論文の概要: Forecasting Local Ionospheric Parameters Using Transformers

• arxiv url: http://arxiv.org/abs/2502.15093v1
• Date: Thu, 20 Feb 2025 23:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 21:37:39.011263
• Title: Forecasting Local Ionospheric Parameters Using Transformers
• Title（参考訳）: 変圧器を用いた局所電離圏パラメータの予測
• Authors: Daniel J. Alford-Lago, Christopher W. Curtis, Alexander T. Ihler, Katherine A. Zawdie, Douglas P. Drob,
• Abstract要約: 本稿では,トランスを用いたニューラルネットワークを用いたキー電離球パラメータの予測手法を提案する。 このモデルは、F2層ピークプラズマ周波数(foF2)、F2層ピーク密度高さ(hmF2)、および所定の地理的位置に対する全電子量(TEC)の正確な予測と不確実性定量化を提供する。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel method for forecasting key ionospheric parameters using transformer-based neural networks. The model provides accurate forecasts and uncertainty quantification of the F2-layer peak plasma frequency (foF2), the F2-layer peak density height (hmF2), and total electron content (TEC) for a given geographic location. It supports a number of exogenous variables, including F10.7cm solar flux and disturbance storm time (Dst). We demonstrate how transformers can be trained in a data assimilation-like fashion that use these exogenous variables along with na\"ive predictions from climatology to generate 24-hour forecasts with non-parametric uncertainty bounds. We call this method the Local Ionospheric Forecast Transformer (LIFT). We demonstrate that the trained model can generalize to new geographic locations and time periods not seen during training, and we compare its performance to that of the International Reference Ionosphere (IRI).
• Abstract（参考訳）: 本稿では,トランスを用いたニューラルネットワークを用いたキー電離球パラメータの予測手法を提案する。 このモデルは、F2層ピークプラズマ周波数(foF2)、F2層ピーク密度高さ(hmF2)、および所定の地理的位置に対する全電子量(TEC)の正確な予測と不確実性定量化を提供する。 F10.7cm太陽フラックスや外乱嵐時(Dst)など、多くの外因性変数をサポートしている。 非パラメトリックな不確実性境界を持つ24時間予測を生成するために、これらの外因性変数と、気候学からの「予測」とともに、トランスフォーマーをデータ同化のような方法でトレーニングする方法を実証する。 我々はこの手法を局所電離圏予測変換器 (LIFT) と呼ぶ。 トレーニング中に見えない新しい地理的位置や時間に一般化できることを示し,その性能を国際基準電離圏(IRI)と比較した。

関連論文リスト

• UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting [0.06906005491572399]
  本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。 本稿では,次のフレーム述語領域で使用されるデータセットの初期研究について述べる。
  論文  参考訳（メタデータ） (2025-04-28T01:20:30Z)
• Towards Location-Specific Precipitation Projections Using Deep Neural Networks [0.0]
  本研究では,局別降水近似において,深部ニューラルネットワーク(DNN)を利用してKrigingのような従来の手法を超越したパラダイムシフトを提案する。 本稿では,降水量,標高,位置を利用したNNアーキテクチャと,湿度,温度,風速などの気象パラメータを付加したNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-03-18T10:12:17Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• Regional Weather Variable Predictions by Machine Learning with Near-Surface Observational and Atmospheric Numerical Data [22.54998659323974]
  本稿では,ケンタッキー・メソネット駅の近地観測データを統合した新しい機械学習(ML)モデルであるMiMa(マイクロマクロのショート)を提案する。 MiMaは現在のモデルを大きく上回り、Re-MiMaは未完成の場所の正確な短期予測を提供する。
  論文  参考訳（メタデータ） (2024-12-11T23:55:38Z)
• Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
  高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。 これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。 拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-10T01:26:16Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
  モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。 その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。 全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
  論文  参考訳（メタデータ） (2024-02-08T11:00:51Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。