文献

J-GLOBAL ID：202002271619200913   整理番号：20A2641224

マルチモーダル機械学習を用いた北海道東部における冬季の空間的に補間した日平均気温のバイアスの補正

Bias correction for spatially interpolated daily mean air temperature during winter in eastern Hokkaido using multimodal machine learning

著者 (5件)： MURAKAMI Keach (Hokkaido Agricultural Research Center, National Agriculture and Food Research Organization) ,  HIROTA Tomoyoshi (Hokkaido Agricultural Research Center, National Agriculture and Food Research Organization) ,  HIROTA Tomoyoshi (Present address: Faculty of Agriculture, Kyushu University) ,  SHIMODA Seiji (Hokkaido Agricultural Research Center, National Agriculture and Food Research Organization) ,  YAZAKI Tomotsugu (School of Agriculture, Meiji University)
資料名： 農業気象  (Journal of Agricultural Meteorology)
巻： 76  号： 4  ページ： 164-173(J-STAGE)  発行年： 2020年 
JST資料番号： X0731A  ISSN： 0021-8588  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 境界層風と地形間の相互作用は,寒冷と積雪地域における不均一な気温分布を形成する。この不均一性とくに空間的に補間された気温は,時々観測値から逸脱する。1kmのグリッド化された気象データサービス(Ohno et al.,2016)によって提供された空間的に補間された日平均気温(T_int)の品質を評価するために,著者らは,冬(10月~3月)に日本の北海道東部の十勝とオホーツク地方の農地の近くに位置する気象観測所で得られた観測温度(T_obs)を収集して,補間された温度(dT)のバイアスを再検討した。88サイトで得られたT_intの二乗平均平方根誤差(RMSE)は1.16°Cであり,絶対的な中央dT値は14サイトで1°C以上であった。dTの分散は寒冷で穏やかな日においてより大きく,放射冷却と寒気塊の蓄積の関与を示唆した。温度分布の形成機構を考慮することによって,与えられたサイトでのdTを推定してT_intを修正するために,著者らは,4つの予測子,すなわち,表面と境界層の気象データおよび各サイト周辺の地形と地理的特徴を有するマルチモーダル機械学習モデルを開発することを試みた。各サイト周辺の地形と地理の空間範囲の影響を解析するために,種々のサイズの関心領域(ROI)を有するこれらの予測子を持つモデルを比較した。モデルを訓練し,それらを独立のデータセットに適用することにより,小さな地形のROI(30×30kmまたはそれ以下)のモデルを用いたバイアス補正がRMSEを低減することを示した。試験データセットのRMSEは,枝分かれモデルの適用によって~0.1°Cまで低下し,地域の気象事象で示したアプローチの潜在的有用性を示唆した。しかし,バイアスはモデルの適用によっていくつかのサイトで増加し,従って,更なる改良が実際の使用に不可欠であることを意味する。(翻訳著者抄録)

シソーラス用語： *機械学習 ,  北海道 ,  *平均気温 ,  バイアス ,  *気温分布 ,  気象データ ,  測候所 ,  放射冷却 ,  空気 ,  大気 ,  温度分布 ,  気温 ,  境界層 ,  地理学 ,  地形 ,  誤差 ,  多モード
準シソーラス用語： マルチモーダル ,  二乗平均平方根誤差 ,  寒気【気象】 ,  気象観測所 ,  地理 ,  日平均気温

著者キーワード (5件)： 境界層風 ,  ダウンスケーリング ,  地理学 ,  メソアルファスケール気象学 ,  トポグラフィー

分類 (1件)： 農業気象  (DC05030Z)

引用文献 (49件)：

• Allaire J, Chollet F, 2018: Keras: R interface to ‘keras’.
• Allaire J, Tang Y, 2018: Tensorflow: R interface to ‘tensorflow’.
• Ashworth E, Wisniewski M, 1991: Response of fruit tree tissues to freezing temperatures. HortScience 26, 501-504.
• Baño-Medina J, Manzanas R, Gutiérrez JM, 2019: Configuration and intercomparison of deep learning neural models for statistical downscaling. Geoscientific Model Development Discussions https://doi.org/10.5194/gmd-2019-278, in review.
• Dong C, Loy CC, He K, Tang X, 2014: Image super-resolution using deep convolutional networks. arXiv abs/ 1501.00092.\n

タイトルに関連する用語 (7件)： マルチモーダル ,  機械学習 ,  北海道 ,  冬季 ,  補間 ,  日平均気温 ,  バイアス