論文の概要: An Interpretable Machine Learning Approach to Understanding the Relationships between Solar Flares and Source Active Regions
- arxiv url: http://arxiv.org/abs/2502.15066v1
- Date: Thu, 20 Feb 2025 22:00:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 16:09:18.963334
- Title: An Interpretable Machine Learning Approach to Understanding the Relationships between Solar Flares and Source Active Regions
- Title（参考訳）: 太陽フレアと震源活動領域の関係を理解するための解釈可能な機械学習手法
- Authors: Huseyin Cavus, Jason T. L. Wang, Teja P. S. Singampalli, Gani Caglar Coban, Hongyang Zhang, Abd-ur Raheem, Haimin Wang,
- Abstract要約: 本稿では、二分分類問題に対処するためにランダムフォレスト(RF)モデルを用いる。
2011年から2021年にかけて、SolarMonitor.orgとXRTのフレアデータベースによって収集された観測データを用いて、太陽フレアと起源のARとの間の関係を分析する。
AR_Type_Today と Hale_Class_Yesterday の2つの特徴は,それぞれ最強かつ最短であることがわかった。
- 参考スコア（独自算出の注目度）: 4.318993143281039
- License:
- Abstract: Solar flares are defined as outbursts on the surface of the Sun. They occur when energy accumulated in magnetic fields enclosing solar active regions (ARs) is abruptly expelled. Solar flares and associated coronal mass ejections are sources of space weather that adversely impact devices at or near Earth, including the obstruction of high-frequency radio waves utilized for communication and the deterioration of power grid operations. Tracking and delivering early and precise predictions of solar flares is essential for readiness and catastrophe risk mitigation. This paper employs the random forest (RF) model to address the binary classification task, analyzing the links between solar flares and their originating ARs with observational data gathered from 2011 to 2021 by SolarMonitor.org and the XRT flare database. We seek to identify the physical features of a source AR that significantly influence its potential to trigger >=C-class flares. We found that the features of AR_Type_Today, Hale_Class_Yesterday are the most and the least prepotent features, respectively. NoS_Difference has a remarkable effect in decision-making in both global and local interpretations.
- Abstract（参考訳）: 太陽フレアは、太陽の表面のアウトバーストとして定義される。
太陽活動領域(AR)を囲む磁場に蓄積されたエネルギーが突然放出されるときに発生する。
太陽フレアと関連するコロナ質量放出は、通信に使用される高周波電波の妨害や電力網の動作の劣化など、地球近傍の機器に悪影響を及ぼす宇宙天気の原因である。
太陽フレアの早期かつ正確な予測を追跡、提供することは、準備と災害リスク軽減に不可欠である。
本稿では,太陽フレアとそれに由来するARとの関係をSolarMonitor.orgとXRTフレアデータベースによって2011年から2021年にかけて収集された観測データを用いて解析する。
我々は,C級フレアを誘発する可能性に大きな影響を与えるソースARの物理的特徴を同定することを模索する。
AR_Type_Today と Hale_Class_Yesterday の2つの特徴は,それぞれ最強かつ最短であることがわかった。
NoS_Differenceは、グローバルな解釈とローカルな解釈の両方において、決定に顕著な影響を及ぼす。
関連論文リスト
- Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams [0.0]
HMI強度図とマグネティックグラムを用いた極端太陽フレアの予測手法を提案する。
強度図から太陽点を検出し、磁気グラムから磁場パッチを抽出することにより、極度のクラスフレアを分類するためにResidual Network(ResNet)を訓練する。
我々のモデルは高精度で、極端太陽フレアを予測し、宇宙天気予報を改善するための堅牢なツールを提供する。
論文 参考訳（メタデータ） (2024-05-23T16:17:16Z) - A Foundation Model for the Earth System [82.73624748093333]
我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。
オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
論文 参考訳（メタデータ） (2024-05-20T14:45:18Z) - Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。
SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。
DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文 参考訳（メタデータ） (2024-04-03T08:18:45Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - 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) - A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning [4.844946519309793]
我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。
我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。
提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
論文 参考訳（メタデータ） (2021-12-28T03:13:44Z) - 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) - DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction [3.994605741665177]
我々は、Web上で太陽フレアを予測するための、DeepSunと呼ばれる機械学習・アズ・ア・サービスフレームワークを提案する。
DeepSunシステムは、このマルチクラス予測問題に対処するために、いくつかの機械学習アルゴリズムを使用している。
私たちの知る限り、DeepSunはインターネットを通じて太陽フレアを予測できる最初のMLツールです。
論文 参考訳（メタデータ） (2020-09-04T03:41:50Z)
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。