論文の概要: High-Cadence Thermospheric Density Estimation enabled by Machine
Learning on Solar Imagery
- arxiv url: http://arxiv.org/abs/2312.06845v1
- Date: Sun, 12 Nov 2023 23:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:33:46.087112
- Title: High-Cadence Thermospheric Density Estimation enabled by Machine
Learning on Solar Imagery
- Title(参考訳): 太陽画像を用いた機械学習による高度熱圏密度推定
- Authors: Shreshth A. Malik, James Walsh, Giacomo Acciarini, Thomas E. Berger,
At{\i}l{\i}m G\"une\c{s} Baydin
- Abstract要約: 我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)極紫外線(EUV)スペクトル画像をニューラル熱圏密度モデルに組み込む。
我々は、EUV画像により、時間分解能をはるかに高め、地上ベースのプロキシを置き換えることができることを示した。
- 参考スコア(独自算出の注目度): 0.14061979259370275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate estimation of thermospheric density is critical for precise modeling
of satellite drag forces in low Earth orbit (LEO). Improving this estimation is
crucial to tasks such as state estimation, collision avoidance, and re-entry
calculations. The largest source of uncertainty in determining thermospheric
density is modeling the effects of space weather driven by solar and
geomagnetic activity. Current operational models rely on ground-based proxy
indices which imperfectly correlate with the complexity of solar outputs and
geomagnetic responses. In this work, we directly incorporate NASA's Solar
Dynamics Observatory (SDO) extreme ultraviolet (EUV) spectral images into a
neural thermospheric density model to determine whether the predictive
performance of the model is increased by using space-based EUV imagery data
instead of, or in addition to, the ground-based proxy indices. We demonstrate
that EUV imagery can enable predictions with much higher temporal resolution
and replace ground-based proxies while significantly increasing performance
relative to current operational models. Our method paves the way for
assimilating EUV image data into operational thermospheric density forecasting
models for use in LEO satellite navigation processes.
- Abstract(参考訳): 熱圏密度の正確な推定は、低軌道(leo)における衛星抗力の正確なモデリングに不可欠である。
この推定を改善することは、状態推定、衝突回避、再突入計算などのタスクに不可欠である。
熱圏密度を決定する最大の不確実性源は、太陽活動と地磁気活動によって引き起こされる宇宙天気の影響をモデル化することである。
現在の運用モデルは、太陽の出力と地磁気応答の複雑さと完全に相関する地上ベースのプロキシ指標に依存している。
本研究では,nasaのsolar dynamics observatory (sdo) 極紫外線 (euv) スペクトル画像を直接神経熱圏密度モデルに組み込んで,地上のプロキシ指標の代わりに,あるいはそれに加えて空間ベースのeuv画像データを用いて,モデル予測性能が向上するかどうかを判定する。
euv画像は、時間分解能がはるかに高い予測を可能にし、現在の運用モデルと比較して大幅に性能を高めながら、地上ベースのプロキシを置き換えることができる。
本手法は,EUV画像データをLEO衛星ナビゲーションプロセスに用いる運用熱圏密度予測モデルに同化する方法である。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - 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) - Contrastive Learning for Climate Model Bias Correction and
Super-Resolution [0.0]
局地的な気候リスクを正確に見積もるために、後処理が必要である。
本稿では,画像スーパーレゾリューション(SR)とコントラスト学習生成対向ネットワーク(GAN)の組み合わせに基づく,この課題に対する代替手法を提案する。
われわれのモデルでは、NASAの2倍の空間分解能に到達し、日中の降水量と温度の両方において、同等または改善された偏差補正を達成できた。
論文 参考訳(メタデータ) (2022-11-10T19:45:17Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳(メタデータ) (2022-11-08T17:36:37Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - 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) - 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) - Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。
これにより、植生の監視や人道的行動を支援する能力が損なわれる。
空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
論文 参考訳(メタデータ) (2020-11-09T21:06:04Z)
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。