文献

J-GLOBAL ID：202102213142169270   整理番号：21A2455153

機械学習クラスタリングを用いたスペクトルUV測定からの自動エアロゾル分類【JST・京大機械翻訳】

Automated Aerosol Classification from Spectral UV Measurements Using Machine Learning Clustering

著者 (6件)： Siomos Nikolaos (Laboratory of Atmospheric Physics, Physics Department, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece) ,  Fountoulakis Ilias (Laboratory of Atmospheric Physics, Physics Department, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece) ,  Fountoulakis Ilias (Aosta Valley Regional Environmental Protection Agency (ARPA), 11020 Saint-Christophe, Italy) ,  Natsis Athanasios (Laboratory of Atmospheric Physics, Physics Department, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece) ,  Drosoglou Theano (Laboratory of Atmospheric Physics, Physics Department, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece) ,  Bais Alkiviadis (Laboratory of Atmospheric Physics, Physics Department, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 6  ページ： 965  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本研究では,ギリシアのテサロニキにおける1998年2017年間の二重モノクロメータBrewer分光光度計の測定に基づくエアロゾル分類技術を示した。機械学習クラスタリング手順をMahalanobis距離計量に基づいて適用した。分類プロセスは,340nmでのUV単一散乱Albedo(SSA)と,分光光度計から得た320360nmのExtinction Angstrom Expector(EAE)を利用した。分析は,Brewer測定の訓練データセットを確立するために配備されたCIMEL太陽測光計からの測定によって支持される。Mahalanobis距離アルゴリズムをBrewer時系列に適用することにより,次のクラスタの一つ,すなわち,微細非吸収混合物(FNA):64.7%,ブラックカーボン混合物(BC):17.4%,ダスト混合物(DUST):8.1%,および混合:9.8%における測定を自動的に帰属した。訓練データセットを再分類し,元のものと比較し,また手動で分類された事例を用いて,アルゴリズムのクラスタリングポテンシャルを調べた。Mahalanobisアルゴリズムのタイピングスコアは,訓練データセットと比較して,すべての優勢なクラスタFNA:77.0%,BC:63.9%,およびDUST:80.3%に対して高かった。手動で分類されたデータセットと比較するとき,FNA:100.0%,BC:66.7%,およびDUST:83.3%の高いスコアを得た。ここで得られたフラッグを,2つとストレスの間で比較するために,BrewerとCIMELの340nmでのエアロゾル光学的深さ(AOD)の時系列に適用し,また,ステーションの気候学研究における提案したクラスタ化技術の将来の影響も応力した。Copyright 2021 The Author(s) 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 ,  *エアロゾル ,  測光 ,  太陽 ,  分光光度計 ,  モノクロメータ ,  カーボンブラック ,  塵埃 ,  気候学 ,  *スペクトル ,  *クラスタ化 ,  *クラスタ ,  *機械学習
準シソーラス用語： 訓練データ ,  Mahalanobis距離 , 【Automatic Indexing@JST】

著者キーワード (5件)： エアロゾル分類 ,  クラスタリング ,  機械学習 ,  分光光度計 ,  太陽光度計

分類 (1件)： 放射,大気光学  (DC05080C)

引用文献 (61件)：

• Hess, M.; Koepke, P.; Schult, I. Optical Properties of Aerosols and Clouds: The Software Package OPAC. Bull. Am. Meteorol. Soc. 1998, 79, 831-844.
• Kelly, F.J.; Fussell, J.C. Size, source and chemical composition as determinants of toxicity attributable to ambient particulate matter. Atmos. Environ. 2012, 60, 504-526.
• Hair, J.W.; Hostetler, C.A.; Cook, A.L.; Harper, D.B.; Ferrare, R.A.; Mack, T.L.; Welch, W.; Izquierdo, L.R.; Hovis, F.E. Airborne High Spectral Resolution Lidar for profiling aerosol optical properties. Appl. Opt. 2008, 47, 6734-6752.
• Chiliński, M.T.; Markowicz, K.M.; Zawadzka, O.; Stachlewska, I.S.; Lisok, J.; Makuch, P. Comparison of Columnar, Surface, and UAS Profiles of Absorbing Aerosol Optical Depth and Single-Scattering Albedo in South-East Poland. Atmosphere 2019, 10, 446.
• Hamill, P.; Giordano, M.; Ward, C.; Giles, D.; Holben, B. An AERONET-based aerosol classification using the Mahalanobis distance. Atmos. Environ. 2016, 140, 213-233.

タイトルに関連する用語 (5件)： 機械学習 ,  クラスタリング ,  スペクトル ,  エアロゾル ,  分類