Fugu-MT 論文翻訳(概要): Probabilistic solar flare forecasting using historical magnetogram data

論文の概要: Probabilistic solar flare forecasting using historical magnetogram data

arxiv url: http://arxiv.org/abs/2308.15410v1
Date: Tue, 29 Aug 2023 16:10:20 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 13:11:08.999375
Title: Probabilistic solar flare forecasting using historical magnetogram data
Title（参考訳）: 歴史的磁図データを用いた確率的太陽フレア予測
Authors: Kiera van der Sande, Andr\'es Mu\~noz-Jaramillo, Subhamoy Chatterjee
Abstract要約: 複数の機器から毎日の歴史的マグネトグラムデータの太陽周期を4回以上検討する。これは、MLベースのフレア予測のために、この歴史的データを活用しようとする最初の試みである。過去のデータを含むと予測能力や信頼性が向上することがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Solar flare forecasting research using machine learning (ML) has focused on high resolution magnetogram data from the SDO/HMI era covering Solar Cycle 24 and the start of Solar Cycle 25, with some efforts looking back to SOHO/MDI for data from Solar Cycle 23. In this paper, we consider over 4 solar cycles of daily historical magnetogram data from multiple instruments. This is the first attempt to take advantage of this historical data for ML-based flare forecasting. We apply a convolutional neural network (CNN) to extract features from full-disk magnetograms together with a logistic regression model to incorporate scalar features based on magnetograms and flaring history. We use an ensemble approach to generate calibrated probabilistic forecasts of M-class or larger flares in the next 24 hours. Overall, we find that including historical data improves forecasting skill and reliability. We show that single frame magnetograms do not contain significantly more relevant information than can be summarized in a small number of scalar features, and that flaring history has greater predictive power than our CNN-extracted features. This indicates the importance of including temporal information in flare forecasting models.
Abstract（参考訳）: 機械学習(ml)を用いた太陽フレア予測研究は、太陽周期24と太陽周期25の開始をカバーするsdo/hmi時代の高解像度磁図データに焦点を当てており、soho/mdiによる太陽周期23のデータを振り返っている。本稿では,複数の機器から毎日の歴史的マグネトグラムデータの太陽周期を4回以上検討する。これは、mlベースのフレア予測にこの履歴データを利用する最初の試みである。畳み込みニューラルネットワーク(convolutional neural network, cnn)を用いて,フルディスク磁図の特徴抽出とロジスティック回帰モデルを用いて,磁図とフレアリング履歴に基づくスカラー特徴を取り入れる。我々は,24時間以内にmクラス以上のフレアの校正確率予測を行うためにアンサンブル手法を用いる。全体として、過去のデータを含むと予測能力や信頼性が向上する。単一フレーム磁図は,少数のスカラー特徴で要約できるほど重要な情報を含まないこと,フレーミング履歴がcnnに抽出された特徴よりも高い予測力を持つことを示す。これはフレア予測モデルに時間情報を含むことの重要性を示している。

関連論文リスト

Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
論文参考訳（メタデータ） (2024-10-01T01:20:47Z)
LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文参考訳（メタデータ） (2024-07-02T22:23:40Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
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)
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)
Predicting Solar Flares Using CNN and LSTM on Two Solar Cycles of Active Region Data [8.482291093820635]
今後24時間でM級またはX級のフレアを発生させるフレアが支配的な活性領域を識別するフレア予測問題を考察する。私たちは、CNNとLSTMという2つのディープラーニングアルゴリズムとそのスタックングアンサンブルをトレーニングし、評価します。
論文参考訳（メタデータ） (2022-04-07T19:38:16Z)
Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles [3.3935755618642367]
太陽放射束と地磁気指数は、太陽活動とその影響の重要な指標である。本稿では,時系列データの分布を学習するための,長期記憶ニューラルネットワークに基づくモデルを提案する。太陽画像データと時系列データを含む場合、根平均二乗誤差を30～40%改善する。
論文参考訳（メタデータ） (2021-12-16T17:42:49Z)
CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。多様なデータソースから表現と不確実性を学ぶことができる。動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文参考訳（メタデータ） (2021-09-15T17:13:47Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。