太陽フレア予報のための機械学習モデルの比較分析:高性能活性領域フレア指標の同定【JST・京大機械翻訳】

Sinha Suvadip; Gupta Om; Singh Vishal; Lekshmi B.; Nandy Dibyendu; Mitra Dhrubaditya; Chatterjee Saikat; Bhattacharya Sourangshu; Chatterjee Saptarshi; Srivastava Nandita; Brandenburg Axel; Pal Sanchita

プレプリント

J-GLOBAL ID：202202214643391303 整理番号：22P0330332

太陽フレア予報のための機械学習モデルの比較分析:高性能活性領域フレア指標の同定【JST・京大機械翻訳】

A Comparative Analysis of Machine-learning Models for Solar Flare Forecasting: Identifying High-performing Active Region Flare Indicators

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2022年04月12日プレプリントサーバーでの情報更新日： 2022年11月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

太陽フレアは,空間と地球ベースの技術に影響を与える有害な宇宙天気を作り出す。しかし,フレアの予測の困難さ,および厳しい宇宙天気の拡大は,どんなユニークなフレアトリガーまたは単一の物理的経路の欠如によって強調される。研究は,複数の物理的性質が活性領域フレアポテンシャルに寄与し,課題を調合することを示している。機械学習(ML)における最近の発展は,ますます良好なフレア予測技術を導く高次元データの分析を可能にした。しかし,高形成フレア予測子に関するコンセンサスは不明のままである。今日まで最も包括的な研究において,著者らは,太陽サイクル24の全体の太陽動力学観測所(SDO)に関して,Helio地震と磁気イメージャ(HMI)から得られた磁気パラメータに関する訓練によって,4つの一般的なML技術(k-最近傍,ロジスティック回帰,ランダムフォレスト分類器,およびサポートベクトルマシン)の比較分析を実施した。ロジスティック回帰とサポートベクターマシンアルゴリズムが,活性領域フレアリングポテンシャルの予測において極めて良好に機能することを示した。ロジスティック回帰アルゴリズムは,0.967±0.018の最も高い真のスキルスコアを返し,おそらく,任意の厳密なパラメータ研究で達成された最高の分類性能であった。比較評価から,著者らは,全電流ヘリシティ,全垂直電流密度,全非指定フラックス,R_VALUE,および全絶対ねじれのような磁気特性が,トップフォーミングフレアインジケータであることを立証した。また,2つの新しい性能指標,すなわち,厳しい空間気象指標を導入し,解析した。本解析は,最も成功したMLアルゴリズムを制約し,活性領域フレア生産性に最も寄与する物理的パラメータを同定した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

太陽系一般

, , , , , , , , ,

前のページに戻る