論文の概要: Beacon2Science: Enhancing STEREO/HI beacon data1 with machine learning for efficient CME tracking
- arxiv url: http://arxiv.org/abs/2503.15288v1
- Date: Wed, 19 Mar 2025 15:09:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-20 15:24:26.679095
- Title: Beacon2Science: Enhancing STEREO/HI beacon data1 with machine learning for efficient CME tracking
- Title（参考訳）: Beacon2Science:効率的なCMEトラッキングのための機械学習によるsterEO/HIビーコンデータ1の強化
- Authors: Justin Le Louëdec, Maike Bauer, Tanja Amerstorfer, Jackie A. Davies,
- Abstract要約: 我々は,ビーコンと科学データとのギャップを埋めて,CMEトラッキングを改善する,"Beacon2Science"と題する新しいパイプラインを提案する。
改良されたビーコン画像は科学データに匹敵するものであり、オリジナルのビーコンデータよりもCMEの可視性が高い。
強化ビーコンデータから抽出したトラックは、科学画像から抽出したトラックに近く、平均誤差は$sim 0.5 circ$で、オリジナルのビーコンデータでは$ $1circ$である。
- 参考スコア（独自算出の注目度）: 0.4499833362998489
- License:
- Abstract: Observing and forecasting coronal mass ejections (CME) in real-time is crucial due to the strong geomagnetic storms they can generate that can have a potentially damaging effect, for example, on satellites and electrical devices. With its near-real-time availability, STEREO/HI beacon data is the perfect candidate for early forecasting of CMEs. However, previous work concluded that CME arrival prediction based on beacon data could not achieve the same accuracy as with high-resolution science data due to data gaps and lower quality. We present our novel pipeline entitled ''Beacon2Science'', bridging the gap between beacon and science data to improve CME tracking. Through this pipeline, we first enhance the quality (signal-to-noise ratio and spatial resolution) of beacon data. We then increase the time resolution of enhanced beacon images through learned interpolation to match science data's 40-minute resolution. We maximize information coherence between consecutive frames with adapted model architecture and loss functions through the different steps. The improved beacon images are comparable to science data, showing better CME visibility than the original beacon data. Furthermore, we compare CMEs tracked in beacon, enhanced beacon, and science images. The tracks extracted from enhanced beacon data are closer to those from science images, with a mean average error of $\sim 0.5 ^\circ$ of elongation compared to $1^\circ$ with original beacon data. The work presented in this paper paves the way for its application to forthcoming missions such as Vigil and PUNCH.
- Abstract（参考訳）: コロナ質量放出(CME)をリアルタイムに観測・予測することは、衛星や電気機器に損傷を与える可能性のある強い磁気嵐を発生させるため、非常に重要である。
sterEO/HIビーコンデータは、ほぼリアルタイムに利用できるため、CMEの早期予測には最適である。
しかし、過去の研究では、ビーコンデータに基づくCME到着予測は、データギャップと低品質のため、高解像度の科学データと同等の精度を達成できないと結論付けていた。
我々は,ビーコンと科学データとのギャップを埋めて,CMEトラッキングを改善する,"Beacon2Science"と題する新しいパイプラインを提案する。
このパイプラインを通じて、ビーコンデータの品質(信号対雑音比と空間分解能)をまず向上させる。
そして、科学データの40分間の解像度と一致するように、学習補間により拡張ビーコン画像の時間分解能を向上させる。
モデルアーキテクチャに適応した連続フレーム間の情報コヒーレンスを最大化し,各ステップによる損失関数を最大化する。
改良されたビーコン画像は科学データに匹敵するものであり、オリジナルのビーコンデータよりもCMEの可視性が高い。
さらに、ビーコンで追跡されたCME、強化ビーコン、科学画像を比較した。
拡張ビーコンデータから抽出したトラックは, 従来のビーコンデータと比較すると平均誤差が$\sim 0.5 ^\circ$であるのに対し, 平均誤差は$\sim 0.5 ^\circ$である。
本稿では、VigilやPUNCHといった今後のミッションへの適用方法について述べる。
関連論文リスト
- FLAME 3 Dataset: Unleashing the Power of Radiometric Thermal UAV Imagery for Wildfire Management [3.3686755167352223]
FLAME 3は、森林火災の視覚スペクトルと放射熱画像の総合的な収集としては初めてである。
このデータセットは、放射熱画像を利用した新しい世代の機械学習モデルを促進することを目的としている。
論文 参考訳（メタデータ） (2024-12-03T20:53:42Z) - Commissioning An All-Sky Infrared Camera Array for Detection Of Airborne Objects [0.11703603440337004]
ガリレオ計画では、空を継続的に監視する多モード地上観測所を設計、建設、委託している。
鍵となる機器の1つは、8つの冷却されていない長波長のFLIRボソン640カメラを使用した全天型赤外線カメラアレイである。
各種気象条件に対する受入率(観測可能な航空機等)と検出効率(検出に成功している航空機等)を報告する。
おもちゃのアウトリーチは2次元再構成トラジェクトリーフラッグの大きな不純物に焦点を絞ったもので、トラジェクトリーの約16%をアウトリーチとして用いた。
論文 参考訳（メタデータ） (2024-11-12T17:31:51Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Low-latency Visual Previews of Large Synchrotron Micro-CT Datasets [0.0]
本研究では,データサイズをギガバイトからメガバイトに拡大し,マイクロCTデータセットをリアルタイムで配信する手法を提案する。
我々の実証では、節足動物の幾何学的情報を妥協することなく、データセットをメガバイト範囲に縮小できることが証明された。
論文 参考訳（メタデータ） (2023-11-25T14:24:55Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Unlocking the Use of Raw Multispectral Earth Observation Imagery for Onboard Artificial Intelligence [3.3810628880631226]
本研究は,ターゲットイベントの検出のためのデータセット作成を自動化する新しい手法を提案する。
提案手法は、まず、空間帯域登録とジオレファレンスからなるパイプラインを適用することにより、生データを処理する。
Level-1C製品上で、イベント固有の最先端アルゴリズムを活用することで、ターゲットイベントを検出する。
本研究では,温熱ホットスポットを含むSentinel-2生データの最初のデータセットであるTHRawS (Thermal Hotspots in Raw Sentinel-2 data) を実現するために提案手法を適用した。
論文 参考訳（メタデータ） (2023-05-12T09:54:21Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in
Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。
我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。
Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文 参考訳（メタデータ） (2021-08-11T14:37:54Z) - Robust pedestrian detection in thermal imagery using synthesized images [39.33977680993236]
熱領域における歩行者検出を2段階に分けて改善する手法を提案する。
まず、生成データ拡張アプローチを使用し、次いで、生成されたデータを用いたドメイン適応法は、RGB歩行者検出器に適応する。
我々の検出器は,最先端技術に関して,KAIST上で最高の単一モダリティ検出結果を達成する。
論文 参考訳（メタデータ） (2021-02-03T11:08:31Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z)
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。