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

• 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)
• Surface Flux Transport Modeling using Physics Informed Neural Networks [0.0]
  表面フラックス輸送(SFT)モデリングは、太陽表面の磁束の輸送と進化をシミュレートし、解析するのに役立つ。 本研究では,磁束輸送の解法における機械学習の応用を実証し,その精度を検証した。 SFTを用いたバイポーラ磁気領域(BMR)の進化を研究するための新しい物理情報ニューラルネットワーク(PINN)モデルを開発した。
  論文  参考訳（メタデータ） (2024-09-03T09:41:07Z)
• Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
  大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。 大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。 本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-20T17:33:20Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)

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。