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
- DeepUQ: Assessing the Aleatoric Uncertainties from two Deep Learning Methods [44.99833362998488]
我々は,2つのUQ手法,Deep Ensembles (DE) とDeep Evidential Regression (DER) で測定されたアレタリック不確かさを系統的に比較した。
本手法は,0次元 (0D) と2次元 (2D) の両方のデータに着目し,UQ法が異なるデータ次元に対してどのように機能するかを検討する。
予測された不確実性は、2次元入力不確実性実験におけるUQ法と高雑音レベルの両方において最も正確である。
論文 参考訳(メタデータ) (2024-11-13T13:11:49Z) - Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal [46.348283638884425]
本稿では,フォワードビームダイナミクスの時相を考慮したリバースラテント進化モデル(rLEM)を提案する。
この2段階の自己教師型深層学習フレームワークでは、空調オートエンコーダ(CVAE)を用いて荷電粒子ビームの6次元空間投影を低次元潜在分布に投影する。
次に,Long Short-Term Memory (LSTM) ネットワークを用いて,潜在空間における逆時間力学を自動回帰的に学習する。
論文 参考訳(メタデータ) (2024-08-14T23:09:01Z) - TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.1940162009107382]
地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。
本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。
我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
論文 参考訳(メタデータ) (2024-07-09T08:30:42Z) - Rethinking Data Augmentation for Robust LiDAR Semantic Segmentation in Adverse Weather [21.040167521248772]
既存のLiDARセマンティックセグメンテーション手法は、悪天候下での性能低下に苦慮することが多い。
これまでの研究は、悪天候をシミュレートしたり、トレーニング中に普遍的なデータ拡張を採用することでこの問題に対処してきた。
本稿では,性能劣化の主な原因を特定するために,新たな戦略データ拡張手法を提案する。
提案手法はセマンティックKITTI-to-SemanticSTFベンチマークで39.5 mIoUを達成し,ベースラインを8.1%改善し,新たな最先端技術を確立した。
論文 参考訳(メタデータ) (2024-07-02T14:19:51Z) - Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches [0.0]
本研究では,機械学習技術を利用した地磁気障害の予測について検討した。
この問題は,SYM-H地磁気活動指数の50ドルnT未満の低下を事前に1時間予測することを目的とした2値分類としてアプローチされている。
地磁気嵐の発生を適切に予測するためのニューラルネットワークの最適性能を示す。
論文 参考訳(メタデータ) (2024-03-14T20:13:26Z) - 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) - 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) - 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) - 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。