論文の概要: Deep Learning-Enabled Prediction of Geoeffective CMEs Using SOHO and SDO Observations
- arxiv url: http://arxiv.org/abs/2605.24748v1
- Date: Sat, 23 May 2026 21:54:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.361147
- Title: Deep Learning-Enabled Prediction of Geoeffective CMEs Using SOHO and SDO Observations
- Title（参考訳）: SOHOおよびSDO観測による地球有効CMEの深層学習予測
- Authors: Zhaoxin Yan, Jason T. L. Wang, Haimin Wang, Harim Lee, Ju Jing, Yan Xu, Chunhui Xu, Vasyl Yurchyshyn,
- Abstract要約: コロナ質量放出(CME)のジオエフェクト性を予測するための新しい融合モデルを提案する。
このモデルは、太陽・半球観測衛星(SOHO)に搭載された大型角分光コロナグラフ(LASCO)などの観測機器によって訓練されている。
トレーニングされたモデルは、地球に到達したCMEが地磁気嵐を引き起こすか、またはCMEがそのような嵐を引き起こす確率を予測するために使用される。
- 参考スコア（独自算出の注目度）: 4.990432750574338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding and forecasting the geoeffectiveness of a coronal mass ejection (CME) is crucial for protecting infrastructure in the near-Earth space environment and on Earth. In this study, we present a novel fusion model to forecast the geoeffectiveness of CME events. Our model combines convolutional neural networks for feature learning and a prediction network for feature fusion and event classification. The model is trained by observations from instruments including the Large Angle Spectroscopic Coronagraph (LASCO) on board the Solar and Heliospheric Observatory (SOHO) and the Atmospheric Imaging Assembly (AIA) and Helioseismic and Magnetic Imager (HMI) on board the Solar Dynamics Observatory (SDO). The trained model is then used to predict whether an Earth-reaching CME will cause a geomagnetic storm and/or the probability that the CME will cause such a storm. Experimental results based on a five-fold cross validation scheme demonstrate the good performance of our fusion model, achieving a mean true skill statistic (TSS) score of 0.703 when the model is used as a deterministic prediction tool, and a mean Brier score of 0.095 when the model is used as a probabilistic forecasting tool, where a TSS score of 1 or a Brier score of 0 indicates perfect performance. This work contributes to forecasting the causal relationship between Earth-directed CMEs and geomagnetic storms in solar-terrestrial interactions.
- Abstract（参考訳）: 地球近傍の宇宙環境や地球上でのインフラを保護するためには,コロナ質量放出(CME)のジオエフェクトの理解と予測が不可欠である。
本研究では,CMEイベントのジオエフェクトを予測するための新しい融合モデルを提案する。
本モデルでは,特徴学習のための畳み込みニューラルネットワークと,特徴融合と事象分類のための予測ネットワークを組み合わせる。
このモデルは、太陽・半球観測衛星(SOHO)に搭載されたLarge Angle Spectroscopic Coronagraph(LASCO)や、太陽ダイナミクス観測衛星(SDO)に搭載された大気イメージングアセンブリ(AIA)やヘリオサイスミック・磁気画像装置(HMI)などの観測機器によって訓練されている。
トレーニングされたモデルは、地球に到達したCMEが地磁気嵐を引き起こすか、またはCMEがそのような嵐を引き起こす確率を予測するために使用される。
モデルが決定的予測ツールとして使用される場合の平均真スキル統計値(TSS)スコアが0.703、確率的予測ツールとして使用される場合の平均ブライアスコアが0.095となり、1または0のTASスコアが完璧な性能を示す。
この研究は、太陽-地球間相互作用における地球指向CMEと地磁気嵐の因果関係の予測に寄与する。
関連論文リスト
- China Regional 3km Downscaling Based on Residual Corrective Diffusion Model [39.12803910865843]
この研究は、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。
CorrDiffのオリジナルの作品とは対照的に、この作品で考慮された地域は40倍近く大きい。
ディープラーニングはこのタスクの強力なツールとして登場し、様々な高性能超解像モデルを生み出している。
論文 参考訳（メタデータ） (2025-12-05T02:27:08Z) - 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) - Prediction of Geoeffective CMEs Using SOHO Images and Deep Learning [0.7545833157486898]
深層学習フレームワークは、地球に到達したCMEイベントが地磁気嵐を引き起こすかどうかを予測、決定、あるいは確率的に予測するように設計されている。
GeoCMEは、ソーラー・アンド・ヘリオスフェア天文台(Solar and Heliospheric Observatory)に搭載されているLASCO C2、EIT、MDIなどの観測機器で訓練されている。
アンサンブルと移動学習技術を用いて、GeoCMEはSOHO観測で隠された特徴を抽出することができる。
論文 参考訳（メタデータ） (2025-01-02T02:24:37Z) - Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳（メタデータ） (2024-03-04T23:12:17Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳（メタデータ） (2023-09-08T19:21:10Z) - Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods [0.6882042556551611]
本研究では,太陽フレア予測モデルを提案する。
実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。
我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
論文 参考訳（メタデータ） (2023-07-29T03:18:56Z) - 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) - Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。
我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。
このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
論文 参考訳（メタデータ） (2022-06-23T03:56:22Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-27T21:06:08Z)
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。