論文の概要: Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning
- arxiv url: http://arxiv.org/abs/2403.02536v1
- Date: Mon, 4 Mar 2024 23:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 16:36:42.461792
- Title: Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning
- Title(参考訳): 解釈型機械学習による太陽周期23・24のSEPイベント予測
- Authors: Spiridon Kasapis, Irina N. Kitiashvili, Paul Kosovich, Alexander G.
Kosovichev, Viacheslav M. Sadykov, Patrick O'Keefe, Vincent Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.321248253111776
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Prediction of the Solar Energetic Particle (SEP) events garner increasing
interest as space missions extend beyond Earth's protective magnetosphere.
These events, which are, in most cases, products of magnetic
reconnection-driven processes during solar flares or fast
coronal-mass-ejection-driven shock waves, pose significant radiation hazards to
aviation, space-based electronics, and particularly, space exploration. In this
work, we utilize the recently developed dataset that combines the Solar
Dynamics Observatory/Helioseismic and Magnetic Imager's (SDO/HMI) Space weather
HMI Active Region Patches (SHARP) and the Solar and Heliospheric
Observatory/Michelson Doppler Imager's (SoHO/MDI) Space Weather MDI Active
Region Patches (SMARP). We employ a suite of machine learning strategies,
including Support Vector Machines (SVM) and regression models, to evaluate the
predictive potential of this new data product for a forecast of post-solar
flare SEP events. Our study indicates that despite the augmented volume of
data, the prediction accuracy reaches 0.7 +- 0.1, which aligns with but does
not exceed these published benchmarks. A linear SVM model with training and
testing configurations that mimic an operational setting (positive-negative
imbalance) reveals a slight increase (+ 0.04 +- 0.05) in the accuracy of a
14-hour SEP forecast compared to previous studies. This outcome emphasizes the
imperative for more sophisticated, physics-informed models to better understand
the underlying processes leading to SEP events.
- Abstract(参考訳): 太陽エネルギー粒子(SEP)の予測は、地球の磁気圏を超えて宇宙ミッションが広がるにつれて、関心が高まりつつある。
これらの事象は、ほとんどの場合、太陽フレアや高速コロナ質量放出衝撃波による磁気リコネクション駆動プロセスの産物であり、航空、宇宙電子、特に宇宙探査に重大な放射線障害をもたらす。
本研究では、最近開発されたSolar Dynamics Observatory/Helioseismic and Magnetic Imager's (SDO/HMI) Space weather HMI Active Region Patches (SHARP)とSolar and Heliospheric Observatory/Michelson Doppler Imager's (SoHO/MDI) Space Weather MDI Active Region Patches (SMARP)を組み合わせたデータセットを利用する。
我々は,SVM(Support Vector Machines)や回帰モデルなど,機械学習の一連の戦略を用いて,新しいデータプロダクトの予測可能性を評価する。
本研究では,データ量の増加にもかかわらず,予測精度が0.7+-0.1に達することを示唆する。
動作条件(正負の不均衡)を模倣したトレーニングおよびテスト構成を持つ線形SVMモデルは、従来の研究と比較して14時間SEP予測の精度でわずかに増加(+0.04+-0.05)する。
この結果は、SEPイベントにつながる基礎となるプロセスをよりよく理解するために、より洗練された物理インフォームドモデルの必要性を強調している。
関連論文リスト
- 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) - Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。
評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。
この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
論文 参考訳(メタデータ) (2023-12-29T15:54:45Z) - 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 [0.0]
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。
論文 参考訳(メタデータ) (2023-10-23T22:42:23Z) - 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) - 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) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products
with Statistical and Machine Learning Methods [6.205102537396887]
太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。
本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
論文 参考訳(メタデータ) (2022-09-28T02:13:33Z) - 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) - 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) - Interpreting LSTM Prediction on Solar Flare Eruption with Time-series
Clustering [0.0]
本研究では,Long Short Term Memory (LSTM)モデルによる太陽フレア予測のポストホック解析を行った。
LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。
我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。
論文 参考訳(メタデータ) (2019-12-27T22:56:01Z)
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。