論文の概要: Estimating Coronal Mass Ejection Mass and Kinetic Energy by Fusion of
Multiple Deep-learning Models
- arxiv url: http://arxiv.org/abs/2312.01691v1
- Date: Mon, 4 Dec 2023 07:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:04:34.820786
- Title: Estimating Coronal Mass Ejection Mass and Kinetic Energy by Fusion of
Multiple Deep-learning Models
- Title（参考訳）: 複数のディープラーニングモデルの融合によるコロナ質量放出量と運動エネルギーの推定
- Authors: Khalid A. Alobaid, Yasser Abduallah, Jason T. L. Wang, Haimin Wang,
Shen Fan, Jialiang Li, Huseyin Cavus, Vasyl Yurchyshyn
- Abstract要約: 我々は、コロナ質量放出(CME)の2つの特性を推定するDeepCMEと呼ばれる新しい手法を提案する。
DeepCMEは、ResNet、InceptionNet、InceptionResNetを含む3つのディープラーニングモデルの融合である。
我々の知る限り、深層学習がCME質量と運動エネルギー推定に使われたのはこれが初めてである。
- 参考スコア（独自算出の注目度）: 1.2126495348848583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronal mass ejections (CMEs) are massive solar eruptions, which have a
significant impact on Earth. In this paper, we propose a new method, called
DeepCME, to estimate two properties of CMEs, namely, CME mass and kinetic
energy. Being able to estimate these properties helps better understand CME
dynamics. Our study is based on the CME catalog maintained at the Coordinated
Data Analysis Workshops (CDAW) Data Center, which contains all CMEs manually
identified since 1996 using the Large Angle and Spectrometric Coronagraph
(LASCO) on board the Solar and Heliospheric Observatory (SOHO). We use LASCO C2
data in the period between January 1996 and December 2020 to train, validate
and test DeepCME through 10-fold cross validation. The DeepCME method is a
fusion of three deep learning models, including ResNet, InceptionNet, and
InceptionResNet. Our fusion model extracts features from LASCO C2 images,
effectively combining the learning capabilities of the three component models
to jointly estimate the mass and kinetic energy of CMEs. Experimental results
show that the fusion model yields a mean relative error (MRE) of 0.013 (0.009,
respectively) compared to the MRE of 0.019 (0.017, respectively) of the best
component model InceptionResNet (InceptionNet, respectively) in estimating the
CME mass (kinetic energy, respectively). To our knowledge, this is the first
time that deep learning has been used for CME mass and kinetic energy
estimations.
- Abstract（参考訳）: コロナ質量放出(CME)は大規模な太陽噴火であり、地球に大きな影響を及ぼす。
本稿では,CMEの2つの特性,すなわちCME質量と運動エネルギーを推定するために,DeepCMEと呼ばれる新しい手法を提案する。
これらの特性を推定できることは、CMEのダイナミクスをよりよく理解するのに役立ちます。
本研究は,1996年以降にSolar and Heliospheric Observatory (SOHO)に搭載されたLarge Angle and Spectrometric Coronagraph (LASCO)を用いて,手動で同定されたすべてのCMEを含むコーディネート・データ・アナリティクス・ワークショップ(CDAW)データ・センターで維持されているCMEカタログに基づいている。
我々は,1996年1月から2020年12月までの期間にLASCO C2データを用いて,10倍のクロス検証によるDeepCMEのトレーニング,検証,試験を行った。
DeepCMEメソッドは、ResNet、InceptionNet、InceptionResNetを含む3つのディープラーニングモデルの融合である。
融合モデルはlasco c2画像から特徴を抽出し,3成分モデルの学習能力を効果的に組み合わせ,cmesの質量と運動エネルギーを共同で推定する。
実験の結果, 核融合モデルの平均相対誤差 (MRE) は, CME質量 (運動エネルギー) の推定において, 最適成分モデルInceptionResNet (InceptionNet) の 0.019 (0.017) の平均相対誤差 (MRE) に対してそれぞれ0.013 (0.009) となることがわかった。
我々の知る限り、深層学習がCME質量と運動エネルギー推定に使われたのはこれが初めてである。
関連論文リスト
- Enhancing Carbon Emission Reduction Strategies using OCO and ICOS data [40.572754656757475]
我々は,OCO-2(Orbiting Carbon Observatories)とOCO-3(Orbiting Carbon Observatories)の衛星データとICOS(Integrated Carbon Observation System)の地上観測とECMWFリアナリシスv5(ERA5)の気象データを統合することで,局部的なCO2モニタリングを強化する手法を提案する。
衛星観測から地上レベルCO2を予測するために,K-nearest neighbor (KNN) と機械学習モデルを用いて,3.92ppmのルート平均正方形誤差を達成した。
論文 参考訳（メタデータ） (2024-10-05T21:23:58Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - High-precision interpolation of stellar atmospheres with a deep neural
network using a 1D convolutional auto encoder for feature extraction [0.0]
我々は、恒星モデル大気を回復するための信頼性、正確、軽量、高速な方法を確立する。
我々は、完全に接続されたディープニューラルネットワークを使用し、1次元畳み込みオートエンコーダを用いてグリッドの非線形性を抽出する。
特徴抽出器として主成分分析を用いた場合よりも,畳み込みオートエンコーダの方が高精度であることを示す。
論文 参考訳（メタデータ） (2023-06-12T08:16:26Z) - Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。
具体的には、Webで収集したCoyo-700Mデータセットを利用する。
我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
論文 参考訳（メタデータ） (2023-05-24T15:33:46Z) - Exploring the Carbon Footprint of Hugging Face's ML Models: A Repository
Mining Study [8.409033836300761]
この研究には、炭素排出量に関するHugging Face Hub APIに関する最初のリポジトリマイニング研究が含まれている。
本研究は,(1)MLモデル作成者がHugging Face Hub上でどのように二酸化炭素を計測し,報告するか,(2)トレーニングMLモデルの二酸化炭素排出量にどのような影響があるのか,という2つの研究課題に答えようとしている。
論文 参考訳（メタデータ） (2023-05-18T17:52:58Z) - Physics-driven machine learning for the prediction of coronal mass
ejections' travel times [46.58747894238344]
コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。
CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。
本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
論文 参考訳（メタデータ） (2023-05-17T08:53:29Z) - Ensemble Learning for CME Arrival Time Prediction [2.055949720959582]
地球に向いたコロナ質量放出(CME)は、人間のシステムに深刻な影響をもたらす可能性がある。
本研究では,太陽から地球へのCMEの到着時刻を予測するため,CMETNetというアンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-29T13:35:43Z) - GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。
GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
論文 参考訳（メタデータ） (2022-05-30T23:49:19Z) - EBM Life Cycle: MCMC Strategies for Synthesis, Defense, and Density
Modeling [116.10821733517976]
本研究は, MCMCサンプリング軌道の所望の長さに応じて, エネルギーベースモデル(EBM)を学習するための戦略を提案する。
1)画像生成のためのショートランサンプリング,2)原則に依存しない対角防御のためのミッドランサンプリング,3)画像確率密度の未変更モデリングのためのロングランサンプリング,である。
論文 参考訳（メタデータ） (2022-05-24T17:52:29Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
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。