文献

J-GLOBAL ID：202002224562077234   整理番号：20A2476371

限られた観測データを持つ大規模流域の日河川流シミュレーションのための物理プロセスと機械学習を組み合わせた水文モデル【JST・京大機械翻訳】

A physical process and machine learning combined hydrological model for daily streamflow simulations of large watersheds with limited observation data

著者 (6件)： Yang Shuyu (State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China) ,  Yang Dawen (State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China) ,  Chen Jinsong (Earth and Environmental Sciences Area, Lawrence Berkeley National Laboratory, Berkeley, CA, USA) ,  Santisirisomboon Jerasorn (Division of Energy Engineering, Faculty of Engineering, Ramkhamhaeng University, Bangkok, Thailand) ,  Lu Weiwei (State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China) ,  Zhao Baoxu (State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 590  ページ： Null  発行年： 2020年 
JST資料番号： C0584A  ISSN： 0022-1694  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： 物理的に分布した水文モデルは大河川流域の水文シミュレーションに有効であるが,水文特徴の複雑な特性はそれらの適用を制限する。使いやすい,高効率の水文モデルは,実際に効率的な水資源管理に必要である。機械学習(ML)ベースのモデルは,対応する物理プロセスの詳細な記述なしに,気象予測子と水文学的応答の間の高速マッピング経路を提供する可能性を有する。しかし,極端なデータ要求,空間変動の無視,および極端な流れに対する貧弱な性能は,MLモデルの適用を制限する。本研究では,人工ニューラルネットワーク(ANN),コンピュータビジョン(CV)および分類手法(CA)と物理的にベース分布した水文モデルを結合することにより,MLベースの水文モデルを開発することを試みた。不十分な訓練問題を解くために,確率的降雨発生器と共に物理的に分布した水文モデル(GBHM)を用いて,大量の合成データ(GBHM-ANN)を生成した。極端な流れシミュレーションを改善するために,GBHM-ANN(GBHM-ANN-CA)に分類手法を追加した。また,予測子の空間変動を捉えるために,GBHM-ANN-CA-CVモデルを形成するために,局所バイナリパターンベースコンピュータビジョン法を用いた。3つのモデリング手法の有効性を,合成事例研究によって実証した。最後に,タイにおける上部Chao Phraya盆地からの実データを用いてGBHM-ANN-CA-CVを評価した。結果は,著者らの新しいデータ駆動モデルの予測精度が,データ制限流域において大いに改善されることを示した。特に,CV抽出空間情報は,データ駆動水文モデルのロバスト性を改善し,CAは,高流量シミュレーションを大いに改良することができた。組合せモデルは長期日常河川流量シミュレーションに対して満足できる精度を与える。本研究は,特に環境の変化において,水資源管理におけるMLベースの水文モデルの可能性を実証した。Copyright 2020 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： *シミュレーション ,  降雨 ,  流量 ,  ニューラルネットワーク ,  *流域 ,  *河川流 ,  事例研究 ,  コンピュータビジョン ,  *水文モデル ,  盆地 ,  *機械学習 ,  河川流域
準シソーラス用語： 予測精度 ,  河川流量 ,  データ駆動 , 【Automatic Indexing@JST】

著者キーワード (5件)： 水文モデリング ,  物理的に分布したモデル ,  機械学習 ,  コンピュータビジョン ,  カテゴリー化アプローチ

分類 (1件)： 水文学一般  (DC07010R)

タイトルに関連する用語 (6件)： 観測データ ,  河川流 ,  シミュレーション ,  物理プロセス ,  機械学習 ,  水文モデル