文献

J-GLOBAL ID：202002285161651486   整理番号：20A1107674

限られた気候データからの日基準蒸発散量予測のための極端学習機械によるハイブリッド粒子群最適化【JST・京大機械翻訳】

Hybrid particle swarm optimization with extreme learning machine for daily reference evapotranspiration prediction from limited climatic data

著者 (7件)： Zhu Bin (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Feng Yu (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Feng Yu (Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Gong Daozhi (Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Jiang Shouzheng (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Zhao Lu (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China) ,  Cui Ningbo (State Key Laboratory of Hydraulics and Mountain River Engineering & College of Water Resource and Hydropower, Sichuan University, Chengdu, China)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 173  ページ： Null  発行年： 2020年 
JST資料番号： T0337A  ISSN： 0168-1699  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： 参照蒸発散量(ET_o)の正確な予測は,農業における作物水需要と灌漑スケジューリングの決定,ならびに水文学における水資源管理にとって重要である。本研究において,粒子群最適化(PSO)アルゴリズムを用いて,極端な学習機械(ELM)モデルのパラメータを最適に決定し,新しいハイブリッドPSO-ELMモデルを,限られた入力データを有する中国北西部の乾燥地域における毎日のET_oを推定するために提案した。PSO-ELMモデルを,元のELM,人工ニューラルネットワーク(ANN)およびランダムフォレスト(RF)モデルと,6つの経験モデル(放射線,温度および物質移動ベースの経験モデルを含む)と比較した。3つの入力組合せを用いて,データ駆動モデルを開発した。それは,それぞれ,放射,温度,および物質移動ベースのモデルに対応した。結果は,機械学習モデルが,同じ入力による対応する経験的モデルと比較して,より正確なET_o推定を提供することを示した。ハイブリッドPSO-ELMモデルは,統計結果によって示されるように,毎日のET_o推定のための他のモデルより良い性能を示した。放射に基づく機械学習モデルは温度および物質移動ベースの機械学習モデルより優れていたが,温度ベースのPSO-ELMモデルは気温データのみが利用可能な場合に妥当な結果を得た。これは温度データを用いて将来のET_oを予測するための有望なモデルと考えられた。全体として,PSO-ELMモデルは,他の機械学習および経験モデルより優れており,したがって,中国北西部の乾燥地域における限られた入力で,毎日のET_oを予測するために推奨された。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： アルゴリズム ,  物質移動 ,  気温 ,  スケジューリング ,  灌漑 ,  農作物 ,  ニューラルネットワーク ,  水需要 ,  *蒸発散 ,  乾燥地帯 ,  *蒸発散量 ,  機械学習
準シソーラス用語： *粒子群最適化 ,  水資源管理 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (5件)： 粒子群最適化 ,  極端学習機械 ,  ランダムフォレスト ,  基準蒸発散 ,  モデリング

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 気候データ ,  基準蒸発散量 ,  予測 ,  極端学習機械 ,  粒子群最適化