論文の概要: PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images

• arxiv url: http://arxiv.org/abs/2609.26683v1
• Date: Tue, 22 Sep 2026 16:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.749038
• Title: PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images
• Title（参考訳）: PROSWIN:太陽画像からの深部分布回帰を用いた確率的太陽風速予測
• Abstract要約: 本稿では,地球における時空風速(SWS)を4日間のリードタイムで予測する確率論的機械学習モデルPROSWINを提案する。 標準誤差指標はHSSピークの関連性を過小評価するため,予測スコアを導入する。 14年間のデータについて、我々の予測は非常によく校正された不確実性(平均偏差1%)を達成する。
• 参考スコア（独自算出の注目度）: 16.322848682529102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting fast solar wind conditions is challenging, as uncertainties are large and unquantified by traditional single-value prediction models. In particular, the risks of high-speed solar wind streams (HSSs), which can cause damage to technological infrastructure, cannot be reliably assessed without probabilistic forecasts. We present PROSWIN, a probabilistic machine learning model that forecasts the hourly solar wind speed (SWS) at Earth with a four-day lead time. The approach combines solar images and magnetograms using a deep neural network coupled to a distributional regression algorithm. Because standard error metrics underweight the relevance of HSS peaks, we further introduce the prediction score, a model-selection metric that jointly rewards timeline and HSS peak accuracy. On 14 years of data, our forecast achieves very well-calibrated uncertainties (<1% average deviation). Using the continuous ranked probability score (CRPS), a metric that assesses distributional accuracy, we obtain a timeline CRPS of 41.0 km/s, an HSS peak CRPS of 45.3 km/s, and a prediction score of 42.3 km/s. We find that the 171 Å channel is an important complement to the typically used 193 Å and 211 Å channels and that the prediction score for model selection improves the applicability of the model. Compared to selected models from the literature, ours is the only one that is accurate for both timeline and HSS peak values, rather than trading one off against the other. These results support the advantages of probabilistic over single-value solar wind models. The introduced methods are also transferable to other forecasting problems.
• Abstract（参考訳）: 太陽風の速さを正確に予測することは困難であり、従来の単一値予測モデルでは不確実性は大きい。 特に、技術的インフラに損傷を与える可能性のある高速太陽風流(HSS)のリスクは、確率的予測なしでは確実に評価できない。 本稿では,地球における時空風速(SWS)を4日間のリードタイムで予測する確率論的機械学習モデルPROSWINを提案する。 このアプローチは、分散回帰アルゴリズムに結合されたディープニューラルネットワークを使用して、太陽画像とマグネティックグラムを組み合わせる。 標準誤差指標はHSSピークの関連性を過小評価するため,予測スコアや,時系列とHSSピークの精度を併用するモデル選択指標も導入する。 14年間のデータでは, 精度の高い不確実性(<1%平均偏差)が達成された。 分布精度を評価する指標であるCRPSを用いて、41.0 km/sのタイムラインCRPS、45.3 km/sのHSSピークCRPS、42.3 km/sの予測スコアを得る。 また, モデル選択の予測スコアがモデルの適用性の向上に寄与していることから, 171チャネルは典型的に使用されている193チャネルと211チャネルの重要な補完となることがわかった。 文献から選択したモデルと比較すると、一方を他方と引き離すのではなく、タイムラインとHSSのピーク値の両方で正確であるのは我々のみである。 これらの結果は、単価太陽風モデルよりも確率論的である。 導入された方法は、他の予測問題にも転送可能である。

関連論文リスト

• Intraday spatiotemporal PV power prediction at national scale using satellite-based solar forecast models [0.0]
  本稿では,太陽光発電(PV)電力予測のための新しいフレームワークを提案する。 衛星由来の表面太陽放射(SSI)に対して予測が最初に検証される さらに、メソスケールのクラウドシステムが、数時間以下の時間帯に、全国的なPV生産をどのように形成するかを、初めて視覚化する。
  論文  参考訳（メタデータ） (2026-01-08T09:15:14Z)
• SolarCrossFormer: Improving day-ahead Solar Irradiance Forecasting by Integrating Satellite Imagery and Ground Sensors [0.8808021343665318]
  SolarCrossFormerは、日頭照射予測のための新しいディープラーニングモデルである。 地上の気象観測所のネットワークから衛星画像と時系列を合成する。 スイスのあらゆる場所で、最大24時間前の地平線を15分間の解像度で予測する。
  論文  参考訳（メタデータ） (2025-09-19T09:57:40Z)
• TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.9169256573820284]
  地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。 本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。 我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
  論文  参考訳（メタデータ） (2024-07-09T08:30:42Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。