論文の概要: Connecting the Dots: A Machine Learning Ready Dataset for Ionospheric Forecasting Models
- arxiv url: http://arxiv.org/abs/2511.15743v1
- Date: Tue, 18 Nov 2025 20:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.31061
- Title: Connecting the Dots: A Machine Learning Ready Dataset for Ionospheric Forecasting Models
- Title（参考訳）: ドットを接続する: 電離層予測モデルのための機械学習のための準備の整ったデータセット
- Authors: Linnea M. Wolniewicz, Halil S. Kelebek, Simone Mestici, Michael D. Vergalla, Giacomo Acciarini, Bala Poduval, Olga Verkhoglyadova, Madhulika Guhathakurta, Thomas E. Berger, Atılım Güneş Baydin, Frank Soboczenski,
- Abstract要約: 我々は、多種多様な電離圏とヘリオスフェアの測定を一貫性のある機械学習対応構造に統合する、キュレートされたオープンアクセスデータセットを提案する。
我々のワークフローは、太陽力学観測データ、太陽放射率指数(F10.7)、太陽風パラメータ(速度と惑星間磁場)、地磁気活動指数(Kp, AE, SYM-H)、NASA JPLの全電子含有量世界電離球マップ(GIM-TEC)を含む膨大なデータソースを統合している。
- 参考スコア（独自算出の注目度）: 0.27300286905606946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Operational forecasting of the ionosphere remains a critical space weather challenge due to sparse observations, complex coupling across geospatial layers, and a growing need for timely, accurate predictions that support Global Navigation Satellite System (GNSS), communications, aviation safety, as well as satellite operations. As part of the 2025 NASA Heliolab, we present a curated, open-access dataset that integrates diverse ionospheric and heliospheric measurements into a coherent, machine learning-ready structure, designed specifically to support next-generation forecasting models and address gaps in current operational frameworks. Our workflow integrates a large selection of data sources comprising Solar Dynamic Observatory data, solar irradiance indices (F10.7), solar wind parameters (velocity and interplanetary magnetic field), geomagnetic activity indices (Kp, AE, SYM-H), and NASA JPL's Global Ionospheric Maps of Total Electron Content (GIM-TEC). We also implement geospatially sparse data such as the TEC derived from the World-Wide GNSS Receiver Network and crowdsourced Android smartphone measurements. This novel heterogeneous dataset is temporally and spatially aligned into a single, modular data structure that supports both physical and data-driven modeling. Leveraging this dataset, we train and benchmark several spatiotemporal machine learning architectures for forecasting vertical TEC under both quiet and geomagnetically active conditions. This work presents an extensive dataset and modeling pipeline that enables exploration of not only ionospheric dynamics but also broader Sun-Earth interactions, supporting both scientific inquiry and operational forecasting efforts.
- Abstract（参考訳）: 電離圏の運用予測は、未観測の観測、地理空間層間の複雑な結合、グローバルナビゲーション衛星システム(GNSS)、通信、航空安全、衛星操作をサポートするタイムリーで正確な予測の必要性の増大による重要な宇宙気象問題であり続けている。
2025年のNASA Heliolabの一部として、さまざまな電離圏とヘリオスフェアの測定を統一された機械学習対応構造に統合し、次世代の予測モデルをサポートし、現在の運用フレームワークのギャップに対処する目的で設計された、キュレートされたオープンアクセスデータセットを紹介します。
我々のワークフローは、太陽力学観測データ、太陽放射率指数(F10.7)、太陽風パラメータ(速度と惑星間磁場)、地磁気活動指数(Kp, AE, SYM-H)、NASA JPLの全電子含有量世界電離球マップ(GIM-TEC)を含む膨大なデータソースを統合している。
また、World-Wide GNSS Receiver Network から派生した TEC や、クラウドソーシングされた Android スマートフォン計測など、地理的に疎結合なデータも実装している。
この新しい異種データセットは、物理的およびデータ駆動モデリングの両方をサポートする単一のモジュラーデータ構造に時間的および空間的に整列されている。
このデータセットを活用することで、静電気と地磁気の両方の条件下で垂直TECを予測するために、複数の時空間機械学習アーキテクチャをトレーニングし、ベンチマークする。
この研究は、電離圏力学だけでなく、より広い太陽と地球の相互作用の探索を可能にする広範なデータセットとモデリングパイプラインを示し、科学的調査と運用予測の両方をサポートする。
関連論文リスト
- DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。
AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。
我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文 参考訳（メタデータ） (2025-10-13T03:13:35Z) - Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。
TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。
本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-30T23:08:19Z) - SuryaBench: Benchmark Dataset for Advancing Machine Learning in Heliophysics and Space Weather Prediction [2.288747975391298]
本稿では、NASAのソーラー・ダイナミクス・オブザーバ(SDO)から得られた高分解能で機械学習対応のヘリオフィジカルデータセットを紹介する。
このデータセットには、大気圧イメージングアセンブリ(AIA)とヘリオサイスミック・磁気画像処理(HMI)からの処理された画像が含まれている。
MLタスクの適合性を確保するため、データは前処理され、宇宙船のロール角の補正、軌道調整、露出正規化、劣化補正が行われた。
論文 参考訳（メタデータ） (2025-08-18T00:05:01Z) - Conceptual framework for the application of deep neural networks to surface composition reconstruction from Mercury's exospheric data [77.40388962445168]
本研究では、ディープニューラルネットワーク(DNN)を用いた中性外気圏のその場測定から水銀のレゴリス元素組成の導出の可能性について検討する。
本稿では,下記表層リゴリスの化学成分を予測した制御フィードフォワードDNNアーキテクチャを提案する。
表面と外圏の相互作用や、外圏の形成に至る過程を推定する指標として機能する。
論文 参考訳（メタデータ） (2025-05-16T09:52:45Z) - OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - A Foundation Model for the Solar Dynamics Observatory [2.63089646549647]
SDO-FMは、NASAのソーラー・ダイナミクス・オブザーバ(SDO)からのデータを用いた基礎モデルである。
本稿では、Hugging Faceとsdofm.orgのコミュニティで利用可能な、事前トレーニングされたモデルと埋め込みデータセットのリリースを示す。
論文 参考訳（メタデータ） (2024-10-03T14:36:32Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - 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) - Earthformer: Exploring Space-Time Transformers for Earth System
Forecasting [27.60569643222878]
本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。
Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。
降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2022-07-12T20:52:26Z)
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。