文献

J-GLOBAL ID：202102250487561528   整理番号：21A2442064

伝達学習を用いた深層学習モデルを用いた中国上の日SMAP衛星土壌水分予測の改善【JST・京大機械翻訳】

Improved daily SMAP satellite soil moisture prediction over China using deep learning model with transfer learning

著者 (6件)： Li Qingliang (College of Computer Science and Technology, Changchun Normal University, Changchun 130032, China) ,  Wang Ziyu (College of Computer Science and Technology, Changchun Normal University, Changchun 130032, China) ,  Shangguan Wei (Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Guangdong Province Key Laboratory for Climate Change and Natural Disaster Studies, School of Atmospheric Sciences, Sun Yat-sen University, Guangzhou 510275, China) ,  Li Lu (Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Guangdong Province Key Laboratory for Climate Change and Natural Disaster Studies, School of Atmospheric Sciences, Sun Yat-sen University, Guangzhou 510275, China) ,  Yao Yifei (College of Computer Science and Technology, Changchun Normal University, Changchun 130032, China) ,  Yu Fanhua (College of Computer Science and Technology, Changchun Normal University, Changchun 130032, China)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 600  ページ： Null  発行年： 2021年 
JST資料番号： C0584A  ISSN： 0022-1694  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： 土壌水分活性受動(SMAP)L4製品のための巧みな土壌水分(SM)は,生態系管理と精密農業を含む多くの実際的応用に対して,実質的な価値を提供できる。深層学習(DL)モデルは,SMのような水文変数の予測に対して強力な方法を提供する。しかし,SMAP製品中の毎日のSMのサンプルサイズは,非常に小さく,これは,過剰適合をもたらし,さらにDLモデルの精度に影響を与える可能性がある。これから,著者らは,優れた予測性能が,水文学的予測のために頻繁に使用される,畳込みニューラルネットワーク(CNN),長い短温度記憶(LSTM),および畳込みLSTM(ConvLSTM)モデルによって,限られたSMAPサンプルで達成できるかどうかを最初に試験した。次に,ソースドメイン(ERA5-ランド)でDLモデルを事前訓練し,ターゲットドメイン(SMAP)でそれらを微調整した。結果は,移動ConvLSTMモデルが,0.909から0.916までの最も高いR2と,3,5と7日のリードタイムのための0.0239から0.0247の範囲の最も低いRMSEを持ち,予測と観察されたSMの間の回帰線は,すべての他のDLモデルより理想線(y=x)に近いことを示した。転送DLモデルの全ての性能は,移動学習のないそれらの対応するDLモデルのものより良く,そして,いくつかの領域は,20%以上の説明変動を説明した。異なる因子(すなわち,遅れたSM,土壌温度,季節,および降水)の予測能力を,この論文で広く議論した。結果に従って,新たに構築したデータセットにおけるSM予測のためのDLモデルによるクロスソース転送学習の適用を提言した。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： 畳込み ,  降水 ,  *学習 ,  水文学 ,  *土壌水 ,  調達期間 ,  地温 ,  機械学習
準シソーラス用語： 精密農業 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 土壌水分 ,  深層学習 ,  転移学習 ,  小試料 ,  SMAP ,  機械学習

分類 (2件)： 土壌物理  (FB04030R) ,  水文学一般  (DC07010R)

タイトルに関連する用語 (8件)： 学習 ,  深層学習 ,  モデル ,  中国 ,  SMAP ,  衛星 ,  土壌水分 ,  予測