文献

J-GLOBAL ID：202202215849574071   整理番号：22A0829598

太陽サイクル23のためのSEP事象を予測するための解釈可能な機械学習【JST・京大機械翻訳】

Interpretable Machine Learning to Forecast SEP Events for Solar Cycle 23

著者 (6件)： Kasapis Spiridon (Department of Naval Architecture and Marine Engineering, University of Michigan, Ann Arbor, MI, USA) ,  Zhao Lulu (Department of Climate and Space Sciences and Engineering, University of Michigan, Ann Arbor, MI, USA) ,  Chen Yang (Department of Statistics, University of Michigan, Ann Arbor, MI, USA) ,  Wang Xiantong (Department of Climate and Space Sciences and Engineering, University of Michigan, Ann Arbor, MI, USA) ,  Bobra Monica (Hansen Experimental Physics Laboratory, Stanford University, Stanford, CA, USA) ,  Gombosi Tamas (Department of Climate and Space Sciences and Engineering, University of Michigan, Ann Arbor, MI, USA)
資料名： Space Weather  (Space Weather)
巻： 20  号： 2  ページ： e2021SW002842  発行年： 2022年 
JST資料番号： W2746A  ISSN： 1542-7390  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 著者らは,フレアを生成するアクティブ領域(AR)が,宇宙-気象Michelsonドップラーイメージャ(MDI)アクティブ領域パッチ(SMARP)を用いて,太陽エネルギー粒子(SEP)事象を導くかどうかを予測するために,機械学習法を使用した。この新データ製品は,太陽とヘリオスフェア観測所を搭載したMDIによって撮影された太陽表面磁場のマップから導かれる。1996年6月5日と2010年8月14日の間に太陽ディスクに出現するフレアに関連するSMARP活動領域を調査し,ポジティブとしてSEPを,陰性として静止した。各フレアに対応するAR SMARP特徴を用いて,2種類の機械学習法,サポートベクトルマシン(SVM)および回帰モデルを訓練した。結果は,SMARPデータが,フレアが精度(ACC)≦0.72±0.12のSEPをもたらすかどうかを予測でき,一方,SEP事象の予測に対して,55.3±28.6分の競合リードタイムを可能にした。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 円板 ,  磁場 ,  *太陽 ,  太陽フレア ,  気象 ,  太陽エネルギー ,  *太陽周期 ,  調達期間 ,  宇宙空間 ,  回帰モデル ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： フレア , 【Automatic Indexing@JST】

著者キーワード (6件)： 太陽高エネルギー粒子 ,  予測 ,  SMARP ,  機械学習 ,  太陽フレア ,  予測

分類 (2件)： 太陽系一般  (DB04010T) ,  太陽粒子  (DB02040M)

タイトルに関連する用語 (5件)： 太陽サイクル ,  SEP ,  事象 ,  予測 ,  機械学習