[論文レビュー] Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles

Bernard Benson, Edward Brown+8 more|arXiv (Cornell University)|Dec 16, 2021

Solar and Space Plasma Dynamics被引用数 4

ひとこと要約

本論文は、長短期記憶（LSTM）ネットワークを用いた深層学習アンサンブルモデルを提案し、太陽電波放射度と地磁気指数を27日間の予測期間にわたり同時に予測する。時系列データと太陽画像入力を統合することで、時系列データのみを用いたベースラインと比較して、平均二乗誤差（RMSE）を30–40％削減し、アンサンブルによる不確実性の定量化を伴い、精度が向上することを示した。

ABSTRACT

Solar radio flux along with geomagnetic indices are important indicators of solar activity and its effects. Extreme solar events such as flares and geomagnetic storms can negatively affect the space environment including satellites in low-Earth orbit. Therefore, forecasting these space weather indices is of great importance in space operations and science. In this study, we propose a model based on long short-term memory neural networks to learn the distribution of time series data with the capability to provide a simultaneous multivariate 27-day forecast of the space weather indices using time series as well as solar image data. We show a 30-40\% improvement of the root mean-square error while including solar image data with time series data compared to using time series data alone. Simple baselines such as a persistence and running average forecasts are also compared with the trained deep neural network models. We also quantify the uncertainty in our prediction using a model ensemble.

研究の動機と目的

• 太陽電波放射度と地磁気指数を含む、複数の宇宙天気インデックスを同時に予測する精度を向上させること。
• 時系列データに加えて太陽画像データを統合し、従来の時系列データのみを用いたモデルを上回る予測性能を向上させること。
• 深層ニューラルネットワークのアンサンブルを用いて予測の不確実性を定量化すること。
• パーゼンスや移動平均予測といった単純なベースライン手法を上回ることを、多次元的宇宙天気予測において達成すること。
• 宇宙活動の影響を27日間の信頼性ある予測を提供することで、宇宙運用および科学的認識を支援すること。

提案手法

• 時系列データの時間的依存性をモデル化するため、長短期記憶（LSTM）ネットワークに基づく深層ニューラルネットワークアーキテクチャを採用する。
• 宇宙天気インデックスの時系列データと、太陽観測機器から得られる空間的太陽画像データを入力特徴として統合する。
• 予測の堅牢性を向上させるとともに、予測の不確実性を定量化可能とするために、複数のLSTMモデルのアンサンブルを訓練する。
• 太陽回転周期に一致させるために、27日間の予測期間を設定し、宇宙天気応用分野における予測の関連性を高める。
• シーケンス・ツー・シーケンス予測のための標準的な損失関数とトレーニング手順を適用し、最終的な予測にはモデル平均を用いる。
• 予測性能を評価するため、平均二乗誤差（RMSE）を用い、パーセンスおよび移動平均ベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 時系列データに太陽画像データを統合することで、多次元的宇宙天気予測の精度が顕著に向上するか？
• RQ2 提案されたLSTMアンサンブルモデルの性能は、パーセンスや移動平均といった単純なベースライン手法と比較してどうなるか？
• RQ3 モデルアンサンブルは、宇宙天気予測における不確実性の定量化をどの程度向上させるか？
• RQ4 太陽画像データの導入により、太陽電波放射度や地磁気指数といった主要インデックスの予測誤差に顕著な低減が見られるか？
• RQ5 1つの深層学習モデルが、27日間の予測期間にわたり、複数の宇宙天気インデックスを同時に効果的に予測できるか？

主な発見

• 時系列データに加えて太陽画像データを統合したことで、時系列データのみを用いたモデルと比較して、平均二乗誤差（RMSE）が30–40％削減された。
• 提案された深層ニューラルネットワークアンサンブルモデルは、すべての予測インデックスにおいて、パーセンスおよび移動平均ベースラインモデルをRMSEの観点から上回った。
• モデルアンサンブルにより、予測の不確実性を信頼性を持って定量化でき、予測の信頼性に寄与した。
• モデルは、太陽回転周期に一致する27日間の予測期間にわたり、太陽電波放射度と地磁気指数の同時多次元的予測を達成した。
• 本研究では、時系列データと画像データを統合したマルチモーダルデータを用いた深層学習モデルが、複雑な宇宙天気予測タスクにおいて非常に有効であることが示された。
• 太陽画像データは、時系列データのみで得られる情報を超えて、価値ある空間的・時間的情報を提供することが確認された。