論文の概要: Prediction of Solar Flares Using Photospheric Magnetic Field Parameters with Deep Learning

• arxiv url: http://arxiv.org/abs/2606.21896v1
• Date: Sat, 20 Jun 2026 06:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 02:23:26.041081
• Title: Prediction of Solar Flares Using Photospheric Magnetic Field Parameters with Deep Learning
• Title（参考訳）: 深層学習による光球磁場パラメータを用いた太陽フレアの予測
• Authors: Yash Chaudhary, Jason T. L. Wang, Chunhui Xu, Yan Xu, Sen Zhang,
• Abstract要約: 本研究では,光球磁場パラメータや深層学習の特徴を用いた太陽フレア予測手法を提案する。 XAI技術は、我々のモデルで使われている機能の重要性と相互作用を分析して透明性を提供する。 これらの技術は、太陽フレア予測のような高インパクトアプリケーションにAI駆動ソリューションをデプロイする際のXAIの可能性を示している。
• 参考スコア（独自算出の注目度）: 6.517256177171064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solar flares, particularly those of the M- and X-class, have a significant impact on human life because of their potential to disrupt critical infrastructure and communication systems on Earth. Accurate prediction of solar flares is crucial for mitigating these risks, but the black-box nature of conventional deep learning models used in flare prediction limits their trustworthiness and interpretability. In this paper, we propose a new approach to solar flare prediction using photospheric magnetic field parameters or features with deep learning. To improve model interpretability, we integrate explainable artificial intelligence (XAI) techniques, including SHapley Additive exPlanations (SHAP) and partial dependence plots (PDPs), into our prediction framework. XAI methods provide transparency by analyzing the importance and interactions of features used by our model. Specifically, SHAP values offer a global and local understanding of the features, while PDPs provide insights into feature-level trends. These techniques demonstrate the potential of XAI in deploying AI-driven solutions in high-impact applications such as solar flare prediction, paving the way for more informed decision-making in solar physics and space weather studies.
• Abstract（参考訳）: 太陽フレア、特にMクラスとXクラスのフレアは、地球上の重要なインフラや通信システムを破壊する可能性があるため、人間の生活に大きな影響を及ぼす。 太陽フレアの正確な予測はこれらのリスクを軽減するために重要であるが、フレア予測に使用される従来の深層学習モデルのブラックボックスの性質は、信頼性と解釈可能性を制限する。 本稿では,光球磁場パラメータを用いた太陽フレア予測手法を提案する。 モデル解釈性を改善するために、SHAP(SHapley Additive exPlanations)やPDP(PartialDependency plots)など、説明可能な人工知能(XAI)技術を予測フレームワークに統合する。 XAI手法は、我々のモデルで使われている特徴の重要性と相互作用を分析して透明性を提供する。 具体的には、SHAP値が機能に関するグローバルかつローカルな理解を提供するのに対して、PDPは機能レベルのトレンドに関する洞察を提供する。 これらの技術は、太陽フレアの予測、太陽物理学や宇宙気象研究におけるより詳細な意思決定への道を開くなど、AI駆動のソリューションを高インパクトな応用に展開する上で、XAIの可能性を実証している。

関連論文リスト

• AI and Open-data Driven Scalable Solar Power Profiling [48.72868465736126]
  本稿では、オープンデータからソーラーパネルを検出し、都市レベルのソーラーパワープロファイルを生成するための、オープンでスケーラブルなフレームワークを提案する。 ファンデーションビジョンAIモデルを利用して、オープンソースの衛星画像からソーラーパネルを検出する。 このフレームワークは、プロプライエタリなイメージ、手動ラベリング、クローズドソースモデルへの依存を減らし、ソーラープランニングと分析のための透明でスケーラブルなアプローチを提供する。
  論文  参考訳（メタデータ） (2026-05-04T15:37:52Z)
• 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)
• PRESOL: a web-based computational setting for feature-based flare forecasting [1.759008116536278]
  太陽フレアは太陽系で最も爆発的な現象であり、事象の連鎖の引き金となっている。 データ駆動型太陽フレア予測は、ディープラーニングアプローチか機械学習アルゴリズムのいずれかに依存している。 本稿では,特徴に基づく機械学習手法の計算パイプライン実行のためのWebベースの技術プラットフォームについて述べる。
  論文  参考訳（メタデータ） (2025-10-02T08:40:10Z)
• 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)
• 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)
• Large Scale Evaluation of Deep Learning-based Explainable Solar Flare Forecasting Models with Attribution-based Proximity Analysis [0.0]
  太陽フレア予測のための深層学習モデルの解釈可能性を評価するための新しい枠組みを提案する。 本研究は、24時間窓内のフレアを予測するために、全ディスクラインオブライト(LoS)マグネティックグラム画像に基づいてトレーニングされた2つのモデルを比較した。 以上の結果から,モデルの予測は活動領域の特徴と異なる程度に一致していることが示唆された。
  論文  参考訳（メタデータ） (2024-11-27T05:43:34Z)
• 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)
• 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)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Incorporating Polar Field Data for Improved Solar Flare Prediction [8.035275738176107]
  機械学習モデルを用いて太陽フレア予測性能を向上させるため、太陽の北と南の極域強度に関連するデータを活用することを検討する。 実験の結果,太陽フレア予測における極域データの有用性が示唆され,ハイドケスキルスコア(HSS2)は最大10.1%向上した。
  論文  参考訳（メタデータ） (2022-12-04T03:06:11Z)

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。