論文の概要: Exploring Deep Learning for Full-disk Solar Flare Prediction with
Empirical Insights from Guided Grad-CAM Explanations
- arxiv url: http://arxiv.org/abs/2308.15712v1
- Date: Wed, 30 Aug 2023 02:24:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 15:04:57.007582
- Title: Exploring Deep Learning for Full-disk Solar Flare Prediction with
Empirical Insights from Guided Grad-CAM Explanations
- Title（参考訳）: ガイド付きグラッドCAMによるフルディスク太陽フレア予測のための深層学習
- Authors: Chetraj Pandey, Anli Ji, Trisha Nandakumar, Rafal A. Angryk, Berkay
Aydin
- Abstract要約: 本研究は, 太陽フレアの予測を行うために, フルディスク深層学習モデルを提案することにより, 太陽フレア予測研究を進めた。
分析の結果,フルディスクの太陽フレア予測は活動領域特性と一致していることが明らかとなった。
- 参考スコア（独自算出の注目度）: 4.085931783551287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study progresses solar flare prediction research by presenting a
full-disk deep-learning model to forecast $\geq$M-class solar flares and
evaluating its efficacy on both central (within $\pm$70$^\circ$) and near-limb
(beyond $\pm$70$^\circ$) events, showcasing qualitative assessment of post hoc
explanations for the model's predictions, and providing empirical findings from
human-centered quantitative assessments of these explanations. Our model is
trained using hourly full-disk line-of-sight magnetogram images to predict
$\geq$M-class solar flares within the subsequent 24-hour prediction window.
Additionally, we apply the Guided Gradient-weighted Class Activation Mapping
(Guided Grad-CAM) attribution method to interpret our model's predictions and
evaluate the explanations. Our analysis unveils that full-disk solar flare
predictions correspond with active region characteristics. The following points
represent the most important findings of our study: (1) Our deep learning
models achieved an average true skill statistic (TSS) of $\sim$0.51 and a
Heidke skill score (HSS) of $\sim$0.38, exhibiting skill to predict solar
flares where for central locations the average recall is $\sim$0.75 (recall
values for X- and M-class are 0.95 and 0.73 respectively) and for the near-limb
flares the average recall is $\sim$0.52 (recall values for X- and M-class are
0.74 and 0.50 respectively); (2) qualitative examination of the model's
explanations reveals that it discerns and leverages features linked to active
regions in both central and near-limb locations within full-disk magnetograms
to produce respective predictions. In essence, our models grasp the shape and
texture-based properties of flaring active regions, even in proximity to limb
areas -- a novel and essential capability with considerable significance for
operational forecasting systems.
- Abstract（参考訳）: 本研究は,太陽フレア級の太陽フレアを予測するためのフルディスクのディープラーニングモデルを提示し,その効果を中央(約$\pm$70$^\circ$)と近辺(約$\pm$70$^\circ$)の両方で評価し,モデルの予測に対するポストホックな説明の質的評価を行い,人間中心の定量的評価から実証的な知見を提供することにより,太陽フレア予測研究を進める。
我々のモデルは、24時間予測ウィンドウ内で1時間ごとのフルディスクライン・オブ・シット・マグネティックグラム画像を用いて、$\geq$M級太陽フレアを予測する。
さらに,モデルの予測を解釈し,その説明を評価するために,誘導勾配強調クラスアクティベーションマッピング (guided grad-cam) を適用した。
分析の結果,フルディスクの太陽フレア予測は活動領域特性と一致することがわかった。
The following points represent the most important findings of our study: (1) Our deep learning models achieved an average true skill statistic (TSS) of $\sim$0.51 and a Heidke skill score (HSS) of $\sim$0.38, exhibiting skill to predict solar flares where for central locations the average recall is $\sim$0.75 (recall values for X- and M-class are 0.95 and 0.73 respectively) and for the near-limb flares the average recall is $\sim$0.52 (recall values for X- and M-class are 0.74 and 0.50 respectively); (2) qualitative examination of the model's explanations reveals that it discerns and leverages features linked to active regions in both central and near-limb locations within full-disk magnetograms to produce respective predictions.
基本的に、我々のモデルは、手足領域に近づいたとしても、燃える活動領域の形状とテクスチャに基づく特性を把握します。
関連論文リスト
- Embedding Ordinality to Binary Loss Function for Improving Solar Flare Forecasting [1.0225653612678713]
太陽フレア予測への応用を示す二元損失関数にオーディナリティをエンコードする新しい手法を提案する。
我々は、太陽円盤全体にわたる各ARのフレア予測を縦方向の制限なく可能とし、太陽フレア予測を強化した。
論文 参考訳（メタデータ） (2024-08-21T16:42:58Z) - Unveiling the Potential of Deep Learning Models for Solar Flare
Prediction in Near-Limb Regions [1.2699007098398802]
本研究の目的は、24時間予測窓を用いて、$geq$M級太陽フレアの予測におけるディープラーニングモデルの性能を評価することである。
我々は、転写学習を用いて、AlexNet、VGG16、ResNet34の3つのよく知られたディープラーニングアーキテクチャを訓練した。
本研究は,全円板磁気図から複雑な空間パターンを識別できることを示す。
論文 参考訳（メタデータ） (2023-09-25T19:30:02Z) - 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) - 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) - Explainable Deep Learning-based Solar Flare Prediction with post hoc
Attention for Operational Forecasting [0.6299766708197884]
本稿では,深層学習に基づくフルディスク太陽フレア予測モデルのポストホック解析について述べる。
我々は24時間以内のフレア発生を予測するために、1時間ごとのフルディスク線磁図画像と2値予測モードを選択した。
分析の結果,太陽フレアのフルディスク予測は,活動領域の特徴と一致していることがわかった。
論文 参考訳（メタデータ） (2023-08-04T19:33:25Z) - Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods [0.6882042556551611]
本研究では,太陽フレア予測モデルを提案する。
実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。
我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
論文 参考訳（メタデータ） (2023-07-29T03:18:56Z) - How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク
ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。
本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
論文 参考訳（メタデータ） (2023-06-01T04:52:26Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。