論文の概要: When Astronomy Meets AI: Manazel For Crescent Visibility Prediction in Morocco
- arxiv url: http://arxiv.org/abs/2503.21634v1
- Date: Thu, 27 Mar 2025 15:56:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:54:55.576608
- Title: When Astronomy Meets AI: Manazel For Crescent Visibility Prediction in Morocco
- Title(参考訳): AIと出会うとき:マナゼルはモロッコで不吉な可視性予測を行う
- Authors: Yassir Lairgi,
- Abstract要約: この研究は、Arc of Vision(ARCV)と三日月(W)の全幅という2つの重要な特徴を統合し、月面の視認性評価の精度を高める。
ロジスティック回帰アルゴリズムを用いた機械学習手法を用いて三日月可視条件を分類し、予測精度98.83%を達成する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The accurate determination of the beginning of each Hijri month is essential for religious, cultural, and administrative purposes. Manazel (The code and datasets are available at https://github.com/lairgiyassir/manazel) addresses this challenge in Morocco by leveraging 13 years of crescent visibility data to refine the ODEH criterion, a widely used standard for lunar crescent visibility prediction. The study integrates two key features, the Arc of Vision (ARCV) and the total width of the crescent (W), to enhance the accuracy of lunar visibility assessments. A machine learning approach utilizing the Logistic Regression algorithm is employed to classify crescent visibility conditions, achieving a predictive accuracy of 98.83%. This data-driven methodology offers a robust and reliable framework for determining the start of the Hijri month, comparing different data classification tools, and improving the consistency of lunar calendar calculations in Morocco. The findings demonstrate the effectiveness of machine learning in astronomical applications and highlight the potential for further enhancements in the modeling of crescent visibility.
- Abstract(参考訳): ヒジュリの月の始まりの正確な決定は、宗教、文化、行政の目的に不可欠である。
Manazel(コードとデータセットはhttps://github.com/lairgiyassir/manazel)は、13年間の三日月視データを活用して、月三日月視の予測に広く使用されているODEH基準を洗練することによって、モロッコのこの課題に対処する。
この研究は、視覚のアーク(ARCV)と三日月(W)の全幅という2つの重要な特徴を統合し、月面の視認性評価の精度を高める。
ロジスティック回帰アルゴリズムを用いた機械学習手法を用いて三日月可視条件を分類し、予測精度98.83%を達成する。
このデータ駆動型方法論は、ヒジュリ月の開始を決定し、異なるデータ分類ツールを比較し、モロッコのカレンダー計算の一貫性を改善するための堅牢で信頼性の高いフレームワークを提供する。
この結果は、天文学的な応用における機械学習の有効性を示し、三日月可視性のモデリングにおけるさらなる拡張の可能性を強調している。
関連論文リスト
- Leveraging Deep Learning for Time Series Extrinsic Regression in predicting photometric metallicity of Fundamental-mode RR Lyrae Stars [0.20332580380956125]
我々はガイア光Gバンドの光曲線から基本モード(ab型)RRリレー星の金属度を推定する新しい手法を開発した。
我々のディープラーニングモデルは、平均絶対誤差(MAE)が0.0565である顕著な予測性能を示した。
我々の研究は、天文学研究における深層学習の重要性を、特にガイアのようなミッションからの大規模なデータセットで浮き彫りにしている。
論文 参考訳(メタデータ) (2024-10-23T14:26:35Z) - Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳(メタデータ) (2024-10-21T13:06:21Z) - Adaptive Masking Enhances Visual Grounding [12.793586888511978]
ローショット学習シナリオにおける語彙接地を改善するために,ガウス放射変調を用いた画像解釈型マスキングを提案する。
我々はCOCOやODinWを含むベンチマークデータセットに対するアプローチの有効性を評価し、ゼロショットタスクや少数ショットタスクにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2024-10-04T05:48:02Z) - MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。
具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。
実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-08-15T02:29:00Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳(メタデータ) (2024-03-25T10:30:22Z) - Memory Consistency Guided Divide-and-Conquer Learning for Generalized
Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。
メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。
本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-24T09:39:45Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳(メタデータ) (2023-09-08T19:21:10Z) - Explainable Deep Learning-based Solar Flare Prediction with post hoc
Attention for Operational Forecasting [0.6299766708197884]
本稿では,深層学習に基づくフルディスク太陽フレア予測モデルのポストホック解析について述べる。
我々は24時間以内のフレア発生を予測するために、1時間ごとのフルディスク線磁図画像と2値予測モードを選択した。
分析の結果,太陽フレアのフルディスク予測は,活動領域の特徴と一致していることがわかった。
論文 参考訳(メタデータ) (2023-08-04T19:33:25Z) - Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods [0.6882042556551611]
本研究では,太陽フレア予測モデルを提案する。
実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。
我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
論文 参考訳(メタデータ) (2023-07-29T03:18:56Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳(メタデータ) (2022-03-11T16:14:14Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
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。