論文の概要: Predicting Solar Flares Using CNN and LSTM on Two Solar Cycles of Active Region Data

• arxiv url: http://arxiv.org/abs/2204.03710v1
• Date: Thu, 7 Apr 2022 19:38:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 21:52:26.164352
• Title: Predicting Solar Flares Using CNN and LSTM on Two Solar Cycles of Active Region Data
• Title（参考訳）: CNNとLSTMによる活動領域データの2つの太陽周期上の太陽フレア予測
• Authors: Zeyu Sun, Monica G. Bobra, Xiantong Wang, Yu Wang, Hu Sun, Tamas Gombosi, Yang Chen, Alfred Hero
• Abstract要約: 今後24時間でM級またはX級のフレアを発生させるフレアが支配的な活性領域を識別するフレア予測問題を考察する。 私たちは、CNNとLSTMという2つのディープラーニングアルゴリズムとそのスタックングアンサンブルをトレーニングし、評価します。
• 参考スコア（独自算出の注目度）: 8.482291093820635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the flare prediction problem that distinguishes flare-imminent active regions that produce an M- or X-class flare in the future 24 hours, from quiet active regions that do not produce any flare within $\pm 24$ hours. Using line-of-sight magnetograms and parameters of active regions in two data products covering Solar Cycle 23 and 24, we train and evaluate two deep learning algorithms -- CNN and LSTM -- and their stacking ensembles. The decisions of CNN are explained using visual attribution methods. We have the following three main findings. (1) LSTM trained on data from two solar cycles achieves significantly higher True Skill Scores (TSS) than that trained on data from a single solar cycle with a confidence level of at least 0.95. (2) On data from Solar Cycle 23, a stacking ensemble that combines predictions from LSTM and CNN using the TSS criterion achieves significantly higher TSS than the "select-best" strategy with a confidence level of at least 0.95. (3) A visual attribution method called Integrated Gradients is able to attribute the CNN's predictions of flares to the emerging magnetic flux in the active region. It also reveals a limitation of CNN as a flare prediction method using line-of-sight magnetograms: it treats the polarity artifact of line-of-sight magnetograms as positive evidence of flares.
• Abstract（参考訳）: 我々は,今後24時間以内にmクラスまたはxクラスのフレアを発生させるフレア期活性領域と,$\pm 24$ 以内にフレアを発生しない静かな活性領域を区別するフレア予測問題を考える。 ソーラーサイクル23と24をカバーする2つのデータ製品において、直視磁図と活動領域のパラメータを用いて、CNNとLSTMという2つのディープラーニングアルゴリズムとその積み重ねアンサンブルを訓練し、評価する。 CNNの決定は、視覚的帰属法を用いて説明される。 主な発見は以下の3つである。 1) 2つの太陽サイクルのデータに基づいてトレーニングされたLSTMは、信頼レベル0.95の単一太陽サイクルのデータに基づいてトレーニングされたLSTMよりもはるかに高い真のスキルスコア(TSS)を達成する。 2) ソーラーサイクル23のデータでは,TLS基準を用いたLSTMとCNNの予測を組み合わせた積み重ねアンサンブルが,信頼度0.95の「選択ベスト」戦略よりもはるかに高いTSSを実現している。 3) 集積勾配 (integrated gradients) と呼ばれる視覚的帰属法は, cnnによるフレアの予測を, 活性領域の出現する磁束に分類することができる。 また、直線磁図を用いたフレア予測法としてのcnnの限界も明らかにした: 直線磁図の極性アーチファクトをフレアの正の証拠として扱う。

関連論文リスト

• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• 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)
• Probabilistic solar flare forecasting using historical magnetogram data [0.0]
  複数の機器から毎日の歴史的マグネトグラムデータの太陽周期を4回以上検討する。 これは、MLベースのフレア予測のために、この歴史的データを活用しようとする最初の試みである。 過去のデータを含むと予測能力や信頼性が向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-29T16:10:20Z)
• 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)
• Incorporating Polar Field Data for Improved Solar Flare Prediction [8.035275738176107]
  機械学習モデルを用いて太陽フレア予測性能を向上させるため、太陽の北と南の極域強度に関連するデータを活用することを検討する。 実験の結果,太陽フレア予測における極域データの有用性が示唆され,ハイドケスキルスコア(HSS2)は最大10.1%向上した。
  論文  参考訳（メタデータ） (2022-12-04T03:06:11Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
  火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。 LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。 その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
  論文  参考訳（メタデータ） (2021-10-27T17:11:33Z)
• Feature Selection on a Flare Forecasting Testbed: A Comparative Study of 24 Methods [0.7768952514701895]
  SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算されている。 本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量的に評価する問題を,初めて体系的に攻撃した。
  論文  参考訳（メタデータ） (2021-09-30T00:23:09Z)
• Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification [0.0]
  太陽フレア発生確率を1,3,6,12,24,48,72,96時間枠で予測するcnnを提案する。 静止運用環境衛星(GOES)X線時系列データ(1998年7月から2019年1月まで)。
  論文  参考訳（メタデータ） (2021-01-29T12:55:57Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。