文献

J-GLOBAL ID：202002210159136199   整理番号：20A1130317

干ばつモデリングのためのハイブリッドウェーブレットパケットマシン学習アプローチ【JST・京大機械翻訳】

Hybrid wavelet packet machine learning approaches for drought modeling

著者 (4件)： Das Prabal (Department of Civil Engineering, Indian Institute of Technology (ISM), Dhanbad, India) ,  Naganna Sujay Raghavendra (Department of Civil Engineering, Shri Madhwa Vadiraja Institute of Technology and Management, Udupi, Bantakal, India) ,  Deka Paresh Chandra (Department of Applied Mechanics and Hydraulics, National Institute of Technology Karnataka, Surathkal, Mangalore, India) ,  Pushparaj Jagalingam (School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India)
資料名： Environmental Earth Sciences  (Environmental Earth Sciences)
巻： 79  号： 10  ページ： 221  発行年： 2020年 
JST資料番号： A0684B  ISSN： 1866-6280  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： すべての自然災害の中で,干ばつは,周囲と環境において最も壊滅的な侵入を持っている。インドのKarnataka州の半乾燥地域の1つであるGulbargaは,平均年間降雨量の約700mmを受け,干ばつが傾いている。本研究では,地域に対する干ばつの予測を,1か月と6か月のリードタイムに対して実施した。多重時間標準化降水指数(SPI)は,それが1つの最も単純なパラメータ,すなわち降雨とその利用の容易さに基づいて計算されるという事実により,干ばつ定量化パラメータとして使用されてきた。研究地域内の21の格子位置のインド気象部門(IMD)から得られた微細分解能日格子降水データ(0.25°×0.25°)を解析に用いた。干ばつの予測は,干ばつ準備と軽減計画において重要な役割を果たす。過去数十年にわたる機械学習(ML)技術の出現により,任意の水文事象の予測は,より容易になり,より正確になった。しかし,干ばつ予測のためのこれらの技術の使用はまだ不明瞭である。本研究では,人工ニューラルネットワーク(ANN)とサポートベクトル回帰(SVR)技術を用いて,より短いおよびより長いリードタイムにわたる干ばつ予測におけるそれらの精度を調べた。さらに,2つのハイブリッドアプローチを,データ変換法を上述のMLアプローチのそれぞれと結合することにより定式化した。アウトセットにおいて,入力データ(すなわちSPI)の前処理をウェーブレットパケット変換(WPT)を用いて実行し,次にANNおよびSVRモデルへの入力として用いてハイブリッドWP-ANNおよびWP-SVRモデルを誘導した。ハイブリッドモデルの性能をR2(決定の共効率),RMSE(Root平均二乗誤差),MAE(平均絶対誤差)のような統計的指標に基づいて評価した。結果は,ハイブリッド技術には,スタンドアロン機械学習アプローチより良い予測性能があることを示した。ハイブリッドWP-ANNモデルは,グリッド位置の大部分に対してWP-SVRモデルよりも比較的良い性能を示した。また,予測結果はリードタイムが1から6か月に増加すると悪化した。Copyright Springer-Verlag GmbH Germany, part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 降雨 ,  降水 ,  *学習 ,  データ変換 ,  気象 ,  ニューラルネットワーク ,  *干ばつ ,  多重化 ,  年雨量 ,  自然災害 ,  調達期間 ,  定式化 ,  機械学習
準シソーラス用語： 平均二乗誤差 ,  ハイブリッドモデル , 【Automatic Indexing@JST】

著者キーワード (7件)： 干ばつ ,  SPI ,  機械学習 ,  ANN ,  SVR ,  WP-ANN ,  WP-SVR

分類 (2件)： 気候学,気候変動  (DC05140T) ,  水文学一般  (DC07010R)

タイトルに関連する用語 (3件)： 干ばつ ,  モデリング ,  学習