JP6391002B2 - 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 - Google Patents
宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 Download PDFInfo
- Publication number
- JP6391002B2 JP6391002B2 JP2014153706A JP2014153706A JP6391002B2 JP 6391002 B2 JP6391002 B2 JP 6391002B2 JP 2014153706 A JP2014153706 A JP 2014153706A JP 2014153706 A JP2014153706 A JP 2014153706A JP 6391002 B2 JP6391002 B2 JP 6391002B2
- Authority
- JP
- Japan
- Prior art keywords
- space weather
- machine learning
- image data
- time
- global
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 47
- 238000000034 method Methods 0.000 title claims description 9
- 238000013277 forecasting method Methods 0.000 title description 3
- 238000013507 mapping Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000004907 flux Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010064127 Solar lentigo Diseases 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は宇宙天気予報システムを構築するための機械学習方法に関する。また、本発明は当該方法によって構築された宇宙天気予報方法に関する。
宇宙には微量な電気を帯びた粒子（荷電粒子）が存在し、その荷電粒子による宇宙環境の変動を「宇宙天気」と呼び、それを予測するのが「宇宙天気予報」である。
宇宙天気は、太陽や太陽風の観測結果から予測されると言われている。例えば、太陽の表面で「太陽フレア」という爆発現象が発生すると、X線の放射、高エネルギー粒子の放出、プラズマの塊を放出する「コロナ質量放出(Coronal Mass Ejection : CME)」を起こす。太陽から放出されるX線の強度である太陽全球X線光度は、太陽フレアが発生すると、太陽の静穏時に比べて約１０００倍になる。
特許公表２００４−５０１３５４において、SEP（宇宙環境センター）関連の観測データをもとに複雑な太陽フレア発生予報システムは、神経ネットワークモデルを利用して実現されようとしている。
また、従来の宇宙天気予報方法として、Bloomfield氏予測あるいはBloomfield＋が知られている。Bloomfield氏予測あるいはBloomfield＋は、太陽黒点形状の分類、磁場の自由エネルギー、磁気中性線の長さなどの物理量、及び数百年間研究されてきた太陽物理学の知識や経験則から重要だと思われる具体的な量を用いて予報するものであり、自動化されている部分もあるが多くは人の手を介する。
現在、太陽観測衛星の充実に伴い、太陽の観測データは、SEP、CME以外にも様々な周波数の電波による観測データが高頻度で得られるようになってきている。しかし、これらのデータの活用について、特許公表２００４−５０１３５４は考慮していない。
NASAのSDO衛星は4秒に1枚の観測画像データを取得しており、1日に１．５TBの観測データが得られている。観測データの量が増大しているため、人の手及び解釈だけで観測データから緻密な経験則を導き出すのは困難である。
そこで、本発明の目的は、大量の太陽観測データを処理することにより新規で有用な宇宙天気予報システムを構築することである。
本発明の目的は、請求項１に記載の宇宙天気予報システムを構築するための機械学習方法（第１の本発明）、すなわち、時刻tmにおいて観測された太陽の全球観測画像に2次元Wavelet変換を施し、各波長の成分すべての和を取り、ｎ次元の特徴ベクトルを得る第1のステップと、続いて、時刻tmにおける特徴ベクトルから、時刻tmから時刻tm＋kまでに観測された宇宙天気予報対象への写像を機械学習する第2のステップと、を含み、 多数の時刻において、第１のステップと第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法によって、達成される。
また、本発明の目的は、請求項２に記載の宇宙天気予報システムを構築するための機械学習方法（第２の本発明）、すなわち、太陽の全球観測画像データの解釈や各データ要素の重み付けを指示する予報戦略を入力する第０のステップと、時刻tmにおいて観測された太陽の全球観測画像データに2次元Wavelet変換を施し、各波長の成分すべての和を取り、ｎ次元の特徴ベクトルを得る第1のステップと、続いて、時刻tmにおける特徴ベクトルから、時刻tmから時刻tm＋kにおける宇宙天気予報対象への写像を上記予報戦略に沿って機械学習する第2のステップと、を含み、 多数の時刻において、第１のステップ及び第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法によっても、達成される。
請求項３に記載のように、第１の本発明及び第２の本発明の実施態様においては、全球観測画像データが全球磁場画像データ、全球電磁波画像データ又は極端紫外線全球画像データである。
全球磁場画像データは例えばSDO(Solar Dynamics Observatory)によって観測される。
全球電磁波画像データには、全球電波画像データ、全球赤外線画像データ、全球可視光画像データ、全球紫外線画像データ、全球X線画像データも含まれる。
極端紫外線全球画像データを全球観測画像データとして加えた理由は、（１）SOHO(Solar and Heliospheric Observatory)による極端紫外線全球画像データを使ったフレア予測研究によれば、活動領域の極端紫外線画像の閾値付き積分が、活動領域ごとのフレア活動度の良い指標になっているという結果が得られているからであり、また、（２）太陽のリムで起こるフレアの前兆現象は磁場データでは捉えられないので、リムフレアを観測できるAIA(Atmospheric Imaging Assembly)のデータを加えることで予測精度が上がると期待されるからである。
全球磁場画像データは例えばSDO(Solar Dynamics Observatory)によって観測される。
全球電磁波画像データには、全球電波画像データ、全球赤外線画像データ、全球可視光画像データ、全球紫外線画像データ、全球X線画像データも含まれる。
極端紫外線全球画像データを全球観測画像データとして加えた理由は、（１）SOHO(Solar and Heliospheric Observatory)による極端紫外線全球画像データを使ったフレア予測研究によれば、活動領域の極端紫外線画像の閾値付き積分が、活動領域ごとのフレア活動度の良い指標になっているという結果が得られているからであり、また、（２）太陽のリムで起こるフレアの前兆現象は磁場データでは捉えられないので、リムフレアを観測できるAIA(Atmospheric Imaging Assembly)のデータを加えることで予測精度が上がると期待されるからである。
請求項４に記載のように、第１の本発明及び第２の本発明の実施態様においては、宇宙天気予報対象が、太陽フレア、Ｘ線光度、コロナ質量放出量、高エネルギー粒子放出量、または地磁気擾乱指数である。
請求項５に記載のように、第１の本発明及び第２の本発明の実施態様においては、kが１２時間から２４０時間である。すなわち、全球観測画像データが観測された時刻から12時間後から240時間後の宇宙天気を予報する。さらに好ましくは、24時間乃至72時間将来までの太陽全球X線光度の最大値を予報する。
請求項６に記載のように、第１の本発明及び第２の本発明の実施態様においては、機械学習がサポートベクターマシンによる機械学習である。
請求項７に記載のように、第１の本発明及び第２の本発明の実施態様においては、分散処理コンピュータシステムを用いたビッグデータ解析を行う。
さらに、本発明の目的は、請求項８に記載の宇宙予報方法（第３の本発明）、すなわち、第１の本発明及び第２の本発明の宇宙天気予報システムを構築するための機械学習方法によって構築された宇宙天気予報システムに、時刻tｘにおいて観測された太陽の全球観測画像データを入力して、宇宙天気予報対象についての時刻tｘ＋kにおける予測値を得る宇宙予報方法によっても、達成される。
さらにまた、本発明の目的は、請求項９に記載の宇宙天気予報システムを構築するための機械学習方法（第4の本発明）、すなわち、第3の本発明の宇宙予報方法によって得られた宇宙天気予報対象の予測値と当該宇宙天気予報対象の観測値とから得られる予報成績を定量的に評価し、任意の評価指標について、当該評価指標を最大にするように写像を調整する第３のステップをさらに含み、
第3のステップを行った後に、多数の時刻において、第１のステップと第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法によっても、達成される。
宇宙天気予報対象の観測値は、例えば、GOES(Geostationary Operational Enviromental Satellite)によって観測されるX線フラックスの値である。
第3のステップを行った後に、多数の時刻において、第１のステップと第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法によっても、達成される。
宇宙天気予報対象の観測値は、例えば、GOES(Geostationary Operational Enviromental Satellite)によって観測されるX線フラックスの値である。
SDO(Solar Dynamics Observatory)によって２０１１年から２０１２年までに観測された太陽の全球磁場画像データのうち６０分間に1枚の頻度で選択した全球観測データと対応するGOES(Geostationary Operational Enviromental Satellite)によって観測されたX線フラックスの値とを用い、本発明の宇宙天気予報システムを構築するための機械学習方法を行って、宇宙天気予報システムを構築した。
続いて、当該宇宙天気予報システムにSDO(Solar Dynamics Observatory)によって観測された太陽の全球磁場画像データを入力して、宇宙天気を予報した。
また、対応する太陽のフレアの観測結果を得て、太陽のフレアの予報と観測結果とを対比して予報精度を求めた。
また、対応する太陽のフレアの観測結果を得て、太陽のフレアの予報と観測結果とを対比して予報精度を求めた。
[表１]
Ｃクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ ４９４８ ４３８
予報 × １５１０ １４６２
Ｃクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ ４９４８ ４３８
予報 × １５１０ １４６２
[表２]
Ｍクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ １２１５ １３１０
予報 × ５４４ ５２８９
Ｍクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ １２１５ １３１０
予報 × ５４４ ５２８９
[表３]
Ｘクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ ２０９ １７２５
予報 × ４５ ６３７９
Ｘクラスの太陽フレアについての予報の当否
フレア観測 ○ フレア観測 ×
予報 ○ ２０９ １７２５
予報 × ４５ ６３７９
フレアの大きさは、Ｃクラス、Ｍクラス、Ｘクラスの順に大きくなる。
予報精度(True Skill Statistic : TSS)は式１によって算出される。
[式１]
ＴＳＳ＝［ＴＰ／（ＴＰ＋ＦＮ）］−［ＦＰ／（ＦＰ＋ＴＮ）］
ここで、ＴＰ：True Positive（予報○でフレア観測結果○）
ＴＮ：True Negative（予報○でフレア観測結果×）
ＦＰ：Fault Positive（予報×でフレア観測結果○）
ＦＮ：Fault Negative（予報×でフレア観測結果×）
予報精度(True Skill Statistic : TSS)は式１によって算出される。
[式１]
ＴＳＳ＝［ＴＰ／（ＴＰ＋ＦＮ）］−［ＦＰ／（ＦＰ＋ＴＮ）］
ここで、ＴＰ：True Positive（予報○でフレア観測結果○）
ＴＮ：True Negative（予報○でフレア観測結果×）
ＦＰ：Fault Positive（予報×でフレア観測結果○）
ＦＮ：Fault Negative（予報×でフレア観測結果×）
予報精度について、本発明の宇宙天気予報とBloomfield+とを比較した。
[表４]
予報精度(True Skill Score : TSS)についての比較
Ｃクラス Ｍクラス Ｘクラス
本発明 ０．５４ ０．４９ ０．６１
Bloomfield+ ０．４４ ０．５３ ０．７４
予報精度(True Skill Score : TSS)についての比較
Ｃクラス Ｍクラス Ｘクラス
本発明 ０．５４ ０．４９ ０．６１
Bloomfield+ ０．４４ ０．５３ ０．７４
現時点の機械学習の段階で、本発明の宇宙天気予報システムにおいては、従来のBloomfield+と同等の予報精度が得られていることがわかる。専門知識、経験を積んだ専門家が人の手で行っていた予報と同等の予報精度が本発明のビッグデータ解析及び機械学習によって達成できたことがわかる。さらに機械学習を繰り返すことによって、本発明の宇宙天気予報システムはさらに進化し、予報精度が増すことが期待される。
以下、本発明の実施形態について、添付図面を参照して、説明する。
宇宙天気予報システムを構築するための機械学習
機械学習を行うために過去の太陽の全球観測画像データを用いた。観測画像データとして、GOESが観測したX線フラックス及びSDO(Solar Dynamics Observatory)によって観測された全球磁場画像データ(Helioseismic and Magnetic Imager : ＨＭＩ)を用いた。
図１に、SDO(Solar Dynamics Observatory)によって観測された全球磁場画像データを示す。4秒ごとに1枚の割合で観測され保存されているデータの中から６０分に1枚の割合で無為選択したデータを用いた。
機械学習を行うために過去の太陽の全球観測画像データを用いた。観測画像データとして、GOESが観測したX線フラックス及びSDO(Solar Dynamics Observatory)によって観測された全球磁場画像データ(Helioseismic and Magnetic Imager : ＨＭＩ)を用いた。
図１に、SDO(Solar Dynamics Observatory)によって観測された全球磁場画像データを示す。4秒ごとに1枚の割合で観測され保存されているデータの中から６０分に1枚の割合で無為選択したデータを用いた。
また、AIA(Atmospheric Imaging Assembly)によって観測された極端紫外線全球画像データも用いて機械学習を行った。AIA(Atmospheric Imaging Assembly)によって観測された極端紫外線全球画像データを加えることによって、予報精度が向上することを発明者は見出し、本発明に至ったものである。
表5に、GOESが観測したX線フラックス及びSDO(Solar Dynamics Observatory)によって観測された全球磁場画像データ(Helioseismic and Magnetic Imager : ＨＭＩ)のみを用いて宇宙天気予報した場合の予報精度(ＧＯＥＳ＋ＭＨＩ)とGOESが観測したX線フラックス、SDO(Solar Dynamics Observatory)によって観測された全球磁場画像データ(Helioseismic and Magnetic Imager : ＨＭＩ)及びAIA(Atmospheric Imaging Assembly)によって観測された極端紫外線全球画像データを用いて宇宙天気予報した場合の予報精度(ＡＩＡ＋ＧＯＥＳ＋ＭＨＩ)とを比較している。
[表５]
予報精度（ＴＳＳ）の比較
ＧＯＥＳ＋ＭＨＩ ＡＩＡ＋ＧＯＥＳ＋ＭＨＩ
Ｃクラス ０．６２７ ０．６０５
Ｍクラス ０．５００ ０．４７０
Ｘクラス ０．５５１ ０．５８１
予報精度（ＴＳＳ）の比較
ＧＯＥＳ＋ＭＨＩ ＡＩＡ＋ＧＯＥＳ＋ＭＨＩ
Ｃクラス ０．６２７ ０．６０５
Ｍクラス ０．５００ ０．４７０
Ｘクラス ０．５５１ ０．５８１
図2に示すようなコンピュータシステムを用いて本発明のビッグデータ解析を行った。ＣＰＵとしてＩｎｔｅｌ社のＸｅｏｎを４コア搭載し、メインメモリ１６Ｇを搭載したコンピュータ10台を用いた。そのうち、2台をマスターノードとし、残り8台をスレーブノードとした。スレーブノードの8台のコンピュータによって同じ処理を１〜２秒の時刻差をもって並列処理を行わせた。
太陽の全球観測画像データに2次元Wavelet変換を施し、各波長の成分の和をとった結果を図３に示す。横軸は太陽面経度であり、縦軸は太陽面緯度である。左下に4個の同一直径の円が示され、円内に色の異なるドットが多数示されている。その右上に隣接して、2倍の直径の円が3個配置され、さらに、右上に、さらに直径の円が3個配置されている。
図3に示すような処理結果から特徴ベクトルが得られる。特徴ベクトルから予報対象への写像を機械学習する。式２に示すように、時刻t=0,1,2,…nにおいて特徴ベクトルから予報対象への写像を繰り返し機械学習を行う。
[式２]
t=0 : [x1(0),x2(0),x3(0), …xn(0)] → y(0)
t=1 : [x1(1),x2(1),x3(1), …xn(1)] → y(1)
t=2 : [x1(2),x2(2),x3(2), …xn(2)] → y(2)
t=3 : [x1(3),x2(3),x3(3), …xn(3)] → y(3)
:
:
t=m : [x1(m),x2(m),x3(m), …xn(m)] → y(m)
t=0 : [x1(0),x2(0),x3(0), …xn(0)] → y(0)
t=1 : [x1(1),x2(1),x3(1), …xn(1)] → y(1)
t=2 : [x1(2),x2(2),x3(2), …xn(2)] → y(2)
t=3 : [x1(3),x2(3),x3(3), …xn(3)] → y(3)
:
:
t=m : [x1(m),x2(m),x3(m), …xn(m)] → y(m)
機械学習はサポートベクターマシン（ＳＶＭ）を用いて行った。図５を用いて機械学習の原理を特徴量１（例えば、waveletパワー）を横軸に、特徴量２（例えば、ＡＩＡでの明るさ）を縦軸にとり、各事象をＣクラスフレア、Ｍクラスフレア、Ｘクラスフレアのいずれか１つに選択して評価しマッピングする。そして、これらの事象の評価の境界となる連続した線を機械学習によって見つけ出すのである。本発明においては、１３０次元ぐらいについて、マッピングと境界線の学習を行った。これによって、本発明の宇宙天気予報システムは構築される。
機械学習に太陽物理学の知識や経験を反映させるために、太陽の全球観測画像データの解釈や各データ要素の重み付けを指示する予報戦略をテキストファイルの形式でシステムに入力することができる。この予報戦略によって、機械学習の成果が向上するとともに、予報速度や予報精度も向上する。
宇宙天気予報システムによる予報
上記のようにして構築された宇宙天気予報システムに、最近(時刻tx)観測されたＧＯＥＳ＋ＭＨＩまたはＡＩＡ＋ＧＯＥＳ＋ＭＨＩを入力し、2次元Wavelet変換を施し、各波長の成分すべての和をとり、特徴ベクトルを得て、この特徴ベクトルに写像を行って、予報対象について24時間後の予測値を得ることができる。
上記のようにして構築された宇宙天気予報システムに、最近(時刻tx)観測されたＧＯＥＳ＋ＭＨＩまたはＡＩＡ＋ＧＯＥＳ＋ＭＨＩを入力し、2次元Wavelet変換を施し、各波長の成分すべての和をとり、特徴ベクトルを得て、この特徴ベクトルに写像を行って、予報対象について24時間後の予測値を得ることができる。
図4はＧＯＥＳが観測したＸ線フラックスの時系列変化を実線で示し、その時刻から24時間後までのＧＯＥＳフラックスの最大値を点線で示す。特徴ベクトルから予報対象への写像が機械学習を繰り返すことによって構築されると、宇宙天気予報システムによって24時間後のＧＯＥＳフラックスの予測値を得ることができ、太陽フレアのクラスを予報することができる。
宇宙天気予報システムによる予報成績の評価
本発明の宇宙天気予報システムを用いて宇宙予報を多数回行った後に、予報成績を定量的に評価する。この評価結果に基づいて、任意の評価指標について、その評価指標を最大にするように写像を調整することができる。
本発明の宇宙天気予報システムを用いて宇宙予報を多数回行った後に、予報成績を定量的に評価する。この評価結果に基づいて、任意の評価指標について、その評価指標を最大にするように写像を調整することができる。
予報成績の評価によって写像を調整して、機械学習や宇宙天気予報にフィードバックすることができる。
宇宙天気によって、軌道上にある人工衛星に搭載された機器が故障したり、宇宙飛行士が被曝するといった影響が出る。また、ＣＭＥによる磁気嵐は、地上の電力送電システムに誘導電流を発生させて障害を起こす場合がある。太陽からのＸ線が、地上から６０〜９０km上空の電離圏の領域に影響を与え、旅客機や遠洋漁業の漁船が使う短波電波による通信が不通になることがある。さらに、磁気嵐に伴う電離圏の乱れはＧＰＳなどの衛星を使った測位に誤差を生じさせる。なお、オーロラは太陽活動による磁気嵐によって起きる現象である。
したがって、本発明の宇宙天気予報システムと予報配信システムを連動させることによって、送電事業者、発送電事業者、有人宇宙飛行を事業化している企業または国家、衛星管理会社、短波電波による通信を行う者、ＧＰＳを活用している事業体、国家またはＩＣＡＯに被害や故障を未然に軽減する機会を提供することができる。
また、本発明の宇宙天気予報システムを利用することによって、損害保険商品の保険料率の低減を享受することができる。
さらに、自律的にフレア発生を予報し、より詳細なデータがとれるようなモード変更システムを太陽観測衛星に搭載することによって、太陽のメカニズムを解明することができる。
Claims (8)
- 時刻tmにおいて観測された太陽の全球観測画像データに2次元Wavelet変換を施し、各波長の成分すべての和を取り、ｎ次元の特徴ベクトルを得る第1のステップと、
続いて、時刻tmにおける特徴ベクトルから、時刻tmから時刻tm＋kまでに観測された宇宙天気予報対象への写像を機械学習する第2のステップと、
を含み、
多数の時刻において、第１のステップと第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法。 - 太陽の全球観測画像データの解釈や各データ要素の重み付けを指示する予報戦略を入力する第０のステップと、
時刻tmにおいて観測された太陽の全球観測画像データに2次元Wavelet変換を施し、各波長の成分すべての和を取り、ｎ次元の特徴ベクトルを得る第1のステップと、
続いて、時刻tmにおける特徴ベクトルから、時刻tmから時刻tm＋kにおける宇宙天気予報対象への写像を上記予報戦略に沿って機械学習する第2のステップと、
を含み、
多数の時刻において、第１のステップ及び第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする宇宙天気予報システムを構築するための機械学習方法。 - 前記全球観測画像データが全球磁場画像データ、全球電磁波画像データ又は極端紫外線全球画像データである請求項１または２に記載の宇宙天気予報システムを構築するための機械学習方法。
- 前記宇宙天気予報対象が、太陽フレア、Ｘ線光度、コロナ質量放出量、高エネルギー粒子放出量、または地磁気擾乱指数である請求項１から３までのいずれか１つに記載の宇宙天気予報システムを構築するための機械学習方法。
- 前記kが１２時間から２４０時間である請求項１から４までのいずれか１つに記載の宇宙天気予報システムを構築するための機械学習方法。
- 前記機械学習がサポートベクターマシンによる機械学習であることを特徴とする請求項１から５までのいずれか１つに記載の宇宙天気予報システムを構築するための機械学習方法。
- 請求項１から６までのいずれか１つに記載の宇宙天気予報システムを構築するための機械学習方法によって構築された宇宙天気予報システムに、時刻tｘにおいて観測された太陽の全球観測画像データを入力して、宇宙天気予報対象についての時刻tｘ＋kにおける予測値を得る宇宙天気予報方法。
- 請求項７に記載の宇宙天気予報方法によって得られた宇宙天気予報対象の予測値と当該宇宙天気予報対象の観測値とから得られる予報成績を定量的に評価し、任意の評価指標について、当該評価指標を最大にするように写像を調整する第３のステップをさらに含み、
第3のステップを行った後に、多数の時刻において、第１のステップと第2のステップを行うことによって、写像を繰り返し機械学習することを特徴とする請求項１から６までのいずれか１つに記載の宇宙天気予報システムを構築するための機械学習方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014153706A JP6391002B2 (ja) | 2014-07-29 | 2014-07-29 | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014153706A JP6391002B2 (ja) | 2014-07-29 | 2014-07-29 | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016031282A JP2016031282A (ja) | 2016-03-07 |
| JP6391002B2 true JP6391002B2 (ja) | 2018-09-19 |
Family
ID=55441751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014153706A Active JP6391002B2 (ja) | 2014-07-29 | 2014-07-29 | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6391002B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220151246A (ko) * | 2021-05-06 | 2022-11-15 | 대한민국(국방부 공군참모총장) | 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101845760B1 (ko) * | 2017-01-25 | 2018-05-18 | 한국 천문 연구원 | 태양 흑점을 이용한 태양 플레어 예보 시스템 및 방법 |
| JP7199075B2 (ja) * | 2018-05-08 | 2023-01-05 | 国立研究開発法人情報通信研究機構 | 予測システムおよび予測方法 |
| CN117669335B (zh) * | 2024-02-01 | 2024-05-07 | 北京国星创图科技有限公司 | 一种太空环境数据挖掘方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6356842B1 (en) * | 2000-04-18 | 2002-03-12 | Carmel Systems, Llc | Space weather prediction system and method |
| JP3789736B2 (ja) * | 2000-07-27 | 2006-06-28 | 独立行政法人科学技術振興機構 | 黒点数の予測方法 |
| JP3486675B2 (ja) * | 2001-06-07 | 2004-01-13 | 独立行政法人通信総合研究所 | 地球磁気圏における電磁擾乱の予測方法及び装置 |
| JP3796543B2 (ja) * | 2002-10-16 | 2006-07-12 | 独立行政法人情報通信研究機構 | プラズマ対流予測装置、プラズマ対流予測方法 |
-
2014
- 2014-07-29 JP JP2014153706A patent/JP6391002B2/ja active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220151246A (ko) * | 2021-05-06 | 2022-11-15 | 대한민국(국방부 공군참모총장) | 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
| KR102531838B1 (ko) | 2021-05-06 | 2023-05-12 | 대한민국 | 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016031282A (ja) | 2016-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Camporeale et al. | Machine learning techniques for space weather | |
| Buzulukova | Extreme events in geospace: Origins, predictability, and consequences | |
| JP6391002B2 (ja) | 宇宙天気予報システムを構築するための機械学習方法及び当該方法によって構築された宇宙天気予報方法 | |
| Mallika et al. | Implementation of hybrid ionospheric TEC forecasting algorithm using PCA-NN method | |
| Aliu et al. | A Three-year Multi-wavelength Study of the Very-high-energy γ-Ray Blazar 1ES 0229+ 200 | |
| Lu et al. | GFDL's SPEAR seasonal prediction system: Initialization and ocean tendency adjustment (OTA) for coupled model predictions | |
| JP2004501354A (ja) | 宇宙気象予報方法及びシステム | |
| Münch et al. | Postface" The GITEWS Project–results, summary and outlook" | |
| National Research Council et al. | Managing space radiation risk in the new era of space exploration | |
| Abi-Zeid et al. | Decision support for planning maritime search and rescue operations in Canada | |
| Zhao et al. | Impact of assimilating high‐resolution atmospheric motion vectors on convective scale short‐term forecasts: 1. Observing System Simulation Experiment (OSSE) | |
| Brown et al. | Attention‐based machine vision models and techniques for solar wind speed forecasting using solar EUV images | |
| Smith et al. | An automated bolide detection pipeline for GOES GLM | |
| Minow et al. | Space weather architecture options to support human and robotic deep space exploration | |
| Saha et al. | Week ahead time series prediction of sea surface temperature using nonlinear autoregressive network with and without exogenous inputs | |
| Uti et al. | Utilization of Multi-Mission Satellite Altimetry for Wave Energy with Site Suitability Analysis using the Analytic Hierarchy Process | |
| Hapgood | Space weather: What are Policymakers seeking? | |
| Vourlidas et al. | The NASA space weather science and observation gap analysis | |
| Yao et al. | Auroral diagnosis of solar wind interaction with Jupiter's magnetosphere | |
| Aliberti et al. | European Space Weather Services: Status and Prospects | |
| Kim | Managing the Risk of Satellite Collisions: A Probabilistic Risk Analysis of Improving Space Surveillance Systems | |
| López Coto | Dark Matter and Solar Atmospheric Neutrino Searches with the KM3NeT-ORCA and ANTARES Neutrino Telescopes | |
| Metzger et al. | Operational implementation design for the Earth System Prediction Capability (ESPC): A first-look | |
| STANCIU et al. | Space Situational Awareness Systems Overview | |
| Chavy-Macdonald et al. | High-accuracy simulations of the ISS radiation environment and applications to interplanetary manned missions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170516 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180302 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180313 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180510 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180724 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180810 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6391002 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |