論文の概要: A Machine Learning Enhanced Approach for Automated Sunquake Detection in
Acoustic Emission Maps
- arxiv url: http://arxiv.org/abs/2212.06717v1
- Date: Tue, 13 Dec 2022 16:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 14:19:54.696582
- Title: A Machine Learning Enhanced Approach for Automated Sunquake Detection in
Acoustic Emission Maps
- Title(参考訳): アコースティックエミッションマップにおける自動太陽地震検出のための機械学習強化手法
- Authors: Vanessa Mercea, Alin Razvan Paraschiv, Daniela Adriana Lacatus, Anca
Marginean, Diana Besliu-Ionescu
- Abstract要約: 太陽地震は、太陽フレアと関連した、太陽表面で見られる地震放射である。
いくつかの手動検出ガイドラインが利用可能であるにもかかわらず、日震のために生成された天体物理データは、機械学習の分野では初めてである。
ホログラフィー法を用いて,太陽周期23,24で得られた太陽活動領域の音響放射パワーマップから構築したデータセットについて紹介する。
次に,AutoEncoders,Contrastive Learning,Object Detection,およびRecurrent Techniqueを用いた地震検出のための機械学習表現手法の適用に関する教育的アプローチを提案する。
- 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: Sunquakes are seismic emissions visible on the solar surface, associated with
some solar flares. Although discovered in 1998, they have only recently become
a more commonly detected phenomenon. Despite the availability of several manual
detection guidelines, to our knowledge, the astrophysical data produced for
sunquakes is new to the field of Machine Learning. Detecting sunquakes is a
daunting task for human operators and this work aims to ease and, if possible,
to improve their detection. Thus, we introduce a dataset constructed from
acoustic egression-power maps of solar active regions obtained for Solar Cycles
23 and 24 using the holography method. We then present a pedagogical approach
to the application of machine learning representation methods for sunquake
detection using AutoEncoders, Contrastive Learning, Object Detection and
recurrent techniques, which we enhance by introducing several custom
domain-specific data augmentation transformations. We address the main
challenges of the automated sunquake detection task, namely the very high noise
patterns in and outside the active region shadow and the extreme class
imbalance given by the limited number of frames that present sunquake
signatures. With our trained models, we find temporal and spatial locations of
peculiar acoustic emission and qualitatively associate them to eruptive and
high energy emission. While noting that these models are still in a prototype
stage and there is much room for improvement in metrics and bias levels, we
hypothesize that their agreement on example use cases has the potential to
enable detection of weak solar acoustic manifestations.
- Abstract(参考訳): 太陽地震 (sunquake) は、太陽フレアに伴う太陽表面の地震放射である。
1998年に発見されたが、最近になってより一般的に検出される現象となった。
いくつかの手動検出ガイドラインが利用できるにもかかわらず、我々の知識では、サンコークスで生成された天体物理データは機械学習の分野では新しいものである。
太陽の地震を検知することは人間のオペレーターにとって大変な作業であり、この研究は検出を容易かつ可能ならば改善することを目的としている。
そこで,ホログラフィ法を用いて,太陽周期23,24で得られた太陽活動領域の音響回帰パワーマップから構築したデータセットを提案する。
次に, 自動エンコーダ, コントラスト学習, オブジェクト検出, 再帰的手法を用いたサンクエーカー検出のための機械学習表現法の適用に関する教育的アプローチを提案する。
そこで本研究では,太陽地震自動検出タスクの主な課題である,アクティブ領域シャドウ内外におけるノイズパターンと,太陽地震シグネチャを示すフレーム数の制限による極端クラスの不均衡について述べる。
訓練されたモデルでは、特殊な音響放射の時間的および空間的位置を見つけ、定性的にそれらを爆発的かつ高エネルギー放出に関連付ける。
これらのモデルはまだプロトタイプ段階であり、測定値やバイアスレベルを改善する余地がたくさんあることに留意しながらも、例えばユースケースにおける彼らの合意は、弱い太陽音像の検出を可能にする可能性があると仮定する。
関連論文リスト
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳(メタデータ) (2024-10-08T00:25:33Z) - Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。
SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。
DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文 参考訳(メタデータ) (2024-04-03T08:18:45Z) - Exploring Challenges in Deep Learning of Single-Station Ground Motion
Records [0.0]
実験の結果,P相とS相の到着情報に強く依存していることが判明した。
本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
論文 参考訳(メタデータ) (2024-03-12T11:56:50Z) - 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) - 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) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳(メタデータ) (2022-03-11T16:14:14Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳(メタデータ) (2022-01-31T20:02:22Z) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。
過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。
本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-11-19T05:37:06Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-04-07T05:42:11Z) - Winning with Simple Learning Models: Detecting Earthquakes in Groningen,
the Netherlands [0.0]
近年、地震学者は低等級地震の検出における深層学習アルゴリズムの有効性を実証している。
ここでは, 特徴抽出を伴うロジスティック回帰モデルを用いて, 地震イベント検出の問題点を再検討する。
訓練可能なパラメータを5つしか持たない単純な学習モデルを用いて,グローニンゲンガス田からの低マグニチュード誘導地震を検出する。
論文 参考訳(メタデータ) (2020-07-08T07:06:09Z)
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。