文献

J-GLOBAL ID：201902237449377266   整理番号：19A2836089

Hail検出への深層学習の適用:事例研究【JST・京大機械翻訳】

Applying Deep Learning to Hail Detection: A Case Study

著者 (5件)： Pullman Melinda (U.S. Army Corps of Engineers Vicksburg District, Vicksburg, MS, USA) ,  Gurung Iksha (Inter Agency Implementation and Advanced Concepts (IMPACT), NASA Marshall Space Flight Center, Huntsville, AL, USA) ,  Maskey Manil (NASA Marshall Space Flight Center, Huntsville, AL, USA) ,  Ramachandran Rahul (NASA Marshall Space Flight Center, Huntsville, AL, USA) ,  Christopher Sundar A. (Department of Atmospheric Science, University of Alabama in Huntsville, Huntsville, AL, USA)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 57  号： 12  ページ： 10218-10225  発行年： 2019年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： 深い学習は,表現を学習し,膨大なデータ集合から価値ある情報を抽出することができる深いニューラルネットワーク(DNNs)を用いる機械学習のサブセットである。同様に,気象現象は,前駆体の特徴として役立つデータのパターンによってしばしば同定される。したがって,深い学習ネットワークは気象現象の特徴を同定するために使用できるか,または,気象観測の成長量を合成する際に予測器に加えて予測器によってまだ確立されていない可能性がある。本論文では,試験事例研究として,ha軸受の検出のための深い学習を用いて,概念の証明を提供することにより,大気科学応用のための深い学習の価値を実証した。本論文で示した深い学習ネットワークは,マルチソースデータを提示した場合,より高い精度を得て,ha嵐に関連する共通の特徴を同定することができる。このネットワークと事例研究は,気象現象の検出のための深いネットワークの能力を例証し,大気科学者間の深い学習の成長認識に寄与する。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 前駆体 ,  機械学習 ,  *学習 ,  軸受 ,  部分集合 ,  ネットワーク ,  *事例研究 ,  気象 ,  気象観測 ,  ニューラルネットワーク
準シソーラス用語： 大気科学 ,  予測器 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (2件)： 深層学習 ,  研究