論文の概要: Explainable Prediction of High-Speed Solar Wind Streams driven by Coronal Holes via Topological Data Analysis

• arxiv url: http://arxiv.org/abs/2610.35549v1
• Date: Mon, 26 Oct 2026 14:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.041814
• Title: Explainable Prediction of High-Speed Solar Wind Streams driven by Coronal Holes via Topological Data Analysis
• Title（参考訳）: コロナホールによる高速太陽風流のトポロジカルデータ解析による予測
• Abstract要約: コロナホール(CHs)を起源とする高速太陽風の流れは、繰り返し発生する地磁気活動の重要な要因である。 極紫外線(EUV)画像で観察された冠状構造のトポロジーには、地球でのCH駆動型HSSの発生に関する予測情報が含まれている。
• 参考スコア（独自算出の注目度）: 4.014524824655106
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: High-speed solar wind streams (HSSs) originating from coronal holes (CHs) are an important driver of recurrent geomagnetic activity. Since HSSs are associated to coronal structures visible in extreme-ultraviolet observations, this provides a natural basis for forecasting several days in advance. In this work, we investigate whether the topology of coronal structures observed in extreme ultraviolet (EUV) images contains predictive information on the subsequent occurrence of CH-driven HSSs at Earth. To this end, we consider Topological Data Analysis (TDA), and in particular persistent homology, to classify EUV solar images according to the occurrence of HSSs at Earth four days later. The target is a binary classification of HSS occurrence at a four-day lead time, defined using an HSS interval catalog and solar wind speed thresholds. Several combinations of topological representations and classifiers are evaluated under a common cross-validation framework. The results indicate that the topology of EUV coronal structures alone contains predictive information on subsequent CH-driven HSS occurrence, despite the absence of explicit CH geometric descriptors in the model input. To investigate the origin of this predictive information, we develop a model-level explainability framework based on cross-validation-aggregated feature weights and spatial evidence maps. A fully traced example connects persistence diagrams and persistence-image features to the classifier output and to their spatial localization in the original EUV observation. The proposed framework provides a transparent and computationally lightweight approach for investigating the relationship between coronal topology and subsequent high-speed solar wind streams.
• Abstract（参考訳）: コロナホール(CHs)を起源とする高速太陽風流(HSSs)は、繰り返し発生する磁気活動の重要な要因である。 HSSは極紫外観測で見られるコロナ構造と関連しているため、これは数日前に予測する自然な基礎となっている。 本研究では, 極紫外(EUV)画像で観察される冠状構造のトポロジーが, 地球におけるCH駆動型HSSの発生の予測情報を含んでいるかを検討する。 この目的のために、TDA(Topological Data Analysis)、特に永続的ホモロジーは、4日後に地球上でのHSSの発生に応じてEUVの太陽像を分類する。 HSS間隔カタログと太陽風速閾値を用いて定義された4日間のリードタイムにおけるHSS発生のバイナリ分類である。 複数のトポロジカル表現と分類器の組み合わせを共通のクロスバリデーションフレームワークで評価する。 以上の結果から,EUVコロナ構造のトポロジは,モデル入力に明示的なCH幾何記述子がないにもかかわらず,その後のCH駆動型HSS発生の予測情報を含むことが明らかとなった。 この予測情報の起源を明らかにするため,クロスバリデーション集約特徴量と空間的エビデンスマップに基づくモデルレベルの説明可能性フレームワークを開発した。 完全にトレースされた例は、パーシステンスダイアグラムとパーシステンスイメージの特徴を分類器出力と、元のEUV観測における空間的局在に結びつける。 提案フレームワークは、コロナトポロジとその後の高速太陽風流の関係を調査するための透明で計算学的に軽量なアプローチを提供する。

関連論文リスト

• Cross-Modal Solar Image Synthesis: Adapting the Surya Foundation Model from He I 10830 Å to EUV Translation and Coronal Hole Segmentation [21.56235973016079]
  我々は,SDO/AIA 94,193,304の画像と,ヘリウム観測によるコロナホール確率マップの予測に,スリヤの太陽基礎モデルを適用した。 予測は広い太陽構造を回復するが、局所的な一致はチャネルによって大きく異なる。
  論文  参考訳（メタデータ） (2026-10-03T14:42:57Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Self-Supervised ConvLSTM for Fermi Large Area Telescope Transient Detection [29.577755639815027]
  本稿では,フェルミ・LAT空の終端シミュレーションと自己教師型深層学習を組み合わせることにより,制御環境における過渡ガンマ線現象を検出する枠組みを提案する。 我々は、gtobssimで10年間の合成ユニバースを生成し、シミュレーションされた事象を日次全天的な露出数マップに処理する。 時間的依存関係を学習しながら空間的局所性を保ちながら,シーケンスマップのシーケンスを直接操作するConvLSTMネットワークを採用している。
  論文  参考訳（メタデータ） (2026-05-21T07:45:54Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning [1.3999481573773072]
  本稿では,Sparse Probabilistic Approximation (eSPA) モデルのアンサンブルのためのフレームワークを提案する。 正しい予測を行うこれらのアンサンブル構成員のみの構造を集約することにより、アンサンブルを「蒸留された」モデルのコンパクトな集合に圧縮する方法を示す。
  論文  参考訳（メタデータ） (2026-02-15T05:49:16Z)
• Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift [2.5551933647600693]
  因果モデリングは、時系列データの安定で不変な関係を明らかにするための原則的な基礎を提供する。 RIC-TSCは,ラグを意識した因果発見を直接シーケンスモデリングに組み込む,局所的にインフォームドされた因果時系列分類フレームワークである。
  論文  参考訳（メタデータ） (2025-10-17T03:06:08Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• 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)
• 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)

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。