Fugu-MT 論文翻訳(概要): A Deep Learning Framework for Predicting Solar EUV Irradiance During Significant Flares

論文の概要: A Deep Learning Framework for Predicting Solar EUV Irradiance During Significant Flares

arxiv url: http://arxiv.org/abs/2607.19597v1
Date: Tue, 21 Jul 2026 21:55:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 18:51:37.933448
Title: A Deep Learning Framework for Predicting Solar EUV Irradiance During Significant Flares
Title（参考訳）: 有意なフレアにおける太陽EUV照射予測のための深層学習フレームワーク
Abstract要約: 我々は、太陽フレアの3日間にわたって、毎日の極端紫外線(EUV)を6.5nmで予測するためのフレームワークであるFrareEUVを提示する。太陽周期24では2011年から2014年の間に33個の重要なフレアが観測された。
参考スコア（独自算出の注目度）: 0.1749935196721634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present FlareEUV, a multimodal deep learning framework for predicting daily extreme ultraviolet (EUV) irradiance at 6.5 nm over three consecutive days during significant solar flares, using multi-instrument observations from NASA's Solar Dynamics Observatory (SDO). We consider 33 significant flares in the period between 2011 and 2014 in Solar Cycle 24. The SDO observations include 13 co-aligned full-disk images, comprising eight AIA EUV/UV and five HMI magnetic/continuum products. FlareEUV learns the relationship between magnetic structure and coronal emission from the raw imaging data using a lightweight attention-based architecture. Our experimental results demonstrate the good performance of FlareEUV in short-term EUV irradiance forecasting during the significant flares and its superiority over baseline methods.
Abstract（参考訳）: 我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)のマルチインストゥルメント・オブザーバを使用して、太陽フレアの3日間にわたって、毎日の極端紫外線(EUV)を6.5nmで予測するためのマルチモーダルディープラーニングフレームワークであるFrareEUVを紹介した。太陽周期24では2011年から2014年の間に33個の重要なフレアが観測された。 SDOの観測には、AIA EUV/UVと5つのHMI磁気/連続生成物からなる13のコヒーレントフルディスク画像が含まれている。 FlareEUVは、軽量アテンションベースのアーキテクチャを用いて、生画像データから磁気構造とコロナ放出の関係を学習する。本研究は, 短時間のEUV照射予測におけるFrareEUVの優れた性能と, 基準線法よりも優れた性能を示すものである。

関連論文リスト

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)
Reconstruction of Solar EUV Irradiance Using CaII K Images and SOHO/SEM Data with Bayesian Deep Learning and Uncertainty Quantification [2.288179807773525]
太陽極端紫外線(EUV)は、地球の電離圏、熱圏、中間圏の加熱に重要な役割を果たしている。複数の太陽周期にまたがるEUVフラックスの長期的進化を研究する研究はほとんどない。
論文参考訳（メタデータ） (2025-08-09T18:05:26Z)
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)
Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文参考訳（メタデータ） (2024-09-25T23:09:46Z)
Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文参考訳（メタデータ） (2024-04-03T08:18:45Z)
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)
Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文参考訳（メタデータ） (2023-04-10T18:33:36Z)
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)
Modelling stellar activity with Gaussian process regression networks [0.0]
HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
論文参考訳（メタデータ） (2022-05-13T13:20:25Z)
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)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。