地域の限られた領域のニューラル気象モデルにおけるコンフォメーション予測フレームワークの有用性を実証する。
  論文  参考訳（メタデータ） (2024-06-20T16:45:41Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows [43.148818844265236]
  限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。 高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。 我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
  論文  参考訳（メタデータ） (2023-10-31T18:07:29Z)
• 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)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Science through Machine Learning: Quantification of Poststorm Thermospheric Cooling [0.0]
  本研究では,中温圏におけるポストストーム冷却の有無を学習する機械学習モデルを開発した。 NRLS 2.0 と JB2008-ML はいずれも,強大な地磁気嵐後の冷暖房を考慮しない。 その結果,嵐の場所や強度によって,最大40%の密度低下が1～3日後に起こりうることがわかった。
  論文  参考訳（メタデータ） (2022-06-12T19:40:30Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Machine-Learned HASDM Model with Uncertainty Quantification [0.0]
  我々は、安定かつ確実な不確実性推定を伴う最初の熱圏中性質量密度モデルを開発した。 我々は、最も優れたHASDM-MLモデルと、米空軍の高精度衛星ドラッグモデルデータベースを比較した。 このモデルは、すべての宇宙気象条件における密度空間の堅牢で確実な不確実性を提供する。
  論文  参考訳（メタデータ） (2021-09-16T01:06:44Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。