文献

J-GLOBAL ID：201902289831403475   整理番号：19A1712056

超パラメータ化E3SM放射伝達のための費用効果的代理モデルとしてのディープニューラルネットワークの使用【JST・京大機械翻訳】

Using Deep Neural Networks as Cost-Effective Surrogate Models for Super-Parameterized E3SM Radiative Transfer

著者 (3件)： Pal Anikesh (National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Mahajan Salil (Computational Earth SciencesOak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Norman Matthew R. (National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, TN, USA)
資料名： Geophysical Research Letters  (Geophysical Research Letters)
巻： 46  号： 11  ページ： 6069-6079  発行年： 2019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： 深いニューラルネットワーク(DNNs)は,短波と長波の放射伝達計算を模擬するために,超並列エネルギーエクセルギー地球システムモデル(SP-E3SM)に実装されている。これらのDNNsは,元の放射パラメタリゼーションより8~10倍安いコストで90~95%の精度で放射パラメータをエミュレートすることができた。時間平均放射フラックスと予後変数の比較により,DNNエミュレーションと元のパラメタリゼーションの間の定性的および定量的類似性を明らかにした。また,DNNエミュレーションと元のパラメタリゼーションの間の差は,元のパラメタリゼーションの内部変動に匹敵することが分かった。この研究で開発されたDNNsは特定の初期条件に対する放射パラメータを模擬するが,結果は,季節予測と気候シミュレーションに対する完全モデル放射と他のパラメタリゼーションのエミュレーションに対するDNNsの使用を一般化するための更なる研究の必要性を正当化する。Copyright 2019 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： エミュレーション ,  *パラメタリゼーション ,  短波 ,  *放射伝達 ,  放射線束 ,  初期条件 ,  予後 ,  *ニューラルネットワーク ,  超並列処理 ,  類似性
準シソーラス用語： 気候シミュレーション ,  季節予報 ,  *ディープニューラルネットワーク ,  *費用対効果 ,  *代用モデル , 【Automatic Indexing@JST】

著者キーワード (3件)： ディープニューラルネットワーク ,  放射線モデル ,  大循環モデル

分類 (2件)： 地球物理学一般  (DC01000Q) ,  気候学,気候変動  (DC05140T)

タイトルに関連する用語 (5件)： パラメータ化 ,  放射伝達 ,  費用効果 ,  代理モデル ,  ディープニューラルネットワーク