論文の概要: A Deep Learning Approach to Generating Photospheric Vector Magnetograms
of Solar Active Regions for SOHO/MDI Using SDO/HMI and BBSO Data
- arxiv url: http://arxiv.org/abs/2211.02278v1
- Date: Fri, 4 Nov 2022 06:21:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:39:16.358435
- Title: A Deep Learning Approach to Generating Photospheric Vector Magnetograms
of Solar Active Regions for SOHO/MDI Using SDO/HMI and BBSO Data
- Title（参考訳）: SDO/HMIとBBSOデータを用いたSOHO/MDIにおける太陽活動領域の光球ベクトル磁図生成のための深層学習手法
- Authors: Haodi Jiang, Qin Li, Zhihang Hu, Nian Liu, Yasser Abduallah, Ju Jing,
Genwei Zhang, Yan Xu, Wynne Hsu, Jason T. L. Wang, Haimin Wang
- Abstract要約: 我々は,SDO/HMIによるLOSマグネティックグラム,Bx,Byから,H-アルファ観測とともに学習するための新しい深層学習手法MagNetを提案する。
深層学習がSOHO/MDIのための太陽活動領域の球面ベクトル磁気図を生成するのはこれが初めてである。
- 参考スコア（独自算出の注目度）: 22.56276949415464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solar activity is usually caused by the evolution of solar magnetic fields.
Magnetic field parameters derived from photospheric vector magnetograms of
solar active regions have been used to analyze and forecast eruptive events
such as solar flares and coronal mass ejections. Unfortunately, the most recent
solar cycle 24 was relatively weak with few large flares, though it is the only
solar cycle in which consistent time-sequence vector magnetograms have been
available through the Helioseismic and Magnetic Imager (HMI) on board the Solar
Dynamics Observatory (SDO) since its launch in 2010. In this paper, we look
into another major instrument, namely the Michelson Doppler Imager (MDI) on
board the Solar and Heliospheric Observatory (SOHO) from 1996 to 2010. The data
archive of SOHO/MDI covers more active solar cycle 23 with many large flares.
However, SOHO/MDI data only has line-of-sight (LOS) magnetograms. We propose a
new deep learning method, named MagNet, to learn from combined LOS
magnetograms, Bx and By taken by SDO/HMI along with H-alpha observations
collected by the Big Bear Solar Observatory (BBSO), and to generate vector
components Bx' and By', which would form vector magnetograms with observed LOS
data. In this way, we can expand the availability of vector magnetograms to the
period from 1996 to present. Experimental results demonstrate the good
performance of the proposed method. To our knowledge, this is the first time
that deep learning has been used to generate photospheric vector magnetograms
of solar active regions for SOHO/MDI using SDO/HMI and H-alpha data.
- Abstract（参考訳）: 太陽活動は通常、太陽磁場の進化によって引き起こされる。
太陽活動領域の光球ベクトル磁図から得られた磁場パラメータは、太陽フレアやコロナ質量放出などの爆発現象を分析し予測するために用いられてきた。
残念なことに、最新の太陽周期24は比較的弱く、大きなフレアはほとんどないが、2010年の打ち上げ以来、太陽ダイナミクス天文台(SDO)のHelioseismic and Magnetic Imager(HMI)を通して一貫した時系列ベクトル磁気グラムが利用可能になった唯一の太陽周期である。
本稿では、1996年から2010年までの太陽・太陽圏観測衛星(SOHO)に搭載されていたMichelson Doppler Imager(MDI)について検討する。
SOHO/MDIのデータアーカイブは、多くの大きなフレアを持つより活発な太陽周期23をカバーしている。
しかし、SOHO/MDIデータはLOS(Line-of-sight)磁気グラムしか持たない。
我々は、ビッグベア・ソーラー・オブザーバ(BBSO)が収集したH-α観測とともに、SDO/HMIによるLOSマグネティックグラム、Bx、Byから学習し、観測されたLOSデータを用いてベクトル成分BxとBy'を生成する、MagNetという新しい深層学習手法を提案する。
このようにして、ベクトル磁図の可用性を1996年から現在までの期間に拡大することができる。
実験の結果,提案手法の性能が向上した。
我々の知る限り、SDO/HMIとH-アルファデータを用いてSOHO/MDIのための太陽活動領域の光球ベクトル磁気グラムを生成するためにディープラーニングが使用されるのはこれが初めてである。
関連論文リスト
- 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) - Super-Resolution of SOHO/MDI Magnetograms of Solar Active Regions Using SDO/HMI Data and an Attention-Aided Convolutional Neural Network [4.746722440828454]
太陽画像超解像のための注意支援畳み込みニューラルネットワーク(CNN)を提案する。
太陽・ヘリオスフェア天文台(SOHO)に搭載されたミッチェルソンドップラー・イメージラー(MDI)によって収集された太陽活動領域(AR)の視線磁図の質を高めることを目的として,SolarCNNと名付けられた手法を開発した。
実験結果から、SolarCNNは構造類似度指数測定(SSIM)、ピアソン相関係数(PCC)、ピーク信号-雑音比(PSNR)の観点からSOHO/MDI磁気グラムの品質を向上させることが示された。
論文 参考訳（メタデータ） (2024-03-27T06:58:01Z) - 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) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - Solar Active Region Magnetogram Image Dataset for Studies of Space
Weather [0.0]
このデータセットには3つのソースからのデータが含まれており、太陽活動領域のSDOヘリオサイスミックおよび磁気画像(HMI)マグネティックグラムを提供する。
このデータセットは、磁気構造、時間の経過とともに進化し、太陽フレアとの関係に関する画像解析や太陽物理学の研究に有用である。
このデータセットは、太陽フレア予測研究のベンチマークデータセットとして機能する、太陽活動領域の一定サイズの画像の、最小限の処理されたユーザーデータセットである。
論文 参考訳（メタデータ） (2023-05-16T14:44:24Z) - 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) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction [3.994605741665177]
我々は、Web上で太陽フレアを予測するための、DeepSunと呼ばれる機械学習・アズ・ア・サービスフレームワークを提案する。
DeepSunシステムは、このマルチクラス予測問題に対処するために、いくつかの機械学習アルゴリズムを使用している。
私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLツールです。
論文 参考訳（メタデータ） (2020-09-04T03:41:50Z) - Identifying and Tracking Solar Magnetic Flux Elements with Deep Learning [6.659099851744079]
本研究では,太陽磁束要素や観測ベクトル磁気図の特徴を同定・追跡するための新しい深層学習手法であるSolarUnetを提案する。
SolarUnetは、ビッグベア太陽天文台の1.6メートルのグッド太陽望遠鏡のデータに適用される。
論文 参考訳（メタデータ） (2020-08-27T12:23:18Z) - Learning Latent Space Energy-Based Prior Model [118.86447805707094]
我々はジェネレータモデルの潜在空間でエネルギーベースモデル(EBM)を学習する。
学習したモデルが画像やテキストの生成や異常検出の点で強い性能を示すことを示す。
論文 参考訳（メタデータ） (2020-06-15T08:11:58Z)
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。