論文の概要: Prediction of Geoeffective CMEs Using SOHO Images and Deep Learning
- arxiv url: http://arxiv.org/abs/2501.01011v1
- Date: Thu, 02 Jan 2025 02:24:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:11:48.184629
- Title: Prediction of Geoeffective CMEs Using SOHO Images and Deep Learning
- Title（参考訳）: SOHO画像と深層学習を用いた地球効率CMEの予測
- Authors: Khalid A. Alobaid, Jason T. L. Wang, Haimin Wang, Ju Jing, Yasser Abduallah, Zhenduo Wang, Hameedullah Farooki, Huseyin Cavus, Vasyl Yurchyshyn,
- Abstract要約: 深層学習フレームワークは、地球に到達したCMEイベントが地磁気嵐を引き起こすかどうかを予測、決定、あるいは確率的に予測するように設計されている。
GeoCMEは、ソーラー・アンド・ヘリオスフェア天文台(Solar and Heliospheric Observatory)に搭載されているLASCO C2、EIT、MDIなどの観測機器で訓練されている。
アンサンブルと移動学習技術を用いて、GeoCMEはSOHO観測で隠された特徴を抽出することができる。
- 参考スコア（独自算出の注目度）: 0.7545833157486898
- License:
- Abstract: The application of machine learning to the study of coronal mass ejections (CMEs) and their impacts on Earth has seen significant growth recently. Understanding and forecasting CME geoeffectiveness is crucial for protecting infrastructure in space and ensuring the resilience of technological systems on Earth. Here we present GeoCME, a deep-learning framework designed to predict, deterministically or probabilistically, whether a CME event that arrives at Earth will cause a geomagnetic storm. A geomagnetic storm is defined as a disturbance of the Earth's magnetosphere during which the minimum Dst index value is less than -50 nT. GeoCME is trained on observations from the instruments including LASCO C2, EIT and MDI on board the Solar and Heliospheric Observatory (SOHO), focusing on a dataset that includes 136 halo/partial halo CMEs in Solar Cycle 23. Using ensemble and transfer learning techniques, GeoCME is capable of extracting features hidden in the SOHO observations and making predictions based on the learned features. Our experimental results demonstrate the good performance of GeoCME, achieving a Matthew's correlation coefficient of 0.807 and a true skill statistics score of 0.714 when the tool is used as a deterministic prediction model. When the tool is used as a probabilistic forecasting model, it achieves a Brier score of 0.094 and a Brier skill score of 0.493. These results are promising, showing that the proposed GeoCME can help enhance our understanding of CME-triggered solar-terrestrial interactions.
- Abstract（参考訳）: 機械学習のコロナ質量放出(CME)研究への応用と、その地球への影響は、最近顕著な成長を遂げている。
CMEのジオエフェクトの理解と予測は、宇宙のインフラを守り、地球上の技術システムのレジリエンスを確保するために不可欠である。
ここでは、地球に到達したCMEイベントが地磁気嵐を引き起こすかどうかを予測、決定、あるいは確率的に予測するために設計されたディープラーニングフレームワークであるGeoCMEを紹介する。
地磁気嵐は、最低Dst指数値が-50 nT未満である地球の磁気圏の乱れとして定義される。
GeoCMEは、Solar and Heliospheric Observatory (SOHO)に搭載されているLASCO C2、EIT、MDIなどの観測機器で、Solar Cycle 23の136halo/partial halo CMEを含むデータセットに焦点を当てて訓練されている。
アンサンブルと転送学習技術を用いて、GeoCMEはSOHO観測に隠された特徴を抽出し、学習した特徴に基づいて予測を行うことができる。
ツールが決定論的予測モデルとして使用される場合,GeoCMEの優れた性能を示し,Matthewの相関係数0.807と真のスキル統計スコア0.714を達成した。
このツールを確率予測モデルとして使用すると、ブライアスコアが0.094、ブライアスキルスコアが0.493となる。
これらの結果は、提案したGeoCMEが、CMEによる太陽-地球間相互作用の理解を深める上で有効であることを示している。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z) - Estimating Coronal Mass Ejection Mass and Kinetic Energy by Fusion of
Multiple Deep-learning Models [1.2126495348848583]
我々は、コロナ質量放出(CME)の2つの特性を推定するDeepCMEと呼ばれる新しい手法を提案する。
DeepCMEは、ResNet、InceptionNet、InceptionResNetを含む3つのディープラーニングモデルの融合である。
我々の知る限り、深層学習がCME質量と運動エネルギー推定に使われたのはこれが初めてである。
論文 参考訳（メタデータ） (2023-12-04T07:25:55Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - 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) - Ensemble Learning for CME Arrival Time Prediction [2.055949720959582]
地球に向いたコロナ質量放出(CME)は、人間のシステムに深刻な影響をもたらす可能性がある。
本研究では,太陽から地球へのCMEの到着時刻を予測するため,CMETNetというアンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-29T13:35:43Z) - 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) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data
Products and Recurrent Neural Networks [8.269784943760882]
我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。
我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。
我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
論文 参考訳（メタデータ） (2020-02-22T11:26:47Z)
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。