論文の概要: Calibrated and Enhanced NRLMSIS 2.0 Model with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2208.11619v1
• Date: Wed, 24 Aug 2022 15:43:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 13:26:49.892751
• Title: Calibrated and Enhanced NRLMSIS 2.0 Model with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化によるNRLMSIS 2.0モデルの校正と拡張
• Authors: Richard J. Licata, Piyush M. Mehta, Daniel R. Weimer, W. Kent Tobiska, Jean Yoshii
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Mass Spectrometer and Incoherent Scatter radar (MSIS) model family has been developed and improved since the early 1970's. The most recent version of MSIS is the Naval Research Laboratory (NRL) MSIS 2.0 empirical atmospheric model. NRLMSIS 2.0 provides species density, mass density, and temperature estimates as function of location and space weather conditions. MSIS models have long been a popular choice of atmosphere model in the research and operations community alike, but - like many models - does not provide uncertainty estimates. In this work, we develop an exospheric temperature model based in machine learning (ML) that can be used with NRLMSIS 2.0 to calibrate it relative to high-fidelity satellite density estimates. Instead of providing point estimates, our model (called MSIS-UQ) outputs a distribution which is assessed using a metric called the calibration error score. We show that MSIS-UQ debiases NRLMSIS 2.0 resulting in reduced differences between model and satellite density of 25% and is 11% closer to satellite density than the Space Force's High Accuracy Satellite Drag Model. We also show the model's uncertainty estimation capabilities by generating altitude profiles for species density, mass density, and temperature. This explicitly demonstrates how exospheric temperature probabilities affect density and temperature profiles within NRLMSIS 2.0. Another study displays improved post-storm overcooling capabilities relative to NRLMSIS 2.0 alone, enhancing the phenomena that it can capture.
• Abstract（参考訳）: 質量分析計と非コヒーレント散乱レーダー(MSIS)モデルは1970年代初頭から開発・改良されている。 MSISの最新のバージョンは、海軍研究所 (NRL) MSIS 2.0 経験的大気モデルである。 NRLMSIS 2.0は、種密度、質量密度、温度推定を場所と宇宙の気象条件の関数として提供する。 MSISモデルは長い間、研究と運用のコミュニティでも一般的な大気モデル選択であったが、多くのモデルと同様に、不確実性評価を提供していない。 本研究では, NRLMSIS 2.0と併用して高忠実度衛星密度推定値に対する校正を行うことができる機械学習(ML)に基づく球面温度モデルを開発する。 我々のモデル(MSIS-UQ)は、点推定を提供する代わりに、キャリブレーション誤差スコアと呼ばれる計量を用いて評価された分布を出力する。 MSIS-UQはNRLMSIS 2.0を除染し、モデルと衛星密度の25%の差を小さくし、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。 また,種密度,質量密度,温度の高度プロファイルを生成することにより,モデルの不確実性推定能力を示す。 このことは、NRLMSIS 2.0内の密度と温度分布にどのように影響するかを明確に示している。 別の研究では、ストーム後のオーバークーリング能力がnrlmsis 2.0単独で改善され、捕獲できる現象が強化された。

関連論文リスト

• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• 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)
• Long Horizon Temperature Scaling [90.03310732189543]
  LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。 温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-07T18:59:32Z)
• Science through Machine Learning: Quantification of Poststorm Thermospheric Cooling [0.0]
  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。
  論文  参考訳（メタデータ） (2022-06-12T19:40:30Z)
• 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)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• 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)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction [3.59465210252619]
  制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-22T02:40:28Z)

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。