論文の概要: Advancing Solar Flare Prediction using Deep Learning with Active Region Patches
- arxiv url: http://arxiv.org/abs/2406.11054v1
- Date: Sun, 16 Jun 2024 19:35:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 19:13:27.045960
- Title: Advancing Solar Flare Prediction using Deep Learning with Active Region Patches
- Title（参考訳）: アクティブ領域パッチを用いた深層学習による太陽フレア予測の促進
- Authors: Chetraj Pandey, Temitope Adeyeha, Jinsu Hong, Rafal A. Angryk, Berkay Aydin,
- Abstract要約: 本稿では,アクティブ領域(AR)パッチの磁気グラムの形状特性を利用した新しい手法を提案する。
我々は,(i)ResNet34,(ii)MobileNet,(iii)MobileViTの3つのディープラーニングモデルを作成し,フレアを予測し,その有効性を評価する。
- 参考スコア（独自算出の注目度）: 1.0225653612678713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a novel methodology for leveraging shape-based characteristics of magnetograms of active region (AR) patches and provide a novel capability for predicting solar flares covering the entirety of the solar disk (AR patches spanning from -90$^{\circ}$ to +90$^{\circ}$ of solar longitude). We create three deep learning models: (i) ResNet34, (ii) MobileNet, and (iii) MobileViT to predict $\geq$M-class flares and assess the efficacy of these models across various ranges of solar longitude. Given the inherent imbalance in our data, we employ augmentation techniques alongside undersampling during the model training phase, while maintaining imbalanced partitions in the testing data for realistic evaluation. We use a composite skill score (CSS) as our evaluation metric, computed as the geometric mean of the True Skill Score (TSS) and the Heidke Skill Score (HSS) to rank and compare models. The primary contributions of this work are as follows: (i) We introduce a novel capability in solar flare prediction that allows predicting flares for each ARs throughout the solar disk and evaluate and compare the performance, (ii) Our candidate model (MobileNet) achieves a CSS=0.51 (TSS=0.60 and HSS=0.44), CSS=0.51 (TSS=0.59 and HSS=0.44), and CSS=0.48 (TSS=0.56 and HSS=0.40) for AR patches within $\pm$30$^{\circ}$, $\pm$60$^{\circ}$, $\pm$90$^{\circ}$ of solar longitude respectively. Additionally, we demonstrate the ability to issue flare forecasts for ARs in near-limb regions (regions between $\pm$60$^{\circ}$ to $\pm$90 $^{\circ}$) with a CSS=0.39 (TSS=0.48 and HSS=0.32), expanding the scope of AR-based models for solar flare prediction. This advancement opens new avenues for more reliable prediction of solar flares, thereby contributing to improved forecasting capabilities.
- Abstract（参考訳）: 本稿では, アクティブ領域 (AR) の磁気グラムの形状特性を活用するための新しい手法を提案するとともに, 太陽円盤全体をカバーする太陽フレア(-90$^{\circ}$から+90$^{\circ}$までのARパッチ)を予測できる新しい手法を提案する。
私たちは3つのディープラーニングモデルを作成します。
(i)ResNet34,
(ii)MobileNet、および
(iii)MobileViTは、$\geq$M級フレアを予測し、これらのモデルの有効性を様々な太陽経度で評価する。
我々のデータに固有の不均衡を考慮に入れれば、実際の評価のためにテストデータの不均衡なパーティションを維持しながら、モデルトレーニング期間中のアンダーサンプリングと並行して拡張技術を採用しています。
評価指標として複合スキルスコア(CSS)を用いて,True Skill Score (TSS) とHeidke Skill Score (HSS) の幾何学平均として計算し,モデルのランク付けと比較を行う。
この作品の主な貢献は次の通りである。
一 太陽フレア予測において、太陽円盤を通して各ARのフレアを予測し、その性能を評価し、比較することができる新しい機能を導入する。
(ii)我々の候補モデル(MobileNet)は、太陽経度でそれぞれ$\pm$30$^{\circ}$,$\pm$60$^{\circ}$,$\pm$90$^{\circ}$,$\pm$90$^{\circ}$のARパッチに対して、CSS=0.51(TSS=0.59とHSS=0.44)、CSS=0.48(TSS=0.56とHSS=0.40)を達成する。
さらに、太陽フレア予測のためのARベースのモデルの範囲を広げ、太陽フレア予測をCSS=0.39 (TSS=0.48 と HSS=0.32) で、ほぼ無限の領域($\pm$60$^{\circ}$から$\pm$90$^{\circ}$まで)でARのフレア予測を発行する機能を示した。
この進歩により、太陽フレアのより信頼性の高い予測のための新しい道が開かれ、予測能力の向上に寄与する。
関連論文リスト
- Inertial Confinement Fusion Forecasting via LLMs [49.954202788661156]
本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfFusion-LLM$を紹介する。
本研究では, 核融合特異的プロンプトを付加した$textitLLM-anchored Reservoir$を提案し, インロジョン中の熱電子ダイナミクスの正確な予測を可能にする。
また、物理実験に基づく最初の$textttICF$ベンチマークである$textbfFusion4AI$も提示し、プラズマ物理学研究における新しいアイデアの育成を目的としている。
論文 参考訳（メタデータ） (2024-07-15T05:46:44Z) - Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
我々は,新しいアルゴリズム,反復的ナッシュポリシー最適化(INPO)を提案する。
従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。
LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で41.5%の勝利率、Arena-Hardで38.3%の勝利率を達成した。
論文 参考訳（メタデータ） (2024-06-30T08:00:34Z) - Unveiling the Potential of Deep Learning Models for Solar Flare
Prediction in Near-Limb Regions [1.2699007098398802]
本研究の目的は、24時間予測窓を用いて、$geq$M級太陽フレアの予測におけるディープラーニングモデルの性能を評価することである。
我々は、転写学習を用いて、AlexNet、VGG16、ResNet34の3つのよく知られたディープラーニングアーキテクチャを訓練した。
本研究は,全円板磁気図から複雑な空間パターンを識別できることを示す。
論文 参考訳（メタデータ） (2023-09-25T19:30:02Z) - 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) - Exploring Deep Learning for Full-disk Solar Flare Prediction with
Empirical Insights from Guided Grad-CAM Explanations [4.085931783551287]
本研究は, 太陽フレアの予測を行うために, フルディスク深層学習モデルを提案することにより, 太陽フレア予測研究を進めた。
分析の結果,フルディスクの太陽フレア予測は活動領域特性と一致していることが明らかとなった。
論文 参考訳（メタデータ） (2023-08-30T02:24:09Z) - Explainable Deep Learning-based Solar Flare Prediction with post hoc
Attention for Operational Forecasting [0.6299766708197884]
本稿では,深層学習に基づくフルディスク太陽フレア予測モデルのポストホック解析について述べる。
我々は24時間以内のフレア発生を予測するために、1時間ごとのフルディスク線磁図画像と2値予測モードを選択した。
分析の結果,太陽フレアのフルディスク予測は,活動領域の特徴と一致していることがわかった。
論文 参考訳（メタデータ） (2023-08-04T19:33:25Z) - Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods [0.6882042556551611]
本研究では,太陽フレア予測モデルを提案する。
実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。
我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
論文 参考訳（メタデータ） (2023-07-29T03:18:56Z) - WEDGE: A multi-weather autonomous driving dataset built from generative
vision-language models [51.61662672912017]
本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。
WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。
53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
論文 参考訳（メタデータ） (2023-05-12T14:42:47Z) - 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) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z)
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。