論文の概要: Electric Potential Patterns Forecasting in the Southern Hemisphere with Deep Learning Techniques

• arxiv url: http://arxiv.org/abs/2609.31804v1
• Date: Fri, 25 Sep 2026 12:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:38:21.08374
• Title: Electric Potential Patterns Forecasting in the Southern Hemisphere with Deep Learning Techniques
• Title（参考訳）: 深層学習による南半球の電位パターン予測
• Abstract要約: 太陽風によって引き起こされる宇宙の気象障害は、衛星ナビゲーションを劣化させ、無線通信を妨害し、電力インフラを脅かすことができる。 既存のアプローチ、経験的気候モデル、物理に基づく磁気流体力学シミュレーションは、リアルタイム利用には計算コストが高すぎる。 ここでは、南半球高緯度電位マップを予測するために、3つのディープラーニングアーキテクチャを訓練し比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Space weather disturbances driven by the solar wind can degrade satellite navigation, disrupt radio communications, and threaten power infrastructure, making accurate forecasting of the high-latitude ionosphere's response a critical operational need. Existing approaches, empirical climatological models and physics-based magnetohydrodynamic simulations, either smooth out the ionosphere's time-dependent, non-linear response or are too computationally expensive for real-time use, while prior machine learning efforts have mostly targeted scalar indices rather than the full spatial structure of ionospheric convection. Here we train and compare three deep learning architectures, a probabilistic diffusion model conditioned on multi-variate solar wind and interplanetary magnetic field measurements at the L1 Lagrange point, an unconditioned diffusion ablation, and a deterministic U-Net baseline, to forecast Southern Hemisphere high-latitude electric potential maps derived from SuperDARN radar observations. Using five years (2020--2025) of SuperDARN data synchronised with DSCOVR L1 measurements, we evaluate the models under a single-pass regime, an extended autoregressive rollout of up to 350 frames, and an out-of-distribution case study on the intense March 2015 St.\ Patrick's Day storm, unseen during training. We find that the relative advantage of the deterministic and probabilistic approaches is not fixed: the deterministic model is competitive over short horizons and calm conditions, while the diffusion model's advantage grows and eventually dominates as the forecast horizon lengthens and the event becomes more dynamic, evidence that probabilistic, sample-based generative models are the more promising direction for operational, long-horizon space weather forecasting.
• Abstract（参考訳）: 太陽風によって引き起こされる宇宙の気象障害は、衛星航法を劣化させ、無線通信を妨害し、電力インフラを脅かし、高緯度電離層反応の正確な予測を重要な運用上の要求とする。 既存のアプローチ、経験的気候モデル、物理に基づく磁気流体力学シミュレーションは、電離圏の時間依存の非線形応答を滑らかにするか、リアルタイム利用には計算コストがかかりすぎる。 ここでは、3つのディープラーニングアーキテクチャ、多変量太陽風に条件付き確率的拡散モデル、L1ラグランジュ点での惑星間磁場測定、無条件拡散アブレーション、および決定論的U-Netベースラインを比較して、スーパーDARNレーダー観測から得られた南半球高緯度電位マップの予測を行う。 DSCOVR L1測定と同期した5年間 (2020-2025) のSuperDARNデータを用いて, 単一パス条件下でのモデル評価, 最大350フレームの自己回帰ロールアウト, 2015年3月の激しいSt.1におけるアウト・オブ・ディストリビューションケーススタディについて検討した。 パトリックの日の嵐(Patrick's Day storm)は、訓練中に目に見えない嵐である。 決定論的モデルは短地平線と穏やかな条件よりも競争力があり、拡散モデルの優位性は増大し、予測的地平線が長くなり、事象がよりダイナミックになるにつれて支配的になる。

関連論文リスト

• Sampling sea state using a diffusion model [28.05527563772365]
  海の状態予測は、海洋の運用と地球系の結合モデルに不可欠である。 現在のスペクトル波モデルは、多くのユースケースで計算的に禁止されている。 本研究では,大域海況推定のための拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-24T21:19:59Z)
• Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction [2.1603484118769476]
  これらの変数の無膨らみ、長い尾の分布のため、3次元のハイドロメータ予測は困難である。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-06-07T10:38:37Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• 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)

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。