論文の概要: Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches

• arxiv url: http://arxiv.org/abs/2403.09847v1
• Date: Thu, 14 Mar 2024 20:13:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 21:15:39.814658
• Title: Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches
• Title（参考訳）: 太陽風データからの地球影響事象の予測と機械学習による予測的特徴の評価
• Authors: Sabrina Guastavino, Katsiaryna Bahamazava, Emma Perracchione, Fabiana Camattari, Gianluca Audone, Daniele Telloni, Roberto Susino, Gianalfredo Nicolini, Silvano Fineschi, Michele Piana, Anna Maria Massone,
• Abstract要約: 本研究では,機械学習技術を利用した地磁気障害の予測について検討した。 この問題は,SYM-H地磁気活動指数の50ドルnT未満の低下を事前に1時間予測することを目的とした2値分類としてアプローチされている。 地磁気嵐の発生を適切に予測するためのニューラルネットワークの最適性能を示す。
• 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: This study addresses the prediction of geomagnetic disturbances by exploiting machine learning techniques. Specifically, the Long-Short Term Memory recurrent neural network, which is particularly suited for application over long time series, is employed in the analysis of in-situ measurements of solar wind plasma and magnetic field acquired over more than one solar cycle, from $2005$ to $2019$, at the Lagrangian point L$1$. The problem is approached as a binary classification aiming to predict one hour in advance a decrease in the SYM-H geomagnetic activity index below the threshold of $-50$ nT, which is generally regarded as indicative of magnetospheric perturbations. The strong class imbalance issue is tackled by using an appropriate loss function tailored to optimize appropriate skill scores in the training phase of the neural network. Beside classical skill scores, value-weighted skill scores are then employed to evaluate predictions, suitable in the study of problems, such as the one faced here, characterized by strong temporal variability. For the first time, the content of magnetic helicity and energy carried by solar transients, associated with their detection and likelihood of geo-effectiveness, were considered as input features of the network architecture. Their predictive capabilities are demonstrated through a correlation-driven feature selection method to rank the most relevant characteristics involved in the neural network prediction model. The optimal performance of the adopted neural network in properly forecasting the onset of geomagnetic storms, which is a crucial point for giving real warnings in an operational setting, is finally showed.
• Abstract（参考訳）: 本研究では,機械学習技術を利用した地磁気障害の予測について検討した。 具体的には、ロングショート長期記憶リカレントニューラルネットワークは、特に長期にわたる適用に適しているが、ラグランジアン点L$1$1$で、太陽風プラズマと複数の太陽周期以上で得られた磁場のその場測定を解析するために用いられる。 この問題は,SYM-H地磁気活動指数の50ドルnT以下の低下を1時間前に予測することを目的とした2値分類としてアプローチされ,一般に磁気圏摂動の指標と考えられる。 ニューラルネットワークのトレーニングフェーズにおいて、適切なスキルスコアを最適化するために調整された適切な損失関数を使用することで、強いクラス不均衡の問題に取り組む。 古典的スキルスコアの他に、価値重み付けされたスキルスコアが、強い時間的変動を特徴とする、ここで直面するような問題の研究に適した予測評価に使用される。 太陽過渡現象による磁気ヘリシティとエネルギーの含有量は、その検出とジオエフェクト性の可能性に関連して初めてネットワークアーキテクチャの入力特性として考慮された。 それらの予測能力は、ニューラルネットワーク予測モデルに関連する最も関連性の高い特徴をランク付けする相関駆動型特徴選択法によって示される。 運用環境で真の警告を与える重要なポイントである地磁気嵐の発生を適切に予測する上で,採用したニューラルネットワークの最適性能を最終的に示す。

関連論文リスト

• TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.1940162009107382]
  地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。 本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。 我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
  論文  参考訳（メタデータ） (2024-07-09T08:30:42Z)
• Towards Interpretable Solar Flare Prediction with Attention-based Deep Neural Networks [1.1624569521079424]
  太陽フレア予測は宇宙天気予報の中心的な問題である。 我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。 本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-09-08T19:21:10Z)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
  この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。 我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。 このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
  論文  参考訳（メタデータ） (2022-06-23T03:56:22Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Identification of Flux Rope Orientation via Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)を用いて,埋込磁束ロープの向きを予測する。 我々の研究は、解析的フラックスロープデータから磁場ベクトルを訓練したCNNを用いている。 1995～2015年における風観測ICMEに対するトレーニングネットワークの評価結果について報告する。
  論文  参考訳（メタデータ） (2022-02-11T20:59:26Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Brain Emotional Learning-based Prediction Model For the Prediction of Geomagnetic Storms [0.0]
  脳情緒学習インスパイアされたモデル(BELIM)の例であるモデルは、脳情緒学習ベース予測モデル(BELPM)として知られている。 これらのサブシステムの機能は適応的ネットワークを用いて説明される。 BELPMは、Auroral Electrojet (AE) IndexとDisrupt Time (Dst) Indexという2つの地磁気指標を用いて、地磁気嵐を予測するために使用される。
  論文  参考訳（メタデータ） (2020-07-28T20:28:18Z)

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。