論文の概要: Science through Machine Learning: Quantification of Poststorm
Thermospheric Cooling
- arxiv url: http://arxiv.org/abs/2206.05824v1
- Date: Sun, 12 Jun 2022 19:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 04:50:32.608295
- Title: Science through Machine Learning: Quantification of Poststorm
Thermospheric Cooling
- Title(参考訳): 機械学習による科学:ポストストーム熱圏冷却の定量化
- Authors: Richard J. Licata, Piyush M. Mehta, Daniel R. Weimer, Douglas P. Drob,
W. Kent Tobiska, Jean Yoshii
- Abstract要約: 本研究では,中温圏におけるポストストーム冷却の有無を学習する機械学習モデルを開発した。
NRLS 2.0 と JB2008-ML はいずれも,強大な地磁気嵐後の冷暖房を考慮しない。
その結果,嵐の場所や強度によって,最大40%の密度低下が1~3日後に起こりうることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) is often viewed as a black-box regression technique
that is unable to provide considerable scientific insight. ML models are
universal function approximators and - if used correctly - can provide
scientific information related to the ground-truth dataset used for fitting. A
benefit to ML over parametric models is that there are no predefined basis
functions limiting the phenomena that can be modeled. In this work, we develop
ML models on three datasets: the Space Environment Technologies (SET) High
Accuracy Satellite Drag Model (HASDM) density database, a spatiotemporally
matched dataset of outputs from the Jacchia-Bowman 2008 Empirical Thermospheric
Density Model (JB2008), and an accelerometer-derived density dataset from
CHAllenging Minisatellite Payload (CHAMP). These ML models are compared to the
Naval Research Laboratory Mass Spectrometer and Incoherent Scatter radar
(NRLMSIS 2.0) model to study the presence of post-storm cooling in the
middle-thermosphere. We find that both NRLMSIS 2.0 and JB2008-ML do not account
for post-storm cooling and consequently perform poorly in periods following
strong geomagnetic storms (e.g. the 2003 Halloween storms). Conversely,
HASDM-ML and CHAMP-ML do show evidence of post-storm cooling indicating that
this phenomenon is present in the original datasets. Results show that density
reductions up to 40% can occur 1--3 days post-storm depending on location and
the strength of the storm.
- Abstract(参考訳): 機械学習(ML)はしばしば、科学的知見を十分に提供できないブラックボックス回帰技術と見なされる。
MLモデルは普遍関数近似器であり、正しく使用すれば、フィッティングに使用される地上真実のデータセットに関する科学的情報を提供することができる。
パラメトリックモデルよりもmlの利点は、モデル化できる現象を制限する事前定義された基底関数がないことである。
本研究では,宇宙環境技術 (set) の高精度衛星ドラッグモデル (hasdm) 密度データベース,jacchia-bowman 2008 実験熱球密度モデル (jb2008) からの出力の時空間マッチングデータセット,challing minisatellite payload (champ) からの加速度計による密度データセットの3つのデータセットを用いたmlモデルを開発した。
これらのMLモデルと海軍研究所の質量分析計と Incoherent Scatter radar (NRLMSIS 2.0) モデルを比較して、中温圏におけるポストストーム冷却の有無を調べた。
その結果,nrlmsis 2.0 と jb2008-ml は,強大な地磁気嵐(例えば2003年ハロウィン嵐)の後に発生する温度低下を考慮しないことがわかった。
逆に、HASDM-MLとCHAMP-MLは暴風後の冷却の証拠を示し、この現象が元のデータセットに存在することを示している。
その結果,嵐の場所や強度によって,最大40%の密度低下が1~3日後に起こりうることがわかった。
関連論文リスト
- 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) - Turbulence in Focus: Benchmarking Scaling Behavior of 3D Volumetric
Super-Resolution with BLASTNet 2.0 Data [4.293221567339693]
圧縮性乱流の解析は、推進、エネルギー発生、環境に関する応用に不可欠である。
我々は34個の高忠実度直接数値シミュレーションから744個のフルドメインのサンプルを含む2.2TBのデータセットネットワークを提案する。
3次元超解像のための5つのディープラーニングアプローチの合計49種類のバリエーションをベンチマークする。
論文 参考訳(メタデータ) (2023-09-23T18:57:02Z) - Comparison of Point Cloud and Image-based Models for Calorimeter Fast
Simulation [48.26243807950606]
2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。
生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
論文 参考訳(メタデータ) (2023-07-10T08:20:45Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - 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) - Adaptive Multi-source Predictor for Zero-shot Video Object Segmentation [68.56443382421878]
ゼロショットビデオオブジェクトセグメンテーション(ZVOS)のための新しい適応型マルチソース予測器を提案する。
静的オブジェクト予測器では、RGBソースは、同時に深度および静注ソースに変換される。
実験の結果,提案モデルは3つのZVOSベンチマークにおいて最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-03-18T10:19:29Z) - Calibrated and Enhanced NRLMSIS 2.0 Model with Uncertainty
Quantification [0.0]
本研究では, NRLMSIS 2.0と併用して衛星密度推定値のキャリブレーションを行うことができる, 機械学習(ML)に基づく球面外温度モデルを構築した。
MSIS-UQはNRLMSIS 2.0を除染し、モデルと衛星密度の25%の差を減らし、宇宙軍の高精度衛星ドラッグモデルよりも衛星密度に11%近いことを示す。
論文 参考訳(メタデータ) (2022-08-24T15:43:05Z) - Uncertainty Quantification Techniques for Space Weather Modeling:
Thermospheric Density Application [0.0]
熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。
ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。
精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
論文 参考訳(メタデータ) (2022-01-06T14:17:50Z) - Harnessing expressive capacity of Machine Learning modeling to represent
complex coupling of Earth's auroral space weather regimes [0.0]
我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。
我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。
特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
論文 参考訳(メタデータ) (2021-11-29T22:35:09Z) - Machine-Learned HASDM Model with Uncertainty Quantification [0.0]
我々は、安定かつ確実な不確実性推定を伴う最初の熱圏中性質量密度モデルを開発した。
我々は、最も優れたHASDM-MLモデルと、米空軍の高精度衛星ドラッグモデルデータベースを比較した。
このモデルは、すべての宇宙気象条件における密度空間の堅牢で確実な不確実性を提供する。
論文 参考訳(メタデータ) (2021-09-16T01:06:44Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z)
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。