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
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Predicting the Probability of Collision of a Satellite with Space
Debris: A Bayesian Machine Learning Approach [0.0]
宇宙は、宇宙活動の増大により、ローアース軌道でさらに混雑している。
定期的な運用の一環として衝突回避を検討する必要性は、衛星運用者にとって明らかである。
現在の手順は、人間アナリストによる多重衝突警告の分析に依存している。
論文 参考訳(メタデータ) (2023-11-17T16:41:35Z) - Large Scale Masked Autoencoding for Reducing Label Requirements on SAR
Data [5.057850174013128]
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) - 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) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳(メタデータ) (2023-04-14T14:40:32Z) - 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) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T07:49:48Z) - A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。
中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
論文 参考訳(メタデータ) (2021-12-26T20:16:20Z) - 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) - 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。