論文の概要: Global geomagnetic perturbation forecasting using Deep Learning
- arxiv url: http://arxiv.org/abs/2205.12734v1
- Date: Thu, 12 May 2022 18:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-06 08:14:44.940053
- Title: Global geomagnetic perturbation forecasting using Deep Learning
- Title(参考訳): 深層学習による地球磁気摂動予測
- Authors: Vishal Upendran, Panagiotis Tigas, Banafsheh Ferdousi, Teo Bloch, Mark
C. M. Cheung, Siddha Ganju, Asti Bhatt, Ryan M. McGranaghan, Yarin Gal
- Abstract要約: 我々は、太陽風の測定のみを入力として、30分後に予測する高速なグローバルdB/dt予測モデルを開発した。
このモデルでは,1分間の周期で水平磁気摂動成分に対する大域的予測を生成する。
- 参考スコア(独自算出の注目度): 21.837727173953663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geomagnetically Induced Currents (GICs) arise from spatio-temporal changes to
Earth's magnetic field which arise from the interaction of the solar wind with
Earth's magnetosphere, and drive catastrophic destruction to our
technologically dependent society. Hence, computational models to forecast GICs
globally with large forecast horizon, high spatial resolution and temporal
cadence are of increasing importance to perform prompt necessary mitigation.
Since GIC data is proprietary, the time variability of horizontal component of
the magnetic field perturbation (dB/dt) is used as a proxy for GICs. In this
work, we develop a fast, global dB/dt forecasting model, which forecasts 30
minutes into the future using only solar wind measurements as input. The model
summarizes 2 hours of solar wind measurement using a Gated Recurrent Unit, and
generates forecasts of coefficients which are folded with a spherical harmonic
basis to enable global forecasts. When deployed, our model produces results in
under a second, and generates global forecasts for horizontal magnetic
perturbation components at 1-minute cadence. We evaluate our model across
models in literature for two specific storms of 5 August 2011 and 17 March
2015, while having a self-consistent benchmark model set. Our model
outperforms, or has consistent performance with state-of-the-practice high time
cadence local and low time cadence global models, while also
outperforming/having comparable performance with the benchmark models. Such
quick inferences at high temporal cadence and arbitrary spatial resolutions may
ultimately enable accurate forewarning of dB/dt for any place on Earth,
resulting in precautionary measures to be taken in an informed manner.
- Abstract(参考訳): 地磁気誘起電流(GIC)は、太陽風と地球の磁気圏の相互作用から生じる地球の磁場の時空間変化から生じ、我々の技術的に依存した社会に破滅的な破壊を引き起こす。
したがって,gicsを世界規模で予測するための計算モデルでは,空間分解能や時間的ケイデンスが増大し,迅速な改善が期待できる。
GICデータはプロプライエタリであるため、磁場摂動(dB/dt)の水平成分の時間変動がGICのプロキシとして使用される。
本研究では,太陽風測定のみを入力として,30分後に予測できる高速でグローバルなdB/dt予測モデルを開発した。
このモデルは、Gated Recurrent Unit を用いて太陽風の2時間の計測を要約し、球面調和ベースで折り畳まれた係数の予測を生成し、大域的な予測を可能にする。
デプロイすると、モデルは1秒未満で結果を生成し、1分間のケイデンスで水平磁気摂動成分のグローバルな予測を生成します。
我々は,2011年8月5日と2015年3月17日の2つの特定の嵐に対する文献におけるモデル間モデルの評価を行った。
当社のモデルでは,局所的および低時間的ケイデンスグローバルモデルと一貫した性能を示す一方,ベンチマークモデルと同等の性能を示す。
このような高時間周期と任意の空間分解能での迅速な推論は、最終的に地球上の任意の場所でdB/dtの正確な事前警戒を可能にする可能性がある。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction [3.2474405288441544]
本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
論文 参考訳(メタデータ) (2023-09-09T09:36:28Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - Global Earth Magnetic Field Modeling and Forecasting with Spherical
Harmonics Decomposition [19.755689078176772]
球高調波空間2で予測する深層学習モデルを構築し,MHDモデルへの依存を代替する。
我々はSuperMAGデータセット(14.53%改善)とMHDシミュレーション(24.35%改善)の性能評価を行った。
論文 参考訳(メタデータ) (2021-02-02T11:47:07Z)
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。