文献

J-GLOBAL ID：201902250715600440   整理番号：19A0167628

森林への風損傷をモデル化するための機械学習技術の利用【JST・京大機械翻訳】

Use of machine learning techniques to model wind damage to forests

著者 (11件)： Hart Emma (School of Computing, Edinburgh Napier University, Scotland, UK) ,  Sim Kevin (School of Computing, Edinburgh Napier University, Scotland, UK) ,  Kamimura Kana (INRA UMR 1391 ISPA, F-33140 Villenave d’Ornon, France) ,  Kamimura Kana (Bordeaux Sciences Agro, UMR1391 ISPA, F-33170 Gradignan,France) ,  Kamimura Kana (Institute of Mountain Science, Shinshu University, 8304, Minamiminowa, Kamiina, Nagano,399-4598, Japan) ,  Meredieu Celine (INRA, UE FP, 69 route d’Arcachon, F-33612 Cestas cedex, France) ,  Guyon Dominique (INRA UMR 1391 ISPA, F-33140 Villenave d’Ornon, France) ,  Guyon Dominique (Bordeaux Sciences Agro, UMR1391 ISPA, F-33170 Gradignan,France) ,  Gardiner Barry (INRA UMR 1391 ISPA, F-33140 Villenave d’Ornon, France) ,  Gardiner Barry (Bordeaux Sciences Agro, UMR1391 ISPA, F-33170 Gradignan,France) ,  Gardiner Barry (EFI Planted Forests Facility, 69 Route de Arcachon, F-33612 Cestas cedex, France)
資料名： Agricultural and Forest Meteorology  (Agricultural and Forest Meteorology)
巻： 265  ページ： 16-29  発行年： 2019年 
JST資料番号： C0901A  ISSN： 0168-1923  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： 本論文では,機械学習技術,すなわち人工ニューラルネットワークとランダムフォレストの能力を試験し,嵐における被害リスクにおける森林内の個々の樹木を予測した。これらの技術に基づくモデルは,1999年12月にStorm Martinで被害を受けた29の永続的サンプルプロットを含む小森林面積と2009年1月にStorm Klausで損傷した235の森林インベントリプロットのより大きなセットから個々に開発された。両方のデータセットは,フランス,Nouvelle-AquitineにおけるLandes de Gascone森林内にある。モデルは,それらが開発されたデータと他の嵐からのデータセットに対して試験された。同じデータを用いた以前の研究と比較するために,ロジスティック回帰モデルも開発した。さらに,以前の機構モデル予測による訓練により,機械的風損傷リスクモデルを代替する機械学習技術の能力を試験した。すべてのモデルは,樹木が被害を受けるか否かを同定するのに正確であったが,ランダム森林モデルはより正確で,より高い識別力を有し,個々の入力変数の除去によってほとんど全体的に影響を受けなかった。しかし,林分に関連するすべての情報がランダム森林モデルを除去すると,精度と識別力を失った。他のモデルはすべてのサイト情報の除去によって同様に影響を受けたが,モデルのいずれもすべての樹木情報の除去によって影響を受けず,Landes de Gascogn森林における被害が林分スケールで発生し,個々の樹木特性によって制御されないことを示唆した。大規模な包括的データベースで開発されたモデルは,以前の嵐で損傷された小森林データに適用された場合,損傷樹木の同定においても正確であった。しかし,より小さい森林データセットで開発されたモデルのいずれも,全体の景観を横切って適用されたとき,損傷と非損傷樹木の間をうまく区別することができなかった。すべてのモデルは,機械的風リスクモデルの予測を複製するのに非常に成功し,それらを臨界風速の機構モデル予測の代替として用いることは,損傷モデル結果に影響しなかった。全体として,結果は,ランダム森林が他の統計モデリング技術よりも有意な利点を提供し,ランダム森林モデルが,全ての入力変数が利用できない場合には,それらの予測においてよりロバストであることが分かった。さらに,機械的な風損傷モデルを置き換える能力は,ランダムな森林が大きな地域における被害リスク評価のための強力なツールを提供し,異なる管理戦略の影響の迅速な評価を提供するか,あるいは風被害のリスクを含む複数の目的と制約による最適化森林管理の開発に使用されることを示唆する。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *モデル ,  フランス共和国 ,  ニューラルネットワーク ,  *機械学習 ,  ロバスト性 ,  データベース ,  リスク評価 ,  *モデリング ,  風速 ,  在庫量 ,  林分 ,  最適化 ,  *風
準シソーラス用語： 森林管理 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (6件)： 機械学習 ,  森林被害 ,  風のリスク ,  リスクモデル ,  Gales ,  森林計画

分類 (2件)： 森林保育  (FF03040H) ,  自然災害  (FC04020J)

タイトルに関連する用語 (5件)： 森林 ,  風 ,  損傷 ,  モデル化 ,  機械学習技術