論文の概要: Early Prediction of Geomagnetic Storms by Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2401.10290v1
- Date: Wed, 17 Jan 2024 05:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 18:07:23.198049
- Title: Early Prediction of Geomagnetic Storms by Machine Learning Algorithms
- Title(参考訳): 機械学習アルゴリズムによる地磁気嵐の早期予測
- Authors: Iris Yan
- Abstract要約: 地磁気嵐 (GS) は、太陽風が地球の磁気圏を乱すときに起こる。
大規模GSによる直接的な経済影響の推定は、米国で1日当たり400億ドルを突破している。
この研究は、ビッグデータと機械学習アルゴリズムを使用して、あらゆるタイプのGSを可能な限り確実に予測することを目的としている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geomagnetic storms (GS) occur when solar winds disrupt Earth's magnetosphere.
GS can cause severe damages to satellites, power grids, and communication
infrastructures. Estimate of direct economic impacts of a large scale GS
exceeds $40 billion a day in the US. Early prediction is critical in preventing
and minimizing the hazards. However, current methods either predict several
hours ahead but fail to identify all types of GS, or make predictions within
short time, e.g., one hour ahead of the occurrence. This work aims to predict
all types of geomagnetic storms reliably and as early as possible using big
data and machine learning algorithms. By fusing big data collected from
multiple ground stations in the world on different aspects of solar
measurements and using Random Forests regression with feature selection and
downsampling on minor geomagnetic storm instances (which carry majority of the
data), we are able to achieve an accuracy of 82.55% on data collected in 2021
when making early predictions three hours in advance. Given that important
predictive features such as historic Kp indices are measured every 3 hours and
their importance decay quickly with the amount of time in advance, an early
prediction of 3 hours ahead of time is believed to be close to the practical
limit.
- Abstract(参考訳): 地球磁気嵐は、太陽風が地球の磁気圏を乱すときに起こる。
GSは衛星、電力網、通信インフラに深刻なダメージを与える可能性がある。
大規模GSによる直接的な経済影響の推定は、米国で1日400億ドルを超える。
早期予測は危険の防止と最小化に重要である。
しかし、現在の手法では、数時間前に予測するが、すべての種類のGSを特定できないか、短時間で予測を行うか、例えば、発生の1時間前に予測を行う。
この研究は、ビッグデータと機械学習アルゴリズムを使用して、あらゆる種類の地磁気嵐をできるだけ早く確実に予測することを目的としている。
複数の地上局から収集されたビッグデータを太陽観測のさまざまな側面で活用し、地球磁気嵐(データの大部分を担っている)に特徴選択とダウンサンプリングを伴うランダムフォレスト回帰を用いることで、2021年に収集されたデータの82.55%の精度を3時間前に予測することができる。
歴史的Kp指標などの重要な予測的特徴が3時間毎に測定され、その重要性は予め時間とともに急速に低下していることから、早期に3時間先行する予測は実用的限界に近いと考えられる。
関連論文リスト
- Comparing skill of historical rainfall data based monsoon rainfall
prediction in India with NCEP-NWP forecasts [1.7249361224827533]
我々は、IMDから取得したインドの1日1グリッド降水データを用いて、空間分解能1回あたり1回あたり1回あたり1.99ドルという時間帯でニューラルネットワークを訓練する。
過去の降雨データにディープラーニングを適用した予測は,NWP予測や永続性に基づく予測よりも精度が高いと結論付けた。
論文 参考訳(メタデータ) (2024-02-12T17:59:20Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A Machine Learning and Computer Vision Approach to Geomagnetic Storm
Forecasting [2.0499240875882]
地磁気嵐は、太陽から放出される荷電粒子の質量によって引き起こされる地球の磁気圏の乱れである。
NOAAの現在の予測方法は、高価な太陽風探査機と世界規模の磁気センサネットワークに依存しているため限られている。
そこで我々は,このようなコストのかかる物理的測定を必要とせずに,地磁気嵐を正確に予測する,新しい機械学習とコンピュータビジョン手法を提案する。
論文 参考訳(メタデータ) (2022-04-04T15:38:33Z) - Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance
of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。
その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
論文 参考訳(メタデータ) (2020-11-12T19:07:32Z) - Simultaneously forecasting global geomagnetic activity using Recurrent
Networks [0.3867363075280544]
本研究では,地球規模の気象条件を時間分解能で予測する問題に対して,シーケンス・ツー・シーケンスの学習手法を提案する。
本研究では,現在知られている地磁気嵐の予測値に対する改善と,その数時間前の持続的ベースラインに対する改善を実証する。
論文 参考訳(メタデータ) (2020-10-13T15:48:20Z) - Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文 参考訳(メタデータ) (2020-08-12T10:44:49Z) - Machine learning as a flaring storm warning machine: Was a warning
machine for the September 2017 solar flaring storm possible? [0.0]
機械学習は、過去10年間の最も暴力的で最も予期せぬ出来事についてタイムリーな警告を送る方法として利用できることを示す。
また,スペーサ性向上機械学習と特徴ランクの併用により,予測過程においてエネルギーがアクティブリージョン特性として果たす重要な役割を識別できることが示唆された。
論文 参考訳(メタデータ) (2020-07-05T19:03:54Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。