論文の概要: Predicting the Geoeffectiveness of CMEs Using Machine Learning

• arxiv url: http://arxiv.org/abs/2206.11472v1
• Date: Thu, 23 Jun 2022 03:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 14:09:49.943058
• Title: Predicting the Geoeffectiveness of CMEs Using Machine Learning
• Title（参考訳）: 機械学習によるCMEのジオエフェクトの予測
• Authors: Andreea-Clara Pricopi, Alin Razvan Paraschiv, Diana Besliu-Ionescu, and Anca-Nicoleta Marginean
• Abstract要約: この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。 我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。 このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coronal mass ejections (CMEs) are the most geoeffective space weather phenomena, being associated with large geomagnetic storms, having the potential to cause disturbances to telecommunication, satellite network disruptions, power grid damages and failures. Thus, considering these storms' potential effects on human activities, accurate forecasts of the geoeffectiveness of CMEs are paramount. This work focuses on experimenting with different machine learning methods trained on white-light coronagraph datasets of close to sun CMEs, to estimate whether such a newly erupting ejection has the potential to induce geomagnetic activity. We developed binary classification models using logistic regression, K-Nearest Neighbors, Support Vector Machines, feed forward artificial neural networks, as well as ensemble models. At this time, we limited our forecast to exclusively use solar onset parameters, to ensure extended warning times. We discuss the main challenges of this task, namely the extreme imbalance between the number of geoeffective and ineffective events in our dataset, along with their numerous similarities and the limited number of available variables. We show that even in such conditions, adequate hit rates can be achieved with these models.
• Abstract（参考訳）: コロナ質量放出(英語: coronal mass ejection, cmes)は、大規模な地磁気嵐と関連し、通信障害、衛星ネットワークの破壊、電力網の損傷、故障を引き起こす可能性がある、最も地球効率の良い宇宙気象現象である。 したがって、これらの嵐が人間の活動に与える影響を考えると、CMEのジオエフェクト性の正確な予測が最重要である。 この研究は、太陽に近いCMEのホワイトライトコロナグラフデータセットに基づいて訓練されたさまざまな機械学習手法の実験に焦点をあて、新たに噴出する噴出物が地磁気活動を引き起こす可能性を推定する。 我々は,ロジスティック回帰,k-ネアレスト近傍,サポートベクターマシン,フィードフォワードニューラルネットワーク,アンサンブルモデルを用いたバイナリ分類モデルを開発した。 この時点で、当社の予測は、警告時間の延長を保証するために、ソーラーオンセットパラメータのみを使用するように制限しました。 このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非効率イベントの数と、その多くの類似点と利用可能な変数の数との極端な不均衡について論じる。 このような条件下であっても、これらのモデルで適切なヒット率が得られることを示す。

関連論文リスト

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
  本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。 提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。 実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:00:56Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• A Novel Hybrid Approach for Tornado Prediction in the United States: Kalman-Convolutional BiLSTM with Multi-Head Attention [9.51657235413336]
  竜巻は最も激しい大気渦現象の1つであり、検出と予測に重大な課題を提起している。 地上観測やレーダーデータに大きく依存する従来の手法は、遠距離での精度の低下や偽陽性率の上昇といった問題によって制限されている。 本研究では,Multi-Radar Multi-Sensor(MRMS)システムからSeamless Hybrid Scan Reflectivityデータセットを用いて精度を向上させる。 Kalman-Convolutional BiLSTMとMulti-Head Attentionというハイブリッドモデルを導入し、動的状態推定を改善し、データ内の空間的および時間的依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-08-05T18:11:23Z)
• Large Scale Masked Autoencoding for Reducing Label Requirements on SAR Data [5.235143203977019]
  本研究では,地球表面面積の8.7%をカバーするSAR振幅データに対して,自己教師付き事前学習方式,マスク付き自動符号化を適用した。 この事前学習方式を用いることで、下流タスクのラベル付け要求を1桁以上削減できることを示す。 本研究は,タスクモデルと地域固有のSARモデルの開発を促進することにより,気候変動の緩和を著しく促進する。
  論文  参考訳（メタデータ） (2023-10-02T00:11:47Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models [0.0]
  本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。 利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。 また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-11-08T17:36:37Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。