文献

J-GLOBAL ID：202002241836636093   整理番号：20A0715002

加重平均温度を予測するためのニューラルネットワークモデルの第二世代【JST・京大機械翻訳】

A second generation of the neural network model for predicting weighted mean temperature

著者 (1件)： Ding Maohua (College of Hydraulic Science and Engineering, Yangzhou University, Yangzhou, People’s Republic of China)
資料名： GPS Solutions  (GPS Solutions)
巻： 24  号： 2  ページ： 61  発行年： 2020年 
JST資料番号： W2189A  ISSN： 1080-5370  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： グローバルナビゲーション衛星システム(GNSS)気象学において,加重平均温度(T_m)は,GNSSの天頂湿潤遅れ誤差と可降水性水蒸気の間の変換における可変パラメータである。T_m季節変動とT_mとサイト気象測定(主にサイト測定温度)の間の関係によってモデル化されたT_mの結合モデルは,比較的高い精度であることが証明された。本研究では,NN-IIモデルと呼ばれるT_mに対する改良複合モデルを開発し,NNモデルの第二世代である。NNモデルと同様に,NN-IIは結合モデルであり,ニューラルネットワークモデルを用いてモデル化した。NNモデルは表面近くのT_m推定のためにのみ設計されたが,NN-IIは表面から対流圏のほぼ上部までのT_m推定のために設計された。NNモデルと比較して,NN-IIモデルは,モデル設計に関していくつかの進歩した特徴を示した。モデル化したT_mデータは,表面から対流圏のほとんどのトップまでカバーして,GTrop-T_mモデルからより正確な季節的T_mを使用して,入力変数を洗練した。これらの精密化により,表面から対流圏のほぼ上部へのグローバルT_mのためのNN-IIのバイアスとRMSEは,それぞれ0.08Kと3.34Kであり,この新しいモデルは,それぞれ,GTrop-T_mモデルとNNモデルのものと比較して,29.1%と40.6%の改良精度を示した。精度優位性は,グローバルスケールに関して対流圏のいろいろな高さに関して維持した。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： 降水 ,  *対流圏 ,  気象 ,  結合モデル ,  気象学 ,  季節的変動 ,  精密化 ,  バイアス ,  湿潤 ,  GNSS
準シソーラス用語： *神経回路網モデル ,  *加重平均 , 【Automatic Indexing@JST】

著者キーワード (5件)： 加重平均温度 ,  可降水水蒸気 ,  結合モデル ,  ニューラルネットワークモデル ,  対流圏の異なる高さ

分類 (1件)： 測地学  (DC02000X)

タイトルに関連する用語 (5件)： 加重 ,  平均温度 ,  予測 ,  ニューラルネットワークモデル ,  世代