文献

J-GLOBAL ID：202002264322084351   整理番号：20A0873786

GCMシミュレーションを用いた多段階一日降雨予測のためのハイブリッド深層学習アプローチ【JST・京大機械翻訳】

Hybrid Deep Learning Approach for Multi-Step-Ahead Daily Rainfall Prediction Using GCM Simulations

著者 (2件)： Khan Mohd Imran (Department of Civil Engineering, Indian Institute of Technology Kharagpur, Kharagpur, India) ,  Maity Rajib (Department of Civil Engineering, Indian Institute of Technology Kharagpur, Kharagpur, India)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 52774-52784  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 深い学習(DL)は,複雑なシステムを扱うための有効な技術である。本研究では,ハイブリッドDLアプローチを提案し,一次元畳込みニューラルネットワーク(Conv1D)と多重層パーセプトロン(MLP)(ハイブリッドConv1D-MLPモデルと呼ぶ)の組合せを,多段階先行(1日から5日)の日降雨予測に対して提案した。日降雨変動と密接に関連する9つの気象変数を,ハイブリッドモデルへの入力として用いた。因果変数は,一般循環モデル(GCM)から得られる。一般的に,GCMからの気象学的変数のシミュレーションは,降雨推定よりはるかに良く,気象変数の観測記録は,多くの場所で完全に利用できない場合には,まばらに利用可能である。このように,提案した方式は,気象変数をシミュレーションすることにおいてGCMの可能性を活用して,降雨予測の品質を強化することにおいて,DL方式の有効性を確立することを助けた。開発したハイブリッドモデルを,日降水特性の観点から異なる気候レジームにおける12の異なる場所に適用した。提案したハイブリッドアプローチを,DLアプローチ,すなわち,多重層パーセプトロン(深MLP)と他の機械学習アプローチ,すなわち,サポートベクトル回帰(SVR)と比較した。また,予測リードタイム(日内)が増加すると,モデルの性能が徐々に低下することが分かった。全体として,本研究は,ハイブリッドConv1D-MLPモデルが,因果変数と降雨の日変化の間の複雑な関係を捉えるのに,より効果的であるという事実を確立した。この利点は,水文気象学的関連の隠れた特徴を抽出するための個々のアプローチの可能性の統一によるものである。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： パーセプトロン ,  日変化 ,  気象学 ,  機械学習 ,  水文気象 ,  *学習 ,  気候 ,  降雨特性 ,  一次元 ,  *降雨 ,  有効性 ,  調達期間 ,  *シミュレーション ,  大気大循環モデル ,  ハイブリッド方式

分類 (4件)： パターン認識  (JE07000S) ,  リモートセンシング一般  (AD04000L) ,  気候学,気候変動  (DC05140T) ,  数値計算  (JE02000J)

タイトルに関連する用語 (5件)： GCM ,  シミュレーション ,  段階 ,  降雨予測 ,  深層学習