論文の概要: Predicting Associations between Solar Flares and Coronal Mass Ejections Using SDO/HMI Magnetograms and a Hybrid Neural Network

• arxiv url: http://arxiv.org/abs/2604.10016v1
• Date: Sat, 11 Apr 2026 04:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.793048
• Title: Predicting Associations between Solar Flares and Coronal Mass Ejections Using SDO/HMI Magnetograms and a Hybrid Neural Network
• Title（参考訳）: SDO/HMI磁図とハイブリッドニューラルネットワークを用いた太陽フレアとコロナ質量放出の関係予測
• Authors: Jialiang Li, Vasyl Yurchyshyn, Jason T. L. Wang, Haimin Wang, Manolis K. Georgoulis, Wen He, Yasser Abduallah, Hameedullah A. Farooki, Yan Xu,
• Abstract要約: 我々は、フレアとコロナ質量放出(CME)の関係を予測するための新しいディープラーニング手法、特にハイブリッドニューラルネットワーク(HNN)を提案する。 HNNは、ソーラー・ダイナミクス・オブザーバ(Solar Dynamics Observatory)に搭載されたHelioseismic and Magnetic Imagerによって収集された太陽活動領域(AR)のライン・オブ・ザ・ビュー・マグネティックグラムの時系列パターンを発見した。 その結果, 逆線領域における磁束キャンセルは, フラア関連CMEを誘導する役割を担っている可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.183491202880144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solar eruptions, including flares and coronal mass ejections (CMEs), have a significant impact on Earth. Some flares are associated with CMEs, and some flares are not. The association between flares and CMEs is not always obvious. In this study, we propose a new deep learning method, specifically a hybrid neural network (HNN) that combines a vision transformer with long short-term memory, to predict associations between flares and CMEs. HNN finds spatio-temporal patterns in the time series of line-of-sight magnetograms of solar active regions (ARs) collected by the Helioseismic and Magnetic Imager on board the Solar Dynamics Observatory and uses the patterns to predict whether a flare projected to occur within the next 24 hours will be eruptive (i.e., CME-associated) or confined (i.e., not CME-associated). Our experimental results demonstrate the good performance of the HNN method. Furthermore, the results show that magnetic flux cancellation in polarity inversion line regions may well play a role in triggering flare-associated CMEs, a finding consistent with literature.
• Abstract（参考訳）: フレアやコロナ質量放出(CME)を含む太陽の噴火は、地球に大きな影響を及ぼす。 いくつかのフレアはCMEと関連しており、いくつかのフレアはそうではない。 フレアとCMEの関係は必ずしも明確ではない。 本研究では,フレーバーとCMEの関連性を予測するために,視覚変換器と長期記憶を組み合わせた新しいディープラーニング手法,特にハイブリッドニューラルネットワーク(HNN)を提案する。 HNNは、ソーラー・ダイナミクス・オブザーバ(Solar Dynamics Observatory)に搭載されたHelioseismic and Magnetic Imager(Helioseismic and Magnetic Imager)によって収集された太陽活動領域(AR)のライン・オブ・ザ・ライト・マグニチュード(英語版)の時系列における時空間パターンを発見し、次の24時間以内に投射されるフレアが噴火する(CME関連ではない)か、あるいは閉じ込められる(CME関連ではない)かを予測するためにこのパターンを利用する。 実験により, HNN法の性能を実証した。 さらに, 極性反転線領域における磁束キャンセルは, フレア関連CMEを誘導する役割を担っている可能性が示唆された。

関連論文リスト

• Multimodal Flare Forecasting with Deep Learning [0.2968738145616401]
  色圏およびコロナUVおよびEUV放射の異なる波長での予測能力を比較するために、深層学習を採用している。 以上の結果から,EUVの波長は,視線磁図と同等以上の識別力が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-10-21T15:42:47Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams [0.0]
  HMI強度図とマグネティックグラムを用いた極端太陽フレアの予測手法を提案する。 強度図から太陽点を検出し、磁気グラムから磁場パッチを抽出することにより、極度のクラスフレアを分類するためにResidual Network(ResNet)を訓練する。 我々のモデルは高精度で、極端太陽フレアを予測し、宇宙天気予報を改善するための堅牢なツールを提供する。
  論文  参考訳（メタデータ） (2024-05-23T16:17:16Z)
• Probing multi-mobility edges in quasiperiodic mosaic lattices [36.63101591801625]
  モビリティエッジ(ME)は、ローカライゼーション物理学を理解する上で重要な概念である。 本稿では,複数のMEを示す単一システムの可能性を示す実験的な証拠を提供する。 単一サイトインジェクションと障害レベルの走査により,変調格子のMEを概ね調査することができた。
  論文  参考訳（メタデータ） (2023-06-19T10:21:33Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly using Machine Learning [20.247229396526855]
  現在の技術キャリブレーション技術は周期的観測ロケットに依存している。 畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。 以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T22:43:37Z)
• Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data Products and Recurrent Neural Networks [8.269784943760882]
  我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。 我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。 我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-02-22T11:26:47Z)

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。