論文の概要: An Explainable Deep-learning Model of Proton Auroras on Mars

• arxiv url: http://arxiv.org/abs/2309.08195v1
• Date: Fri, 15 Sep 2023 06:53:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:45:36.427534
• Title: An Explainable Deep-learning Model of Proton Auroras on Mars
• Title（参考訳）: 火星の陽子オーロラの説明可能な深層学習モデル
• Authors: Dattaraj B. Dhuri, Dimitra Atri, Ahmed AlHantoobi
• Abstract要約: 我々は,火星大気と揮発性エボリューティオN(MAVEN)をその場観察および下肢スキャンで用いて,純粋にデータ駆動型プロトンオーロラモデルを構築した。 太陽ゼニス角、季節的なCO2大気変動、太陽風温度、密度が、モデル化された陽子オーロラの最も重要な特徴であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proton auroras are widely observed on the day side of Mars, identified as a significant intensity enhancement in the hydrogen Ly alpha (121.6 nm) emission between 120 and 150~km altitudes. Solar wind protons penetrating as energetic neutral atoms into the Martian thermosphere are thought to be responsible for these auroras. Understanding proton auroras is therefore important for characterizing the solar wind interaction with the atmosphere of Mars. Recent observations of spatially localized "patchy" proton auroras suggest a possible direct deposition of protons into the atmosphere of Mars during unstable solar wind conditions. Here, we develop a purely data-driven model of proton auroras using Mars Atmosphere and Volatile EvolutioN (MAVEN) in situ observations and limb scans of Ly alpha emissions between 2014 and 2022. We train an artificial neural network that reproduces individual Ly alpha intensities with a Pearson correlation of 0.95 along with a faithful reconstruction of the observed Ly alpha emission altitude profiles. By performing a SHapley Additive exPlanations (SHAP) analysis, we find that Solar Zenith Angle, seasonal CO2 atmosphere variability, solar wind temperature, and density are the most important features for the modelled proton auroras. We also demonstrate that our model can serve as an inexpensive tool for simulating and characterizing Ly alpha response under a variety of seasonal and upstream solar wind conditions.
• Abstract（参考訳）: プロトンオーロラは火星の日側で広く観測されており、120kmから150kmの高度で水素ライアルファ (121.6 nm) 放出の著しい強度向上が確認されている。 火星の熱圏にエネルギー的中性原子として侵入する太陽風プロトンは、これらのオーロラの原因と考えられている。 したがって、陽子オーロラを理解することは、火星の大気との太陽風の相互作用を特徴づけるために重要である。 空間的に局在した「パチー」プロトンオーロラの最近の観測は、不安定な太陽風条件下で火星の大気にプロトンが直接堆積する可能性を示唆している。 そこで我々は,2014年から2022年にかけて,火星大気と揮発性エボリューティオN (MAVEN) を用いて,Lyα放射のその場観察と下肢スキャンを行った。 我々は、パーソン相関0.95で個々のLyα強度を再現し、観測されたLyα放射高度プロファイルを忠実に再構築する人工ニューラルネットワークを訓練する。 SHAP (SHapley Additive exPlanations) 解析により, 太陽ゼニス角, 季節的なCO2大気変動, 太陽風温度, 密度が, モデル化された陽子オーロラの最も重要な特徴であることがわかった。 また, 季節風および上流太陽風条件下でのLyα応答をシミュレーションし, 特徴付けるための安価なツールとして, 本モデルが有効であることを示す。

関連論文リスト

• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• Magnetogram-to-Magnetogram: Generative Forecasting of Solar Evolution [0.0]
  DDPM(Denoising Diffusion Probabilistic Models)を用いた画像と画像の変換による視線(LoS)磁気グラムの進化予測手法を提案する。 提案手法は,画像品質の「計算機科学メトリクス」と物理精度の「物理メトリクス」を組み合わせて,モデル性能の評価を行う。 その結果, DDPMは, 太陽磁場の動的範囲, 磁束, 活動領域の大きさなどの物理的特徴の維持に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-16T12:28:10Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Predicting the Emergence of Solar Active Regions Using Machine Learning [41.94295877935867]
  今後の宇宙気象障害の早期警戒機能を作成するため、61の新興活動領域のデータセットを選択した。 太陽ダイナミクス観測衛星(SDO)に搭載されたヘリオサイスミック・磁気画像装置(HMI)からのドップラーシフトと連続強度観測を利用した。 我々は,次の磁束発生に伴う音響パワーフラックス密度の変動を捉える機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2024-02-14T01:41:50Z)
• 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)
• Martian Ionosphere Electron Density Prediction Using Bagged Trees [0.0]
  この研究は、機械学習を用いて火星の電離圏の電子密度予測モデルを構築するための最初の試みである。 このモデルでは、太陽圏の電離層を70度から90度の範囲で観測する。
  論文  参考訳（メタデータ） (2022-11-03T15:33:19Z)
• Modelling stellar activity with Gaussian process regression networks [0.0]
  HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。 我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
  論文  参考訳（メタデータ） (2022-05-13T13:20:25Z)
• Prediction of soft proton intensities in the near-Earth space using machine learning [0.4014054923268951]
  放射状距離6～22 REの3次元地磁気圏において,28～1,885keVのエネルギーで陽子強度を予測する機械学習モデルを構築した。 結果は、例えば、放射帯の上を公転するX線天文学のためのX線望遠鏡における汚染粒子の背景を評価するための直接的な実用的応用がある。
  論文  参考訳（メタデータ） (2021-05-11T10:33:25Z)
• Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly using Machine Learning [20.247229396526855]
  現在の技術キャリブレーション技術は周期的観測ロケットに依存している。 畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。 以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T22:43:37Z)

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。