文献

J-GLOBAL ID：202102236119567832   整理番号：21A3308170

物理的関係の学習における深層学習モデルの能力:LSTMによる降雨-流出モデリングの事例【JST・京大機械翻訳】

Capabilities of deep learning models on learning physical relationships: Case of rainfall-runoff modeling with LSTM

著者 (8件)： Yokoo Kazuki (Graduated School of Science and Technology, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan) ,  Ishida Kei (International Research Organization for Advanced Science and Technology, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan) ,  Ishida Kei (Center for Water Cycle, Marine Environment, and Disaster Management, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan) ,  Ercan Ali (Department of Civil and Environmental Engineering, University of California, Davis, One Shields Avenue, Davis, CA 95616, USA.) ,  Tu Tongbi (School of Civil Engineering, Sun Yat-Sen University, Guangzhou 510275, China) ,  Nagasato Takeyoshi (Graduated School of Science and Technology, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan) ,  Kiyama Masato (Faculty of Advanced Science and Technology, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan) ,  Amagasaki Motoki (Faculty of Advanced Science and Technology, Kumamoto University, 2-39-1 Kurokami, Kumamoto 860-8555, Japan)
資料名： Science of the Total Environment  (Science of the Total Environment)
巻： 802  ページ： Null  発行年： 2022年 
JST資料番号： C0501B  ISSN： 0048-9697  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究では,深層学習法が入出力データの間で同定できる関係を調べた。事例研究として,長い短期メモリ(LSTM)ネットワークによる雪卓越流域における降雨流出モデリングを選択した。日降水量と平均気温をモデル入力として用いて日流量を推定した。モデル訓練と検証の後,入力に対する訓練モデルの応答を明らかにするために,観測された気象データの代わりに仮想入力を用いて2つの実験シミュレーションを行った。最初の数値実験は,入力降水なしでさえ,訓練されたモデルは,雪の融解期間の間に,流れ流出,特に冬の低流量と高流量を発生したことを示した。また,流れ放出に及ぼすより温暖な条件の影響を,降水のない訓練モデルによって再現した。さらに,このモデルは,全年間流量における積雪期間中の全降水質量の17~39%だけを反映し,水質量保存の強い欠如を明らかにした。本研究の結果は,深い学習法が入力と目標変数の間の明示的な物理的関係を適切に学習しないかもしれないが,それらはまだ強い適合結果を維持することが可能であることを示した。Copyright 2021 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： 記憶装置 ,  シミュレーション ,  *降雨 ,  降水 ,  *学習 ,  ネットワーク ,  流量 ,  流域 ,  気象データ ,  事例研究 ,  平均気温
準シソーラス用語： 雪 ,  数値実験 ,  日流量 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 長期短期記憶(LSTM)ネットワーク ,  降雨流出モデリング ,  物理的関係

分類 (5件)： その他の汚染原因物質  (SB05040W) ,  環境問題  (SA01020V) ,  水質汚濁一般  (SB02010U) ,  湖沼学,河川学  (DC07050J) ,  河川汚濁  (SB02020F)

タイトルに関連する用語 (9件)： 物理 ,  学習 ,  深層学習 ,  モデル ,  能力 ,  LSTM ,  降雨 ,  流出 ,  モデリング