文献

J-GLOBAL ID：202102244302190810   整理番号：21A2436478

ランダム森林空間内挿【JST・京大機械翻訳】

Random Forest Spatial Interpolation

著者 (5件)： Sekulic Aleksandar (Department of Geodesy and Geoinformatics, Faculty of Civil Engineering, University of Belgrade, Bulevar kralja Aleksandra 73, 11000 Belgrade, Serbia) ,  Kilibarda Milan (Department of Geodesy and Geoinformatics, Faculty of Civil Engineering, University of Belgrade, Bulevar kralja Aleksandra 73, 11000 Belgrade, Serbia) ,  Heuvelink Gerard B.M. (Department of Environmental Sciences, Soil Geography and Landscape Group, Wageningen University, Droevendaalsesteeg 3, 6708 PB Wageningen, The Netherlands) ,  Nikolic Mladen (Faculty of Mathematics, University of Belgrade, Studentski trg 16, 11000 Belgrade, Serbia) ,  Bajat Branislav (Department of Geodesy and Geoinformatics, Faculty of Civil Engineering, University of Belgrade, Bulevar kralja Aleksandra 73, 11000 Belgrade, Serbia)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 10  ページ： 1687  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： 数十年間,逆距離重みづけと最近傍補間のようなクリギングと決定論的補間技術は,最も一般的な空間補間技術である。外部ドリフトと回帰クリギングによるクリギングは,空間的自己相関と共変量情報の両方から利益を得る基本的技術になった。より最近では,ランダムフォレストや勾配ブースティングのような機械学習技術がますます普及し,現在,空間補間にしばしば用いられる。機械学習において空間成分を明示的に考慮するために,いくつかの試みがなされてきたが,これまで,これらのアプローチのどれも,共変量として予測位置への最も近い観察とそれらの距離を取り入れる自然ルートを取り入れた。本研究では,ランダム森林空間補間(RFSI)を導入することによって,予測位置から最も近い位置とその距離での観測を含む価値を調べた。RFSIを決定論的補間法,通常のクリギング,回帰クリギング,ランダム森林およびランダム森林を3つの事例研究で空間予測(RFsp)と比較した。最初の事例研究は,通常のクリギングが最適であることが知られている既知のセミバリオグラムを有する通常分布した定常ランダム場からのシミュレーション,すなわち,合成データを利用した。第2と第3の事例研究は,カタロニア,スペインの20162018年の日降水量データとクロアチアの2008年の平均日気温を用いて,様々な補間法の性能を評価した。合成事例研究の結果は,RFSIが,最も単純な決定論的補間技術より優れ,逆距離重みづけとRFspと同様の性能を有することを示した。予想通り,クリギングは合成事例研究で最も正確な技術であった。降水と温度の事例研究では,RFSIは回帰クリギング,逆距離重み付け,ランダム森林,およびRFspをほとんど凌駕した。さらに,RFSIは,特に訓練データセットが大規模で高分解能予測マップがなされた場合,RFspよりも実質的に速かった。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： 気温 ,  降水 ,  *内挿法 ,  スペイン ,  ドリフト ,  事例研究 ,  重みづけ ,  高分解能 ,  クロアチア共和国 ,  機械学習 ,  クリギング
準シソーラス用語： 訓練データ ,  ブースティング ,  *ランダムフォレスト ,  共変量 , 【Automatic Indexing@JST】

著者キーワード (6件)： 空間補間 ,  機械学習 ,  ランダムフォレスト ,  クリギング ,  日降水量 ,  日気温

分類 (2件)： 統計学  (AB08000H) ,  水文学一般  (DC07010R)

引用文献 (59件)：

• Thiessen, A.H. Precipitation averages for large areas. Mon. Weather Rev. 1911, 39, 1082-1089.
• Willmott, C.J.; Rowe, C.M.; Philpot, W.D. Small-Scale Climate Maps: A Sensitivity Analysis of Some Common Assumptions Associated with Grid-Point Interpolation and Contouring. Am. Cartogr. 1985, 12, 5-16.
• Chorley, R.J.; Haggett, P. Trend-Surface Mapping in Geographical Research. Trans. Inst. Br. Geogr. 1965, 37, 47-67.
• Matheron, G. Principles of geostatistics. Econ. Geol. 1963, 58, 1246-1266.
• Goovaerts, P. Geostatistics for Natural Resources Evaluation; Oxford University Press: Oxford, UK, 1997.

タイトルに関連する用語 (2件)： 森林 ,  内挿