論文の概要: Coronal Hole Analysis and Prediction using Computer Vision and LSTM
Neural Network
- arxiv url: http://arxiv.org/abs/2301.06732v1
- Date: Tue, 17 Jan 2023 07:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:47:49.502570
- Title: Coronal Hole Analysis and Prediction using Computer Vision and LSTM
Neural Network
- Title(参考訳): コンピュータビジョンとLSTMニューラルネットワークを用いたコロナホール解析と予測
- Authors: Juyoung Yun
- Abstract要約: コロナホール(英語:coronal hole)は、磁場線と比較的低温が特徴の太陽上の領域である。
本研究では、コンピュータビジョンを用いて、コロナホール領域を検出し、太陽ダイナミクス観測所の画像に基づいてその大きさを算出する。
次に, 深層学習, 特にLong Short-Term Memory (LSTM) 手法を実装し, コロナホール領域データの傾向を解析する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: As humanity has begun to explore space, the significance of space weather has
become apparent. It has been established that coronal holes, a type of space
weather phenomenon, can impact the operation of aircraft and satellites. The
coronal hole is an area on the sun characterized by open magnetic field lines
and relatively low temperatures, which result in the emission of the solar wind
at higher than average rates. In this study, To prepare for the impact of
coronal holes on the Earth, we use computer vision to detect the coronal hole
region and calculate its size based on images from the Solar Dynamics
Observatory (SDO). We then implement deep learning techniques, specifically the
Long Short-Term Memory (LSTM) method, to analyze trends in the coronal hole
area data and predict its size for different sun regions over 7 days. By
analyzing time series data on the coronal hole area, this study aims to
identify patterns and trends in coronal hole behavior and understand how they
may impact space weather events. This research represents an important step
towards improving our ability to predict and prepare for space weather events
that can affect Earth and technological systems.
- Abstract(参考訳): 人類が宇宙を探索し始めるにつれ、宇宙の天気の重要性が明らかになってきた。
宇宙天気現象の一種であるコロナホールが、航空機や衛星の運用に影響を与えることが確立されている。
コロナホール(英: coronal hole)は、オープン磁場線と比較的低温を特徴とする太陽上の領域であり、太陽風を平均より高い速度で放出する。
本研究では,地球へのコロナホールの影響に備えるために,コンピュータビジョンを用いてコロナホール領域を検出し,太陽動力学観測所(sdo)の画像に基づいてその大きさを計算する。
次に, 深層学習, 特にLong Short-Term Memory (LSTM) 手法を実装し, コロナホール領域データの傾向を解析し, 7日間にわたる異なる太陽領域におけるそのサイズを予測する。
本研究は, コロナホール領域の時系列データを解析することにより, コロナホールの挙動のパターンや傾向を同定し, 宇宙気象事象にどのように影響するかを理解することを目的とする。
この研究は、地球と技術システムに影響を与える宇宙天気イベントを予測し、準備する能力を改善するための重要なステップである。
関連論文リスト
- 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) - 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) - 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) - 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) - Heating and dynamics of the Solar atmosphere [0.0]
太陽大気は5500Kの光球から100万度のケルビンコロナまで、異常な温度変化を示す。
コロナ自体は、地球近傍の宇宙天気を調節し、衝撃を与える自由流太陽風として、星間物質へと膨張する。
太陽風における異なる構造、その形成高さ、太陽大気の加熱の正確な源域は、天体物理学においてリンクされ未解決な問題である。
論文 参考訳(メタデータ) (2023-04-04T06:13:07Z) - 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) - STAU: A SpatioTemporal-Aware Unit for Video Prediction and Beyond [78.129039340528]
本稿では,映像予測などのための時間認識ユニット(STAU)を提案する。
我々のSTAUは、性能と効率の点で、全てのタスクにおける他のメソッドよりも優れています。
論文 参考訳(メタデータ) (2022-04-20T13:42:51Z) - SCSS-Net: Solar Corona Structures Segmentation by Deep Learning [0.0]
太陽コロナの構造は、直接的または間接的に地球に影響を与える可能性のある宇宙の気象過程の主要な要因である。
本研究では,EUVスペクトルで観測された太陽コロナ構造の自動セグメンテーション法を開発した。
このモデルの出力は、太陽活動と地球への宇宙気象の影響の間の関係について、より統計的に研究するために使われる。
論文 参考訳(メタデータ) (2021-09-22T16:51:50Z) - Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly
using Machine Learning [20.247229396526855]
現在の技術キャリブレーション技術は周期的観測ロケットに依存している。
畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。
以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
論文 参考訳(メタデータ) (2020-12-27T22:43:37Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z) - Solar Coronal Magnetic Field Extrapolation from Synchronic Data with
AI-generated Farside [0.1529342790344802]
我々は,前線と人工知能(AI)が生成する遠方磁場をほぼリアルタイムに利用して,地球規模の磁場の外挿を構築した。
フロントエンドテストデータセットでは、生成した磁場分布が実値と一致していることが示される。
我々は,従来の遠方データから,我々のモデルで生成された遠方データに置き換えた大域的磁場同期マップを作成する。
論文 参考訳(メタデータ) (2020-10-15T07:04:54Z)
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。