論文の概要: Deep Space Weather Model: Long-Range Solar Flare Prediction from Multi-Wavelength Images

• arxiv url: http://arxiv.org/abs/2508.07847v1
• Date: Mon, 11 Aug 2025 11:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.054056
• Title: Deep Space Weather Model: Long-Range Solar Flare Prediction from Multi-Wavelength Images
• Title（参考訳）: 宇宙深部気象モデル:多波長画像による長距離太陽フレア予測
• Authors: Shunya Nagashima, Komei Sugiura,
• Abstract要約: Deep Space Weather Model(ディープ・スペース・ウェザー・モデル、ディープ・SWM)は、10チャンネルの太陽画像と長距離の時間的依存関係の両方を扱う複数のディープ・ステート・スペース・モデルに基づいている。 FlareBenchは、太陽フレア予測のための公開ベンチマークで、11年間の太陽活動サイクルをカバーしています。 提案手法は,基準基準法と人的専門家による標準指標の性能を,性能と信頼性の点で上回った。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, reliable solar flare prediction is crucial for mitigating potential disruptions to critical infrastructure, while predicting solar flares remains a significant challenge. Existing methods based on heuristic physical features often lack representation learning from solar images. On the other hand, end-to-end learning approaches struggle to model long-range temporal dependencies in solar images. In this study, we propose Deep Space Weather Model (Deep SWM), which is based on multiple deep state space models for handling both ten-channel solar images and long-range spatio-temporal dependencies. Deep SWM also features a sparse masked autoencoder, a novel pretraining strategy that employs a two-phase masking approach to preserve crucial regions such as sunspots while compressing spatial information. Furthermore, we built FlareBench, a new public benchmark for solar flare prediction covering a full 11-year solar activity cycle, to validate our method. Our method outperformed baseline methods and even human expert performance on standard metrics in terms of performance and reliability. The project page can be found at https://keio-smilab25.github.io/DeepSWM.
• Abstract（参考訳）: 正確な、信頼性の高い太陽フレア予測は、重要なインフラの破壊を緩和するために不可欠であるが、太陽フレアの予測は依然として重要な課題である。 ヒューリスティックな物理的特徴に基づく既存の手法は、しばしば太陽画像からの表現学習を欠いている。 一方、エンド・ツー・エンドの学習手法は、太陽画像の長距離時間依存性をモデル化するのに苦労する。 本研究では,10チャンネルの太陽画像と長距離時空間依存性の両方を扱うために,複数の深部空間モデルに基づく深部空間気象モデル(ディープSWM)を提案する。 ディープSWMはまた、空間情報を圧縮しながら、太陽黒点などの重要な領域を保護するために二相マスキングアプローチを利用する新しい事前訓練戦略であるスパースマスク付きオートエンコーダも備えている。 さらに、フル11年の太陽活動サイクルをカバーする、太陽フレア予測のための新しい公開ベンチマークであるFrareBenchを構築し、その方法を検証する。 提案手法は,基準基準法と人的専門家による標準指標の性能を,性能と信頼性の点で上回った。 プロジェクトのページはhttps://keio-smilab25.github.io/DeepSWM.comにある。

関連論文リスト

• Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• 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)
• 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)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• 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)
• 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。