論文の概要: Prediction of Halo Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data Products and a Transformer Model

• arxiv url: http://arxiv.org/abs/2503.03237v1
• Date: Wed, 05 Mar 2025 07:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:50:59.470533
• Title: Prediction of Halo Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data Products and a Transformer Model
• Title（参考訳）: SDO/HMIベクトル磁気データと変圧器モデルを用いたハロコロナ質量放出の予測
• Authors: Hongyang Zhang, Ju Jing, Jason T. L. Wang, Haimin Wang, Yasser Abduallah, Yan Xu, Khalid A. Alobaid, Hameedullah Farooki, Vasyl Yurchyshyn,
• Abstract要約: 本稿では,ハロコロナ質量放出(CME)の発生を予測するために,DeepHaloという変圧器モデルを提案する。 本モデルでは,データサンプルの時系列を含むアクティブ領域(AR)とプロファイルを入力として扱う。 我々は,2010年11月から2023年8月までの期間に,ハロCMEやARに関連するノンハロCMEを含むCMEのリストをまとめる。
• 参考スコア（独自算出の注目度）: 6.2345540649252005
• License:
• Abstract: We present a transformer model, named DeepHalo, to predict the occurrence of halo coronal mass ejections (CMEs). Our model takes as input an active region (AR) and a profile, where the profile contains a time series of data samples in the AR that are collected 24 hours before the beginning of a day, and predicts whether the AR would produce a halo CME during that day. Each data sample contains physical parameters, or features, derived from photospheric vector magnetic field data taken by the Helioseismic and Magnetic Imager (HMI) on board the Solar Dynamics Observatory (SDO). We survey and match CME events in the Space Weather Database Of Notification, Knowledge, Information (DONKI) and Large Angle and Spectrometric Coronagraph (LASCO) CME Catalog, and compile a list of CMEs including halo CMEs and non-halo CMEs associated with ARs in the period between November 2010 and August 2023. We use the information gathered above to build the labels (positive versus negative) of the data samples and profiles at hand, where the labels are needed for machine learning. Experimental results show that DeepHalo with a true skill statistics (TSS) score of 0.907 outperforms a closely related long short-term memory network with a TSS score of 0.821. To our knowledge, this is the first time that the transformer model has been used for halo CME prediction.
• Abstract（参考訳）: 本稿では,Hero Coronal mass ejection (CMEs) の発生を予測するために,DeepHaloというトランスフォーマーモデルを提案する。 本モデルでは,1日の開始から24時間前に収集されたARデータサンプルの時系列を含む,アクティブ領域(AR)とプロファイルを入力とし,その日中にARがハローCMEを生成するかどうかを予測する。 それぞれのデータサンプルは、ソーラー・ダイナミクス・オブザーバ (SDO) に搭載されたHelioseismic and Magnetic Imager (HMI) によって得られた光球ベクトル磁場データから得られる物理的パラメータ、または特徴を含んでいる。 我々は,2010年11月から2023年8月までの期間に,宇宙気象データベース(Space Weather Database of Notification, Knowledge, Information, DONKI)とLarge Angle and Spectrometric Coronagraph (LASCO) CME CatalogのCMEイベントを調査・マッチングし,ハロCMEや非ハロCMEを含むCMEのリストをコンパイルした。 上記の情報を使って、データサンプルとプロフィールのラベル(正対負)を構築し、機械学習に必要なラベルを作成します。 実験の結果,TSSスコア0.907のDeepHaloは,TSSスコア0.821の長い短期記憶ネットワークよりも優れていた。 私たちの知る限り、トランスモデルをハローCME予測に使用したのはこれが初めてです。

関連論文リスト

• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• 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)
• 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)
• 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)
• Retrosynthesis Prediction with Local Template Retrieval [112.23386062396622]
  特定の標的分子の反応を予測する再合成は、薬物発見に必須の課題である。 本稿では,局所的な反応テンプレート検索手法であるRetroKNNを紹介する。 我々は、広く使われている2つのベンチマーク、USPTO-50KとUSPTO-MITで包括的な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T03:38:03Z)
• 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)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• 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)
• Linking Across Data Granularity: Fitting Multivariate Hawkes Processes to Partially Interval-Censored Data [50.63666649894571]
  一部の応用では、ある次元における個々の事象のタイムスタンプは観測不可能であり、インターバル内の事象数のみが知られている。 本研究では,MHPとパラメータ等価性を共有し,タイムスタンプデータとインターバルセンサデータの両方を効果的にモデル化できる新たなポイントプロセスを提案する。 合成および実世界のデータセットを用いてPCMHPの能力を実証する。
  論文  参考訳（メタデータ） (2021-11-03T08:25:35Z)
• 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。