論文の概要: Prediction of solar wind speed by applying convolutional neural network
to potential field source surface (PFSS) magnetograms
- arxiv url: http://arxiv.org/abs/2304.01234v1
- Date: Mon, 3 Apr 2023 06:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 17:03:22.383078
- Title: Prediction of solar wind speed by applying convolutional neural network
to potential field source surface (PFSS) magnetograms
- Title(参考訳): ポテンシャル場源面(PFSS)磁気グラムへの畳み込みニューラルネットワークの適用による太陽風速の予測
- Authors: Rong Lin, Zhekai Luo, Jiansen He, Lun Xie, Chuanpeng Hou, Shuwei Chen
- Abstract要約: このモデルは、平均相関係数0.52、根平均二乗誤差80.8km/sの連続試験データセットの予測を提供する。
このモデルはまた、太陽風の高速な流れを予測できる可能性があり、これは一般的な脅威スコア0.39で定量化することができる。
- 参考スコア(独自算出の注目度): 2.124527370393348
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An accurate solar wind speed model is important for space weather
predictions, catastrophic event warnings, and other issues concerning solar
wind - magnetosphere interaction. In this work, we construct a model based on
convolutional neural network (CNN) and Potential Field Source Surface (PFSS)
magnetograms, considering a solar wind source surface of $R_{\rm
SS}=2.5R_\odot$, aiming to predict the solar wind speed at the Lagrange 1 (L1)
point of the Sun-Earth system. The input of our model consists of four
Potential Field Source Surface (PFSS) magnetograms at $R_{\rm SS}$, which are
7, 6, 5, and 4 days before the target epoch. Reduced magnetograms are used to
promote the model's efficiency. We use the Global Oscillation Network Group
(GONG) photospheric magnetograms and the potential field extrapolation model to
generate PFSS magnetograms at the source surface. The model provides
predictions of the continuous test dataset with an averaged correlation
coefficient (CC) of 0.52 and a root mean square error (RMSE) of 80.8 km/s in an
eight-fold validation training scheme with the time resolution of the data as
small as one hour. The model also has the potential to forecast high speed
streams of the solar wind, which can be quantified with a general threat score
of 0.39.
- Abstract(参考訳): 正確な太陽風速モデルは、宇宙天気予報、破滅的なイベント警告、太陽風に関するその他の問題、磁気圏相互作用に重要である。
本研究では,太陽-地球系のラグランジュ1(L1)点における太陽風速の予測を目的とした,畳み込み型ニューラルネットワーク (CNN) と電位場源面 (PFSS) に基づくモデルを構築し,太陽風源面の$R_{\rm SS}=2.5R_\odot$を考慮した。
このモデルの入力は4つのポテンシャル磁場源表面(pfss)磁図からなり、r_{\rm ss}$ はターゲットエポックの4日前の7, 6, 5, 4日である。
還元磁図はモデルの効率を高めるために使われる。
我々は、GONG(Global Oscillation Network Group)光球磁気グラムと電位場外挿モデルを用いて、ソース表面でPFSS磁気グラムを生成する。
このモデルは、データの時間分解能を1時間に抑えた8倍の検証訓練スキームにおいて、平均相関係数0.52と根平均二乗誤差80.8km/sの連続テストデータセットの予測を提供する。
モデルはまた、太陽風の高速流れを予測する可能性があり、一般的な脅威スコア 0.39 で定量化することができる。
関連論文リスト
- Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳(メタデータ) (2023-09-08T19:21:10Z) - 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) - Incorporating Polar Field Data for Improved Solar Flare Prediction [8.035275738176107]
機械学習モデルを用いて太陽フレア予測性能を向上させるため、太陽の北と南の極域強度に関連するデータを活用することを検討する。
実験の結果,太陽フレア予測における極域データの有用性が示唆され,ハイドケスキルスコア(HSS2)は最大10.1%向上した。
論文 参考訳(メタデータ) (2022-12-04T03:06:11Z) - Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted
Neural Networks [0.0]
外乱嵐時(Dst)指数は、リング電流強度のプロキシとして広く使用されている。
1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
論文 参考訳(メタデータ) (2022-09-26T10:38:07Z) - Machine learning model to predict solar radiation, based on the
integration of meteorological data and data obtained from satellite images [0.0]
地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。
GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。
太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2022-04-08T22:17:19Z) - Prediction of soft proton intensities in the near-Earth space using
machine learning [0.4014054923268951]
放射状距離6~22 REの3次元地磁気圏において,28~1,885keVのエネルギーで陽子強度を予測する機械学習モデルを構築した。
結果は、例えば、放射帯の上を公転するX線天文学のためのX線望遠鏡における汚染粒子の背景を評価するための直接的な実用的応用がある。
論文 参考訳(メタデータ) (2021-05-11T10:33:25Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - 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。