論文の概要: A Deep Learning Approach to Dst Index Prediction
- arxiv url: http://arxiv.org/abs/2205.02447v1
- Date: Thu, 5 May 2022 05:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 15:21:13.002221
- Title: A Deep Learning Approach to Dst Index Prediction
- Title(参考訳): Dstインデックス予測のためのディープラーニングアプローチ
- Authors: Yasser Abduallah, Jason T. L. Wang, Prianka Bose, Genwei Zhang, Firas
Gerges, Haimin Wang
- Abstract要約: 乱れ嵐時(Dst)指数は、宇宙気象研究において重要かつ有用な測定である。
本稿では,Dst Transformerと呼ばれる新しい深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 1.3212032015497979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The disturbance storm time (Dst) index is an important and useful measurement
in space weather research. It has been used to characterize the size and
intensity of a geomagnetic storm. A negative Dst value means that the Earth's
magnetic field is weakened, which happens during storms. In this paper, we
present a novel deep learning method, called the Dst Transformer, to perform
short-term, 1-6 hour ahead, forecasting of the Dst index based on the solar
wind parameters provided by the NASA Space Science Data Coordinated Archive.
The Dst Transformer combines a multi-head attention layer with Bayesian
inference, which is capable of quantifying both aleatoric uncertainty and
epistemic uncertainty when making Dst predictions. Experimental results show
that the proposed Dst Transformer outperforms related machine learning methods
in terms of the root mean square error and R-squared. Furthermore, the Dst
Transformer can produce both data and model uncertainty quantification results,
which can not be done by the existing methods. To our knowledge, this is the
first time that Bayesian deep learning has been used for Dst index forecasting.
- Abstract(参考訳): 外乱嵐時間(dst)指数は宇宙気象研究において重要かつ有用な測定指標である。
磁気嵐の大きさと強度を特徴付けるために使用されている。
負のdst値は、地球の磁場が弱められ、嵐の時に起こることを意味する。
本稿では,nasa宇宙科学データコーディネートアーカイブが提供する太陽風パラメータに基づくdst指数の予測を行うために,dstトランスフォーマと呼ばれる新しい深層学習手法を提案する。
dstトランスフォーマはマルチヘッドアテンション層とベイズ推論を組み合わせることで、dst予測を行う際のアレエータ的不確かさと認識的不確実性の両方を定量化することができる。
実験結果から,提案したDst変換器は根平均二乗誤差とR-二乗誤差で,関連する機械学習手法よりも優れていた。
さらに、dstトランスフォーマは、データとモデルの不確かさの定量化結果の両方を生成でき、既存の方法では不可能である。
我々の知る限り、ベイジアンディープラーニングがDstインデックス予測に使用されたのはこれが初めてである。
関連論文リスト
- Learned 3D volumetric recovery of clouds and its uncertainty for climate
analysis [16.260663741590253]
気候予測と雲物理学の不確かさは、浅い散在する雲に関連する観測上のギャップと結びついている。
我々は、ノイズの多い多視点空間画像に基づいて、このような雲のCTを実現するための学習ベースモデル(ProbCT)を設計する。
シミュレーションおよび実世界のデータに基づくアプローチを実証し, 降水および再生可能エネルギーに対する3次元回復と不確実性との関連性を示す。
論文 参考訳(メタデータ) (2024-03-09T14:57:03Z) - Novel application of Relief Algorithm in cascaded artificial neural
network to predict wind speed for wind power resource assessment in India [0.0]
本研究の結果, 従来のモデルと比較して, ANNの方が精度がよいことがわかった。
本論文の目的は2つある: 風力発電のためのANNの広範なレビューとWS予測を行う。
風速と風速の予測値と測定値とを比較した根平均二乗誤差(RMSE)は,それぞれ1.44m/sと1.49m/sであることがわかった。
論文 参考訳(メタデータ) (2024-01-25T10:39:40Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - TempEE: Temporal-Spatial Parallel Transformer for Radar Echo
Extrapolation Beyond Auto-Regression [18.456518902538814]
本稿では,TempEEと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。
自動回帰の使用を回避し、累積誤差の拡散を防ぐために1ステップの前進戦略を採用する。
広範囲な実験により、TempEE内の様々な成分の有効性と不必要性が検証された。
論文 参考訳(メタデータ) (2023-04-27T12:26:04Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳(メタデータ) (2022-11-26T01:56:05Z) - Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted
Neural Networks [0.0]
外乱嵐時(Dst)指数は、リング電流強度のプロキシとして広く使用されている。
1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
論文 参考訳(メタデータ) (2022-09-26T10:38:07Z) - alpha-Deep Probabilistic Inference (alpha-DPI): efficient uncertainty
quantification from exoplanet astrometry to black hole feature extraction [7.5042943749402555]
推論は、間接的および雑音の測定から隠れた天体物理学の特徴を推定する現代の天文学研究において重要である。
従来の後方推定手法にはサンプリングに基づく手法と変分推論がある。
生成ニューラルネットワークと組み合わせたアルファ・ディバージェンス変分推論を用いて、近似した後進を学習するディープラーニングフレームワークであるα-DPIを提案する。
論文 参考訳(メタデータ) (2022-01-21T00:58:10Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳(メタデータ) (2020-09-07T13:01:45Z)
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。