ニューラルネットワークを用いたNCEPの大域規模波動アンサンブル平均の改善【JST・京大機械翻訳】

Campos Ricardo Martins; Krasnopolsky Vladimir; Alves Jose-Henrique; Penny Stephen G.; Penny Stephen G.

文献

J-GLOBAL ID：202002237905711198 整理番号：20A1007920

ニューラルネットワークを用いたNCEPの大域規模波動アンサンブル平均の改善【JST・京大機械翻訳】

Improving NCEP’s global-scale wave ensemble averages using neural networks

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A1007920&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A1007920&from=J-GLOBAL&jstjournalNo=H0629B") }}

著者 (5件)： , , , ,
資料名：
巻： 149 ページ： Null 発行年： 2020年
JST資料番号： H0629B ISSN： 1463-5003 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)

より長い予測範囲におけるメトカン予測の品質は,海洋安全性と沖合の操作に及ぼす重要な影響を持った。NCEPによって提供された全球海洋波動アンサンブル予報システム(GWES)データの1年(2017年)に適用されたニューラルネットワークを用いて,非線形アンサンブル平均化手法を実証した。高度計データにより訓練された多層パーセプトロンニューラルネットワーク(NN)に基づいて後処理アルゴリズムを開発し,有意な波高(Hs)と風速(U10)を含む10日までの範囲のナウキャストから予測までのグローバル予測スキルを改善した。NNは,算術アンサンブル平均(EM)の典型的な使用の代替として適用される。NNモデルは,21のアンサンブルメンバーから供給される6つの変数,プラス緯度,経度のシン/cos,時間のシン/cos,予測リードタイム,およびGWESサイクルを用いて構築される。NN出力はHsとU10の残留物,すなわちEMから観測までの差である。1つの隠れ(中間)層を,与えられた問題をマップするために,ニューロンの最適数(複雑さ)に関して評価した。感度試験は,26の異なる数のニューロン,初期条件に対する10の種子,および3つの等しく分割されたデータセットを考慮した;全部で780のNN実験を行った。2,507,099対衛星/GWES場を用いた評価は,少数のニューロンを持つ単純なNNモデルが短距離予報に対する系統誤差を低減できるが,より多くのニューロンを持つNNはより長い予測範囲で散乱誤差を最小にする必要があることを示した。新しい方法は,140のニューロンを有する1つの単一NNモデルが,分析されたすべての予測範囲をカバーしている間,全体のグローバルのために誤差計量を改良することができることを示した。高度計に比べてHsに対して-10%から10%まで変化するGWESの広く使われているEMのバイアスは,5%以内の値に減少することができる。NNシミュレーションからの日10予測のRMSEは,低い計算コストを持つ合理的に単純な後処理モデルを用いて,EMと比較した場合,予測可能性において2日の利得を示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , , , ,

著者キーワード (5件)： , , , ,

天気予報

, , , ,

前のページに戻る