論文の概要: MEMPSEP III. A machine learning-oriented multivariate data set for
forecasting the Occurrence and Properties of Solar Energetic Particle Events
using a Multivariate Ensemble Approach
- arxiv url: http://arxiv.org/abs/2310.15390v2
- Date: Thu, 26 Oct 2023 20:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 16:27:39.721506
- Title: MEMPSEP III. A machine learning-oriented multivariate data set for
forecasting the Occurrence and Properties of Solar Energetic Particle Events
using a Multivariate Ensemble Approach
- Title(参考訳): MEMPSEP III。
多変量アンサンブル法を用いた太陽エネルギー粒子イベントの発生と特性予測のための機械学習指向多変量データセット
- Authors: Kimberly Moreland, Maher Dayeh, Hazel M. Bain, Subhamoy Chatterjee,
Andres Munoz-Jaramillo, Samuel Hart
- Abstract要約: 本稿では,機械学習パイプラインの検証,クリーン化,キュレーションを行う複数の公開観測源から作成したデータセットについて述べる。
太陽エネルギー粒子(SEP)を生成する252個の太陽事象と、そうでない17,542個の太陽事象を同定する。
同定された各事象に対して,エネルギー陽子と電子データ,上流太陽風条件,惑星間磁場ベクトル量などの局所プラズマ特性を1auで取得する。
- 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: We introduce a new multivariate data set that utilizes multiple spacecraft
collecting in-situ and remote sensing heliospheric measurements shown to be
linked to physical processes responsible for generating solar energetic
particles (SEPs). Using the Geostationary Operational Environmental Satellites
(GOES) flare event list from Solar Cycle (SC) 23 and part of SC 24 (1998-2013),
we identify 252 solar events (flares) that produce SEPs and 17,542 events that
do not. For each identified event, we acquire the local plasma properties at 1
au, such as energetic proton and electron data, upstream solar wind conditions,
and the interplanetary magnetic field vector quantities using various
instruments onboard GOES and the Advanced Composition Explorer (ACE)
spacecraft. We also collect remote sensing data from instruments onboard the
Solar Dynamic Observatory (SDO), Solar and Heliospheric Observatory (SoHO), and
the Wind solar radio instrument WAVES. The data set is designed to allow for
variations of the inputs and feature sets for machine learning (ML) in
heliophysics and has a specific purpose for forecasting the occurrence of SEP
events and their subsequent properties. This paper describes a dataset created
from multiple publicly available observation sources that is validated,
cleaned, and carefully curated for our machine-learning pipeline. The dataset
has been used to drive the newly-developed Multivariate Ensemble of Models for
Probabilistic Forecast of Solar Energetic Particles (MEMPSEP; see MEMPSEP I
(Chatterjee et al., 2023) and MEMPSEP II (Dayeh et al., 2023) for associated
papers).
- Abstract(参考訳): 本研究では,太陽エネルギー粒子(seps)の生成に関与する物理プロセスと関連があることを示す,実地およびリモートセンシングヘリオマフィア計測を収集する複数の宇宙船を用いた,新しい多変量データセットを提案する。
太陽周期 (SC) 23 および SC 24 (1998-2013) の一部から地球環境衛星 (GOES) のフレアイベントリストを用いて, SEP を発生させる252の太陽イベント (フレア) と、そうでない17,542のイベントを同定した。
特定された事象ごとに、エネルギー陽子と電子データ、上流の太陽風条件、および様々な機器を搭載させたadvanced composition explorer(ace)宇宙船を用いて惑星間磁場ベクトル量などの1auの局所プラズマ特性を取得する。
また、SDO(Solar Dynamic Observatory)、SoHO(Solar and Heliospheric Observatory)、WAVES(Wind Solar Radio instrument)からリモートセンシングデータを収集する。
データセットは、ヘリオフィジカルスにおける機械学習(ml)の入力と特徴のバリエーションを可能にするために設計されており、sepイベントの発生とその後の特性を予測するための特別な目的を持っている。
本稿では,機械学習パイプラインの検証,クリーン化,精査を行う複数の公開観測源から作成したデータセットについて述べる。
このデータセットは、新たに開発された太陽エネルギー粒子の確率予測モデル(MEMPSEP; MEMPSEP I (Chatterjee et al., 2023) とMEMPSEP II (Dayeh et al., 2023) を駆動するために使用されている。
関連論文リスト
- Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳(メタデータ) (2024-03-04T23:12:17Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - 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) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳(メタデータ) (2023-01-21T19:16:03Z) - Machine learning model to predict solar radiation, based on the
integration of meteorological data and data obtained from satellite images [0.0]
地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。
GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。
太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2022-04-08T22:17:19Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-27T21:06:08Z) - Feature Selection on a Flare Forecasting Testbed: A Comparative Study of
24 Methods [0.7768952514701895]
SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算されている。
本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量的に評価する問題を,初めて体系的に攻撃した。
論文 参考訳(メタデータ) (2021-09-30T00:23:09Z) - 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) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z)
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。