論文の概要: Imagery Tracking of Sun Activity Using 2D Circular Kernel Time Series
Transformation, Entropy Measures and Machine Learning Approaches
- arxiv url: http://arxiv.org/abs/2306.08270v1
- Date: Wed, 14 Jun 2023 06:13:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 20:15:00.284309
- Title: Imagery Tracking of Sun Activity Using 2D Circular Kernel Time Series
Transformation, Entropy Measures and Machine Learning Approaches
- Title(参考訳): 2次元円形カーネル時系列変換, エントロピー対策, 機械学習アプローチを用いた太陽活動の画像追跡
- Authors: Irewola Aaron Oludehinwa, Andrei Velichko, Maksim Belyaev and
Olasunkanmi I. Olusola
- Abstract要約: NASAのソーラー・ダイナミクス・オブザーバトリーは、1日に約7万枚の太陽活動の画像を撮影している。
本研究では,2次元円形カーネル時系列変換,統計・エントロピー計測,機械学習手法を用いて太陽活動を追跡する手法を開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The sun is highly complex in nature and its observatory imagery features is
one of the most important sources of information about the sun activity, space
and Earth's weather conditions. The NASA, solar Dynamics Observatory captures
approximately 70,000 images of the sun activity in a day and the continuous
visual inspection of this solar observatory images is challenging. In this
study, we developed a technique of tracking the sun's activity using 2D
circular kernel time series transformation, statistical and entropy measures,
with machine learning approaches. The technique involves transforming the solar
observatory image section into 1-Dimensional time series (1-DTS) while the
statistical and entropy measures (Approach 1) and direct classification
(Approach 2) is used to capture the extraction features from the 1-DTS for
machine learning classification into 'solar storm' and 'no storm'. We found
that the potential accuracy of the model in tracking the activity of the sun is
approximately 0.981 for Approach 1 and 0.999 for Approach 2. The stability of
the developed approach to rotational transformation of the solar observatory
image is evident. When training on the original dataset for Approach 1, the
match index (T90) of the distribution of solar storm areas reaches T90 ~ 0.993,
and T90 ~ 0.951 for Approach 2. In addition, when using the extended training
base, the match indices increased to T90 ~ 0.994 and T90 ~ 1, respectively.
This model consistently classifies areas with swirling magnetic lines
associated with solar storms and is robust to image rotation, glare, and
optical artifacts.
- Abstract(参考訳): 太陽は自然に非常に複雑であり、その観測画像の特徴は太陽活動、宇宙、地球の気象条件に関する情報の最も重要な情報源の1つである。
NASAのソーラー・ダイナミクス・オブザーバトリーは1日あたり約7万枚の太陽活動の画像を撮影しており、この太陽観測画像の連続的な視界検査は難しい。
本研究では,2次元円カーネル時系列変換,統計的およびエントロピー尺度を用いて,機械学習による太陽活動の追跡手法を開発した。
この技術は、太陽観測画像断面を1次元時系列(1-DTS)に変換し、統計的およびエントロピー的測度(Approach)を計測する。
1)と直接分類(応用)
2) 機械学習分類のための1-DTSから抽出した特徴を'solar storm'と'no storm'にキャプチャするために使用される。
その結果、太陽活動の追跡におけるモデルの有効性は、アプローチ1では0.981、アプローチ2では0.999であることがわかった。
太陽観測衛星画像の回転変換への発展アプローチの安定性は明らかである。
Approach 1 の当初のデータセットをトレーニングすると、太陽嵐領域の分布の一致指数 (T90) は T90 ~ 0.993 となり、また Approach 2 は T90 ~ 0.951 となる。
また、拡張トレーニングベースを使用すると、マッチ指数はt90〜0.994とt90〜1に増加した。
このモデルは、太陽嵐に関連する渦巻く磁気線の領域を一貫して分類し、画像の回転、彩度、光学的アーティファクトに頑健である。
関連論文リスト
- Simulating Nighttime Visible Satellite Imagery of Tropical Cyclones
Using Conditional Generative Adversarial Networks [10.76837828367292]
本研究では,夜間可視反射率を高精度に生成するCGANモデルを提案する。
日中における高度ヒマワリ画像装置(AHI)の目標領域観測により,本モデルを訓練し,検証した。
本研究は、可視・赤外線画像放射計スイート(VIIRS)のデイ/ナイトバンド(DNB)を用いた夜間モデル検証も行った。
論文 参考訳(メタデータ) (2024-01-22T03:44:35Z) - Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。
評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。
この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
論文 参考訳(メタデータ) (2023-12-29T15:54:45Z) - 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) - An Image Processing approach to identify solar plages observed at 393.37
nm by the Kodaikanal Solar Observatory [0.0]
本研究では,高台カナル太陽観測所から得られたCa K波長太陽データ中の太陽プラッジを自動同定するアルゴリズムを提案する。
このアルゴリズムは、画像中のすべての視覚的識別可能なプラージュにアノテートし、対応する計算されたプラージュ指数を出力する。
提案アルゴリズムは太陽プラッジの同定に有効で信頼性の高い手法であり,太陽活動の研究に役立てることができる。
論文 参考訳(メタデータ) (2022-09-21T19:55:10Z) - CubeSat in-orbit validation of in-situ performance by high fidelity
radiation modelling [55.41644538483948]
SpooQy-1 CubeSatミッションは、単一光子検出のためのアバランシェフォトダイオードを用いた偏光に基づく量子エンタングルメント相関を実証した。
2年間にわたって観測された2つのシリコン・ガイガーモード・アバランシェ・フォトダイオードの暗黒数率の増加を報告した。
我々は,光ダイオードに蓄積した変位損傷量を推定するために,高忠実度放射モデルと3次元コンピュータ支援型SpooQy-1 CubeSatの設計モデルを実装した。
論文 参考訳(メタデータ) (2022-09-01T12:33:27Z) - When the Sun Goes Down: Repairing Photometric Losses for All-Day Depth
Estimation [47.617222712429026]
既存の測光損失を昼夜両方の画像に有効にするための3つの手法の組み合わせについて述べる。
まず、連続するフレーム間で起こる光の変化を補うために、ピクセルごとの神経強度変換を導入する。
第2に,推定エゴモーションと深度によって引き起こされる再投影対応を補正するために,画素ごとの残留フローマップを推定する。
論文 参考訳(メタデータ) (2022-06-28T09:29:55Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳(メタデータ) (2021-03-22T18:06:58Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z) - A Temporally Consistent Image-based Sun Tracking Algorithm for Solar
Energy Forecasting Applications [0.0]
本研究では、過去の観測から日射の軌跡を補間し、画像中の太陽を位置決めする、画像に基づく太陽追跡アルゴリズムを提案する。
実験の結果, 提案手法は, 画像サイズの1%以下の平均絶対誤差で, 円滑な太陽軌道を提供することがわかった。
論文 参考訳(メタデータ) (2020-12-02T09:59:45Z) - Identifying Exoplanets with Deep Learning. IV. Removing Stellar Activity
Signals from Radial Velocity Measurements Using Neural Networks [36.77733316704363]
本研究では,RV観測から活動信号(星点/星雲による)を効果的に除去できることを,機械学習技術が示している。
将来的には、これらの技術は太陽系外の恒星の観測から活動信号を取り除き、太陽に似た恒星の周囲に居住可能な地球質量の太陽系外惑星を検出するのに役立ちます。
論文 参考訳(メタデータ) (2020-10-30T18:00:00Z)
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。