論文の概要: CLARE: Classification-based Regression for Electron Temperature Prediction

• arxiv url: http://arxiv.org/abs/2603.12470v1
• Date: Thu, 12 Mar 2026 21:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.774939
• Title: CLARE: Classification-based Regression for Electron Temperature Prediction
• Title（参考訳）: CLARE:電子温度予測のための分類に基づく回帰
• Authors: Michael Liang, Blake DeHaas, Naomi Maruyama, Xiangning Chu, Takumi Abe, Koh-Ichiro Oyama,
• Abstract要約: 我々は、地球のプラズマ圏における電子温度を予測する機械学習モデルであるCLAREを提案する。 ケボノのデータから得られたテストセットでは、モデルのTe予測は10パーセントの精度で69.67%の精度を達成している。 機械学習は、公開されているデータに基づいて高精度なTeモデルを生成することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electron temperature (Te) is an important parameter governing space weather in the upper atmosphere, but has historically been underexplored in the space weather machine learning literature. We present CLARE, a machine learning model for predicting electron temperature in the Earth's plasmasphere trained on AKEBONO (EXOS-D) satellite measurements as well as solar and geomagnetic indices. CLARE uses a classification-based regression architecture that transforms the continuous Te output space into 150 discrete classification intervals. Training the model on a classification task improves prediction accuracy by 6.46% relative compared to a traditional regression model while also outputting uncertainty estimation information on its predictions. On a held out test set from the AKEBONO data, the model's Te predictions achieve 69.67% accuracy within 10% of the ground truth and 46.17% on a known geomagnetic storm period from January 30th to February 7th, 1991. We show that machine learning can be used to produce high-accuracy Te models on publicly available data.
• Abstract（参考訳）: 電子温度(Te)は、上層大気における宇宙気象を規定する重要なパラメータであるが、歴史的に宇宙気象機械学習の文献で過小評価されてきた。 CLAREは、ケボノ(EXOS-D)衛星測定および太陽・地磁気指標に基づいて訓練された地球のプラズマ圏の電子温度を予測する機械学習モデルである。 CLAREは分類に基づく回帰アーキテクチャを使用して、連続Te出力空間を150個の個別の分類間隔に変換する。 分類タスクにおけるモデルのトレーニングは、従来の回帰モデルと比較して予測精度を6.46%向上させ、予測の不確実性推定情報を出力する。 明坊野のデータから得られたテストでは、1991年1月30日から2月7日までの既知の地磁気嵐の期間において、テ予想は10%の精度で69.67%、テ予想は46.17%の精度を達成した。 機械学習は、公開されているデータに基づいて高精度なTeモデルを生成することができることを示す。

関連論文リスト

• Machine Learning for Electron-Scale Turbulence Modeling in W7-X [35.18016233072556]
  本稿では,Wendelstein 7-Xステラレータにおける乱流の機械学習による低減モデルを提案する。 各モデルは、ETG熱流束を3つのプラズマパラメータの関数として予測する。 本モデルでは,従来の参照シミュレーションに匹敵する頑健な性能と予測精度を示す。
  論文  参考訳（メタデータ） (2025-11-06T17:24:37Z)
• Signature Kernel Scoring Rule as Spatio-Temporal Diagnostic for Probabilistic Forecasting [3.4161707164978137]
  我々は、時間的および空間的依存関係を符号化する連続経路として、気象変数を再構成するシグネチャカーネルスコアリングルールを導入する。 WeatherBench 2モデルの気象スコアカードによる経験的評価は、署名カーネルスコアリングルールの高い識別力を示している。 我々は、ERA5再解析気象データに基づいて、予測逐次スコアリングルールを用いて、滑り窓生成ニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2025-10-21T22:15:20Z)
• Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning [0.04448495628113797]
  我々は機械学習を用いて、コミュニティ放射移動モデル(CRTM)の効率的なニューラルネットワークに基づく確率的エミュレータを構築する。 トレーニングされたNNエミュレータは、CRTMによって出力される輝度温度と、CRTMに対する対応する誤差を予測する。 明確な空条件では、RMSEは10の赤外線チャンネルのうち9つに対して0.1K未満である。
  論文  参考訳（メタデータ） (2025-04-22T18:30:43Z)
• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
  我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。 次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。 その結果,全駅でWRF予測が顕著に改善したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-14T17:48:06Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。