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
- 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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Solar Active Region Magnetogram Image Dataset for Studies of Space
Weather [0.0]
このデータセットには3つのソースからのデータが含まれており、太陽活動領域のSDOヘリオサイスミックおよび磁気画像(HMI)マグネティックグラムを提供する。
このデータセットは、磁気構造、時間の経過とともに進化し、太陽フレアとの関係に関する画像解析や太陽物理学の研究に有用である。
このデータセットは、太陽フレア予測研究のベンチマークデータセットとして機能する、太陽活動領域の一定サイズの画像の、最小限の処理されたユーザーデータセットである。
論文 参考訳(メタデータ) (2023-05-16T14:44:24Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - A Deep Learning Approach to Generating Photospheric Vector Magnetograms
of Solar Active Regions for SOHO/MDI Using SDO/HMI and BBSO Data [22.56276949415464]
我々は,SDO/HMIによるLOSマグネティックグラム,Bx,Byから,H-アルファ観測とともに学習するための新しい深層学習手法MagNetを提案する。
深層学習がSOHO/MDIのための太陽活動領域の球面ベクトル磁気図を生成するのはこれが初めてである。
論文 参考訳(メタデータ) (2022-11-04T06:21:32Z) - 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。