論文の概要: Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods
- arxiv url: http://arxiv.org/abs/2209.13779v1
- Date: Wed, 28 Sep 2022 02:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:58:35.260767
- Title: Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods
- Title（参考訳）: SDO/HMIベクトル磁気データを用いた統計的・機械学習手法による太陽フレア指数予測
- Authors: Hewei Zhang, Qin Li, Yanxing Yang, Ju Jing, Jason T.L. Wang, Haimin
Wang, Zuofeng Shang
- Abstract要約: 太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。
本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
- 参考スコア（独自算出の注目度）: 6.205102537396887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solar flares, especially the M- and X-class flares, are often associated with
coronal mass ejections (CMEs). They are the most important sources of space
weather effects, that can severely impact the near-Earth environment. Thus it
is essential to forecast flares (especially the M-and X-class ones) to mitigate
their destructive and hazardous consequences. Here, we introduce several
statistical and Machine Learning approaches to the prediction of the AR's Flare
Index (FI) that quantifies the flare productivity of an AR by taking into
account the numbers of different class flares within a certain time interval.
Specifically, our sample includes 563 ARs appeared on solar disk from May 2010
to Dec 2017. The 25 magnetic parameters, provided by the Space-weather HMI
Active Region Patches (SHARP) from Helioseismic and Magnetic Imager (HMI) on
board the Solar Dynamics Observatory (SDO), characterize coronal magnetic
energy stored in ARs by proxy and are used as the predictors. We investigate
the relationship between these SHARP parameters and the FI of ARs with a
machine-learning algorithm (spline regression) and the resampling method
(Synthetic Minority Over-Sampling Technique for Regression with Gaussian Noise,
short by SMOGN). Based on the established relationship, we are able to predict
the value of FIs for a given AR within the next 1-day period. Compared with
other 4 popular machine learning algorithms, our methods improve the accuracy
of FI prediction, especially for large FI. In addition, we sort the importance
of SHARP parameters by Borda Count method calculated from the ranks that are
rendered by 9 different machine learning methods.
- Abstract（参考訳）: 太陽フレア、特にm型およびx型フレアはしばしばコロナ質量放出(cmes)と関連している。
それらは、地球近傍の環境に大きな影響を与える宇宙の気象効果の最も重要な源である。
したがって、フレア(特にM型とX型)を予測し、破壊的で有害な結果を軽減することが不可欠である。
本稿では,arのフレア生産性を一定時間内における異なるクラスフレアの数を考慮して定量化するar's flare index(fi)の予測に,いくつかの統計的・機械学習的アプローチを導入する。
具体的には、2010年5月から2017年12月までに、太陽ディスクに563個のARが出現した。
ソーラー・ダイナミクス・オブザーバトリー(SDO)に搭載されたHelioseismic and Magnetic Imager(HMI)のSARP(Space-weather HMI Active Region Patches)によって提供された25の磁気パラメータは、ARに格納されたコロナ磁気エネルギーをプロキシで特徴付け、予測器として使用される。
これらの鋭いパラメータとarsのfiとの関係を機械学習アルゴリズム(スプライン回帰)と再サンプリング法(ガウス雑音を伴う回帰のための合成的マイノリティオーバーサンプリング手法、smogn)を用いて検討した。
確立された関係に基づいて、1日以内に所定のARに対するFIの価値を予測することができる。
他の4つの一般的な機械学習アルゴリズムと比較して、この手法はfi予測の精度を向上させる。
さらに,9つの異なる機械学習手法によって描画されるランクから算出したボルダ数法により,SHARPパラメータの重要性をソートする。
関連論文リスト
- Solar Active Regions Emergence Prediction Using Long Short-Term Memory
Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。
音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。
これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文 参考訳（メタデータ） (2024-09-25T23:09:46Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams [0.0]
HMI強度図とマグネティックグラムを用いた極端太陽フレアの予測手法を提案する。
強度図から太陽点を検出し、磁気グラムから磁場パッチを抽出することにより、極度のクラスフレアを分類するためにResidual Network(ResNet)を訓練する。
我々のモデルは高精度で、極端太陽フレアを予測し、宇宙天気予報を改善するための堅牢なツールを提供する。
論文 参考訳（メタデータ） (2024-05-23T16:17:16Z) - Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳（メタデータ） (2024-03-04T23:12:17Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。
おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文 参考訳（メタデータ） (2022-04-16T05:10:55Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-27T21:06:08Z) - 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) - Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks [8.269784943760882]
我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。
我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
論文 参考訳（メタデータ） (2020-02-22T11:26:47Z) - Interpreting LSTM Prediction on Solar Flare Eruption with Time-series
Clustering [0.0]
本研究では,Long Short Term Memory (LSTM)モデルによる太陽フレア予測のポストホック解析を行った。
LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。
我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。
論文 参考訳（メタデータ） (2019-12-27T22:56:01Z)
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。