論文の概要: Ensemble Learning for CME Arrival Time Prediction
- arxiv url: http://arxiv.org/abs/2305.00258v1
- Date: Sat, 29 Apr 2023 13:35:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:11:33.368852
- Title: Ensemble Learning for CME Arrival Time Prediction
- Title(参考訳): CME適応時間予測のためのアンサンブル学習
- Authors: Khalid A. Alobaid, Jason T. L. Wang
- Abstract要約: 地球に向いたコロナ質量放出(CME)は、人間のシステムに深刻な影響をもたらす可能性がある。
本研究では,太陽から地球へのCMEの到着時刻を予測するため,CMETNetというアンサンブル学習手法を提案する。
- 参考スコア(独自算出の注目度): 2.055949720959582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Sun constantly releases radiation and plasma into the heliosphere.
Sporadically, the Sun launches solar eruptions such as flares and coronal mass
ejections (CMEs). CMEs carry away a huge amount of mass and magnetic flux with
them. An Earth-directed CME can cause serious consequences to the human system.
It can destroy power grids/pipelines, satellites, and communications.
Therefore, accurately monitoring and predicting CMEs is important to minimize
damages to the human system. In this study we propose an ensemble learning
approach, named CMETNet, for predicting the arrival time of CMEs from the Sun
to the Earth. We collect and integrate eruptive events from two solar cycles,
#23 and #24, from 1996 to 2021 with a total of 363 geoeffective CMEs. The data
used for making predictions include CME features, solar wind parameters and CME
images obtained from the SOHO/LASCO C2 coronagraph. Our ensemble learning
framework comprises regression algorithms for numerical data analysis and a
convolutional neural network for image processing. Experimental results show
that CMETNet performs better than existing machine learning methods reported in
the literature, with a Pearson product-moment correlation coefficient of 0.83
and a mean absolute error of 9.75 hours.
- Abstract(参考訳): 太陽は常に放射とプラズマをヘリウム圏に放出する。
散発的に太陽はフレアやコロナ質量放出(cmes)のような太陽の噴火を起こす。
CMEは大量の質量と磁束を輸送する。
地球指向のCMEは、人間のシステムに深刻な影響をもたらす可能性がある。
電力網、パイプライン、衛星、通信を破壊できる。
したがって、人体システムへのダメージを最小限に抑えるためには、正確な監視と予測が重要である。
本研究では,太陽から地球へのCMEの到着時刻を予測するため,CMETNetというアンサンブル学習手法を提案する。
我々は,1996年から2021年までの2つの太陽周期,#23と#24の噴火事象を,合計363個の地球効率CMEを用いて収集・統合した。
予測に使用されるデータには、SOHO/LASCO C2コロナグラフから得られたCMEの特徴、太陽風パラメータ、CME画像が含まれる。
本学習フレームワークは,数値データ解析のための回帰アルゴリズムと,画像処理のための畳み込みニューラルネットワークから構成される。
実験の結果,CMETNetはPearsonの製品モーメント相関係数0.83,絶対誤差9.75時間で,既存の機械学習手法よりも優れた性能を示した。
関連論文リスト
- Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning [64.81450582542878]
コンピュータビジョンや機械学習には、現実の問題が増えている。
衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
論文 参考訳(メタデータ) (2024-02-12T20:08:58Z) - 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) - Estimating Coronal Mass Ejection Mass and Kinetic Energy by Fusion of
Multiple Deep-learning Models [1.2126495348848583]
我々は、コロナ質量放出(CME)の2つの特性を推定するDeepCMEと呼ばれる新しい手法を提案する。
DeepCMEは、ResNet、InceptionNet、InceptionResNetを含む3つのディープラーニングモデルの融合である。
我々の知る限り、深層学習がCME質量と運動エネルギー推定に使われたのはこれが初めてである。
論文 参考訳(メタデータ) (2023-12-04T07:25:55Z) - 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) - 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) - Graph Neural Networks for Temperature-Dependent Activity Coefficient
Prediction of Solutes in Ionic Liquids [58.720142291102135]
IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。
我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。
GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
論文 参考訳(メタデータ) (2022-06-23T15:27:29Z) - Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。
我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。
このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
論文 参考訳(メタデータ) (2022-06-23T03:56:22Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-27T21:06:08Z) - Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based
Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。
MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文 参考訳(メタデータ) (2021-08-25T14:05:37Z) - Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks [8.269784943760882]
我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。
我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
論文 参考訳(メタデータ) (2020-02-22T11:26:47Z)
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。