論文の概要: Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network
- arxiv url: http://arxiv.org/abs/2203.14393v1
- Date: Sun, 27 Mar 2022 21:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 17:20:36.129519
- Title: Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network
- Title（参考訳）: SDO/HMIベクトル磁気データと双方向LSTMネットワークを用いた太陽エネルギー粒子の予測
- Authors: Yasser Abduallah, Vania K. Jordanova, Hao Liu, Qin Li, Jason T. L.
Wang, Haimin Wang
- Abstract要約: 太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 6.759687230043489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solar energetic particles (SEPs) are an essential source of space radiation,
which are hazards for humans in space, spacecraft, and technology in general.
In this paper we propose a deep learning method, specifically a bidirectional
long short-term memory (biLSTM) network, to predict if an active region (AR)
would produce an SEP event given that (i) the AR will produce an M- or X-class
flare and a coronal mass ejection (CME) associated with the flare, or (ii) the
AR will produce an M- or X-class flare regardless of whether or not the flare
is associated with a CME. The data samples used in this study are collected
from the Geostationary Operational Environmental Satellite's X-ray flare
catalogs provided by the National Centers for Environmental Information. We
select M- and X-class flares with identified ARs in the catalogs for the period
between 2010 and 2021, and find the associations of flares, CMEs and SEPs in
the Space Weather Database of Notifications, Knowledge, Information during the
same period. Each data sample contains physical parameters collected from the
Helioseismic and Magnetic Imager on board the Solar Dynamics Observatory.
Experimental results based on different performance metrics demonstrate that
the proposed biLSTM network is better than related machine learning algorithms
for the two SEP prediction tasks studied here. We also discuss extensions of
our approach for probabilistic forecasting and calibration with empirical
evaluation.
- Abstract（参考訳）: 太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本稿では、アクティブ領域(AR)がSEPイベントを生成するかどうかを予測するための深層学習手法、特に双方向長短期記憶(biLSTM)ネットワークを提案する。
i)ARは、そのフレアに関連するM型又はX型フレア及びコロナ質量放出(CME)を生成するか、又は
二)ARは、そのフレアがCMEと関連しているか否かにかかわらず、M級又はX級フレアを生成する。
本研究で使用したデータサンプルは,国立環境情報センターが提供する静止運用環境衛星のX線フレアカタログから収集した。
我々は2010年から2021年までの期間、カタログに特定されたARを持つM級とX級のフレアを選択し、同じ期間に宇宙気象データベース(Space Weather Database of Notifications, Knowledge, Information)にフレア、CME、SEPの関連を見出した。
それぞれのデータサンプルには、太陽動力学観測所のヘリオサイスミックおよび磁気撮像装置から収集された物理パラメータが含まれている。
異なる性能指標に基づく実験結果から,提案したbiLSTMネットワークは,2つのSEP予測タスクにおいて,関連する機械学習アルゴリズムよりも優れていることが示された。
また,確率的予測とキャリブレーションのためのアプローチの拡張を経験的評価により検討する。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - 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) - Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。
SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。
DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文 参考訳（メタデータ） (2024-04-03T08:18:45Z) - 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) - 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) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳（メタデータ） (2023-05-17T08:53:29Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods [6.205102537396887]
太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。
本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
論文 参考訳（メタデータ） (2022-09-28T02:13:33Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - A spatio-temporal LSTM model to forecast across multiple temporal and
spatial scales [0.0]
本稿では,環境データセットに適用した時系列予測のための新しい時空間LSTM(SPATIAL)アーキテクチャを提案する。
このフレームワークは、複数のセンサーにまたがって評価され、現在の速度、温度、溶存酸素の3つの異なる海洋変数に対して評価された。
論文 参考訳（メタデータ） (2021-08-26T16:07:13Z) - Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks [8.269784943760882]
我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。
我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
論文 参考訳（メタデータ） (2020-02-22T11:26:47Z)
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。