要旨: 電子温度（Te）は上部大気の宇宙天気を支配する重要なパラメータですが、これまで宇宙天気分野の機械学習文献では歴史的に十分には探究されていませんでした。地球のプラズマ圏の電子温度を予測する機械学習モデル CLARE を、AKEBONO（EXOS-D）衛星の測定値および太陽および地磁気指標を用いて訓練しました。 CLARE は、連続的な Te 出力空間を 150 個の離散分類区間に変換する分類ベースの回帰アーキテクチャを採用しています。分類タスクでモデルを訓練することは、従来の回帰モデルと比較して予測精度を相対的に 6.46% 向上させるとともに、予測に関する不確実性推定情報も出力します。 AKEBONO データのホールドアウトテストセットにおいて、モデルの Te の予測は真値の 10% 内で 69.67% の精度を達成し、1991 年 1 月 30 日から 2 月 7 日までの既知の磁気嵐期間では 46.17% を達成しました。 我々は、機械学習を用いて公開データ上で高精度の Te モデルを作成できることを示します。
返却形式: {"translated": "翻訳されたHTML"}
