文献

J-GLOBAL ID：201802263887445621   整理番号：18A0328903

温度データのみによる極端学習機械と一般化回帰神経回路網を用いた基準蒸発散量のモデル化【Powered by NICT】

Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data

著者 (5件)： Feng Yu (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Peng Yong (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Cui Ningbo (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Gong Daozhi (State Engineering Laboratory of Efficient Water Use of Crops and Disaster Loss Mitigation/MOA Key Laboratory of Dryland Agriculture, Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agriculture Sciences, Beijing, China) ,  Zhang Kuandi (College of Water Resources and Architectural Engineering, Northwest A&F University, Yangling, China)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 136  ページ： 71-78  発行年： 2017年 
JST資料番号： T0337A  ISSN： 0168-1699  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 基準蒸発散量(ET_0)の正確な推定は,農業用水管理に必須である。本研究では,四川盆地,中国南西部の6測候所における温度データ,極端学習機械(ELM)と一般化回帰ニューラルネットワーク(GRNN)を含むのみで日常ET_0推定のために二人工知能モデルを開発し,対応する温度に基づくHargreaves(HG)モデルと提案したELMおよびGRNN,ベンチマークとしてFAO-56Penman-Monteith ET_0を考慮したその較正されたバージョンを比較した。二データ管理シナリオはET_0の推定のための評価した(1)モデルを訓練/較正し,各観測所の局所データを用いて試験した。および(2)モデルは全観測点からプールしたデータを用いて訓練された/較正し,各観測所で試験した。最初のシナリオでは,結果は,温度に基づくELMモデルはGRNN,HGと較正されたHGモデルよりもより良い推定を提供し,0.198の平均相対二乗平均平方根誤差(RRMSE),0.267mm/dの平均絶対誤差(MAE)とNash-Sutcliffe係数(NS)0.891 3が得られたことを示した。第二のシナリオでは,GRNNモデルを考慮したモデルの中で最も正確な結果を提供し,0.194の平均RRMSE,0.895の0.263mm/dとNSのMAEであった。温度ベースGRNN及びELMの両方は,二つのシナリオのためのHGと較正されたHGモデルよりはるかに良い性能を示し,温度に基づくGRNNとELMモデルは,中国南西部の四川盆地のET_0の正確な推定は,灌漑スケジューリングを改善する農家または潅がいシステム演算子のための非常に有用な,適切な代替物である。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *蒸発散量 ,  農業用水 ,  測候所 ,  人工知能 ,  スケジューリング ,  中華人民共和国 ,  *モデリング ,  データ管理 ,  灌漑 ,  ベンチマーク ,  *神経回路網
準シソーラス用語： 一般回帰ニューラルネットワーク ,  四川盆地 ,  *基準蒸発散量 ,  *極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (5件)： 参照蒸発散量 ,  温度データ ,  極端学習機械 ,  一般化回帰ニューラルネットワーク ,  Hargreavesモデル

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 温度データ ,  極端学習機械 ,  一般化 ,  神経回路網 ,  基準蒸発散量 ,  モデル化