論文の概要: Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks

• arxiv url: http://arxiv.org/abs/2409.17421v1
• Date: Wed, 25 Sep 2024 23:09:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 23:50:22.784103
• Title: Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks
• Title（参考訳）: 長期記憶を用いた太陽活動領域の発生予測 ネットワーク
• Authors: Spiridon Kasapis, Irina N. Kitiashvili, Alexander G. Kosovichev, John T. Stefan
• Abstract要約: 太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We developed Long Short-Term Memory (LSTM) models to predict the formation of active regions (ARs) on the solar surface. Using the Doppler shift velocity, the continuum intensity, and the magnetic field observations from the Solar Dynamics Observatory (SDO) Helioseismic and Magnetic Imager (HMI), we have created time-series datasets of acoustic power and magnetic flux, which are used to train LSTM models on predicting continuum intensity, 12 hours in advance. These novel machine learning (ML) models are able to capture variations of the acoustic power density associated with upcoming magnetic flux emergence and continuum intensity decrease. Testing of the models' performance was done on data for 5 ARs, unseen from the models during training. Model 8, the best performing model trained, was able to make a successful prediction of emergence for all testing active regions in an experimental setting and three of them in an operational. The model predicted the emergence of AR11726, AR13165, and AR13179 respectively 10, 29, and 5 hours in advance, and variations of this model achieved average RMSE values of 0.11 for both active and quiet areas on the solar disc. This work sets the foundations for ML-aided prediction of solar ARs.
• Abstract（参考訳）: 太陽表面における活動領域(AR)の形成を予測するため,Long Short-Term Memory(LSTM)モデルを開発した。 太陽ダイナミクス観測所(SDO)ヘリオサイスミック・磁気画像装置(HMI)のドップラーシフト速度、連続体強度、および磁場観測を用いて、音響パワーと磁束の時系列データセットを作成し、連続体強度を12時間前に予測するLSTMモデルのトレーニングに使用した。 これらの機械学習(ML)モデルは、来るべき磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。 モデルの性能のテストは5つのARのデータ上で行われ、トレーニング中にモデルから見えなかった。 訓練された最高の性能モデルであるモデル8は、実験環境でのすべてのテスト活動領域の出現を予測し、そのうち3つは運用環境での出現を予測できた。 このモデルでは、AR11726、AR13165、AR13179の出現を事前に10、29、および5時間予測し、このモデルの平均RMSE値は、太陽円盤上の活動領域と静地の両方で0.11となった。 この研究は、MLによるソーラーARの予測の基礎を定めている。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• DiffESM: Conditional Emulation of Temperature and Precipitation in Earth System Models with 3D Diffusion Models [0.7776497736451751]
  地球系モデル(Earth System Models、ESM)は、人間の活動と地球の気候の間の相互作用を理解するために不可欠である。 ESMは、しばしば実行可能なシミュレーションの数を制限し、極端な気象イベントに関連するリスクのロバストな分析を妨げる。 生成型ディープラーニングモデルのクラスである拡散モデルを用いて、毎月のESM出力を1日あたりの周波数に効果的にダウンスケールする。
  論文  参考訳（メタデータ） (2024-09-17T23:20:05Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  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。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• Predicting the Emergence of Solar Active Regions Using Machine Learning [41.94295877935867]
  今後の宇宙気象障害の早期警戒機能を作成するため、61の新興活動領域のデータセットを選択した。 太陽ダイナミクス観測衛星(SDO)に搭載されたヘリオサイスミック・磁気画像装置(HMI)からのドップラーシフトと連続強度観測を利用した。 我々は,次の磁束発生に伴う音響パワーフラックス密度の変動を捉える機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2024-02-14T01:41:50Z)
• 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)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted Neural Networks [0.0]
  外乱嵐時(Dst)指数は、リング電流強度のプロキシとして広く使用されている。 1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-26T10:38:07Z)
• Predicting heave and surge motions of a semi-submersible with neural networks [4.0097067208724955]
  半潜水艇のヒーブ動作とサージ動作を予測するために,LSTM(Long Short-term memory)に基づく機械学習モデルを開発した。 測定波の助けを借りて、予測は46.5秒を将来まで延長し、平均精度は90%近くになった。
  論文  参考訳（メタデータ） (2020-07-31T11:24:46Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。