Fugu-MT 論文翻訳(概要): Daily Predictions of F10.7 and F30 Solar Indices with Deep Learning

論文の概要: Daily Predictions of F10.7 and F30 Solar Indices with Deep Learning

arxiv url: http://arxiv.org/abs/2604.10045v1
Date: Sat, 11 Apr 2026 05:56:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:15.811013
Title: Daily Predictions of F10.7 and F30 Solar Indices with Deep Learning
Title（参考訳）: ディープラーニングによるF10.7とF30の日次予測
Authors: Zhenduo Wang, Yasser Abduallah, Jason T. L. Wang, Haimin Wang, Yan Xu, Vasyl Yurchyshyn, Vincent Oria, Khalid A. Alobaid, Xiaoli Bai,
Abstract要約: 我々は、太陽指数ネットワーク(SINet)と呼ばれる新しいディープラーニングモデルを提案し、F10.7とF30の日次値を予測する。実験の結果、SINetはF10.7の予測に、5つの密接に関連する統計的および深層学習手法より優れていることが示された。 F30太陽指数の予測にディープラーニングが使われたのはこれが初めてである。
参考スコア（独自算出の注目度）: 3.1003368682715533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The F10.7 and F30 solar indices are the solar radio fluxes measured at wavelengths of 10.7 cm and 30 cm, respectively, which are key indicators of solar activity. F10.7 is valuable for explaining the impact of solar ultraviolet (UV) radiation on the upper atmosphere of Earth, while F30 is more sensitive and could improve the reaction of thermospheric density to solar stimulation. In this study, we present a new deep learning model, named the Solar Index Network, or SINet for short, to predict daily values of the F10.7 and F30 solar indices. The SINet model is designed to make medium-term predictions of the index values (1-60 days in advance). The observed data used for SINet training were taken from the National Oceanic and Atmospheric Administration (NOAA) as well as Toyokawa and Nobeyama facilities. Our experimental results show that SINet performs better than five closely related statistical and deep learning methods for the prediction of F10.7. Furthermore, to our knowledge, this is the first time deep learning has been used to predict the F30 solar index.
Abstract（参考訳）: F10.7とF30は、それぞれ10.7cmと30cmの波長で測定された太陽放射束であり、太陽活動の重要な指標である。 F10.7は地球上層大気への太陽紫外線(UV)の影響を説明するのに有用であるが、F30はより感度が高く、太陽刺激に対する熱圏密度の反応を改善することができる。本研究では、太陽指数ネットワーク(SINet)と呼ばれる新しいディープラーニングモデルを提案し、F10.7とF30の日次値を予測する。 SINetモデルは、インデックス値の中期的な予測(1～60日前)を行うように設計されている。 SINetトレーニングに使用した観測データは,国立海洋大気庁(NOAA)および豊川・野辺山施設から得られた。実験の結果, SINet は F10.7 の予測に対して, 5 つの密接に関連する統計的・深層学習手法より優れていることがわかった。さらに、我々の知る限り、深層学習がF30太陽指数の予測に使われたのはこれが初めてである。

関連論文リスト

CORONA-Fields: Leveraging Foundation Models for Classification of Solar Wind Phenomena [0.0]
主な宇宙気象要因は太陽風とコロナ質量放出である。我々は、太陽物理学の基礎モデルを適用し、太陽風構造解析に適した埋め込みを作成する。最初の概念実証として、より信頼性の高い宇宙天気予報に向けた将来の改善の土台を築いている。
論文参考訳（メタデータ） (2025-11-13T00:56:00Z)
Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
論文参考訳（メタデータ） (2025-11-12T00:13:37Z)
Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
論文参考訳（メタデータ） (2025-09-21T14:22:35Z)
FLARE-SSM: Deep State Space Models with Influence-Balanced Loss for 72-Hour Solar Flare Prediction [2.470616864878448]
この研究は、72時間以内に起こると予測される最大の太陽フレアのクラスを予測するタスクに対処する。既存のメソッドは、フレアクラス間の深刻なクラス不均衡に適切に対処できないことが多い。クラス不均衡下での予測性能と信頼性を向上させるために、周波数・局所境界対応信頼性損失(FLARE損失)を導入する。
論文参考訳（メタデータ） (2025-09-12T06:09:09Z)
Solar Flare Forecast: A Comparative Analysis of Machine Learning Algorithms for Solar Flare Class Prediction [0.0]
太陽フレアは太陽系で最も強力でダイナミックな現象であり、太陽の大気に蓄積された磁気エネルギーが突然放出された結果である。本研究では、太陽フレアを4つのカテゴリに分類する3つの機械学習アルゴリズムの予測性能を評価する。
論文参考訳（メタデータ） (2025-05-06T10:08:41Z)
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)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)
A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction [5.969216078564555]
太陽活動は人間の活動と健康に大きな影響を及ぼす。太陽活動の最もよく使われる尺度は、太陽黒点数である。本稿では,3つの重要な非深層学習モデル,4つの人気のある深層学習モデル,およびその5つのアンサンブルモデルを比較した。
論文参考訳（メタデータ） (2022-03-11T05:11:31Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Prediction of soft proton intensities in the near-Earth space using machine learning [0.4014054923268951]
放射状距離6～22 REの3次元地磁気圏において,28～1,885keVのエネルギーで陽子強度を予測する機械学習モデルを構築した。結果は、例えば、放射帯の上を公転するX線天文学のためのX線望遠鏡における汚染粒子の背景を評価するための直接的な実用的応用がある。
論文参考訳（メタデータ） (2021-05-11T10:33:25Z)
Pit30M: A Benchmark for Global Localization in the Age of Self-Driving Cars [39.94419250485135]
Pit30Mは3000万フレームを超える新しい画像とLiDARデータセットで、これは以前の研究の10倍から100倍の大きさだ。 Pit30Mは様々な条件(季節、天気、日時、交通量)で捕獲され、正確な位置決めの真実を提供する。我々は、画像とLiDAR検索のための既存の複数の手法をベンチマークし、その過程で、単純で効果的な畳み込みネットワークに基づくLiDAR検索手法を導入する。
論文参考訳（メタデータ） (2020-12-23T01:24:41Z)

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。