文献

J-GLOBAL ID：201802291213150899   整理番号：18A1377997

ニューラルネットワーク統一物理パラメタリゼーションの予後検証【JST・京大機械翻訳】

Prognostic Validation of a Neural Network Unified Physics Parameterization

著者 (2件)： Brenowitz N. D. (Department of Atmospheric Sciences, University of Washington, Seattle, WA, USA) ,  Bretherton C. S. (Department of Atmospheric Sciences, University of Washington, Seattle, WA, USA)
資料名： Geophysical Research Letters  (Geophysical Research Letters)
巻： 45  号： 12  ページ： 6289-6298  発行年： 2018年 
JST資料番号： H0609B  ISSN： 0094-8276  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： 気象と気候モデルは,パラメータ化を用いた格子スケール変数に関して,非断熱とサブグリッドスケールプロセスを近似する。現在のパラメータ化は,物理的理解,観察,およびプロセスモデリングに基づく人間によって設計されている。結果として,それらは数値的に効率的で解釈可能であるが,潜在的に過簡素化される。しかしながら,大域的高分解能シミュレーションと観測の出現は,機械学習に基づくよりロバストなアプローチを可能にする。本レターでは,4km分解能(NG-Aqua)による近グローバルなアクアプラントシミュレーションを用いて,ニューラルネットワークに基づくパラメタリゼーションを訓練した。ニューラルネットワークは,(160km)~2グリッドボックス上に平均化された熱と水分の見掛けのソースを予測する。数値的に安定なスキームは,単一のものよりもむしろ複数の時間ステップにわたる予測誤差を最小化することによって得られる。予後的単一カラムモデル試験において,この方式は,コミュニティ大気モデルより良いNG-Aquaシミュレーションの変動と平衡の両方に適合する。Copyright 2018 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： シミュレーション ,  高分解能 ,  *パラメタリゼーション ,  *ニューラルネットワーク ,  コミュニティ ,  プラント ,  模型試験 ,  予測誤差 ,  気候モデル ,  気象 ,  機械学習 ,  ロバスト性 ,  簡素化 ,  水分
準シソーラス用語： Aqua , 【Automatic Indexing@JST】

著者キーワード (5件)： 積雲パラメタリゼーション ,  雲分解モデル ,  単一柱モデル ,  ニューラルネットワーク ,  機械学習

分類 (2件)： 海洋の構造・力学・循環  (DC06030G) ,  水圏・生物圏の地球化学  (DD01030A)

タイトルに関連する用語 (5件)： ニューラルネットワーク ,  物理 ,  パラメタリゼーション ,  予後 ,  検証