文献

J-GLOBAL ID：202102267308533601   整理番号：21A2436684

アンサンブルベース機械学習を用いたRoss海における遠隔感知クロロフィルa濃度のデータ再構成【JST・京大機械翻訳】

Data Reconstruction for Remotely Sensed Chlorophyll-a Concentration in the Ross Sea Using Ensemble-Based Machine Learning

著者 (4件)： Park Jinku (Department of Oceanography, Pusan National University, Geumjeong-Gu, Busan 46241, Korea) ,  Kim Hyun-Cheol (Korea Polar Research Institute, Incheon 21990, Korea) ,  Bae Dukwon (Department of Oceanography, Pusan National University, Geumjeong-Gu, Busan 46241, Korea) ,  Jo Young-Heon (Department of Oceanography, Pusan National University, Geumjeong-Gu, Busan 46241, Korea)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 11  ページ： 1898  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： 低太陽高度,氷効果,固有植物プランクトン光合成パラメータ,海水の光学的複雑性および雲と霧の持続性のため,極域は,海洋色(OC)センサを用いて連続的に観測するには,あまりに過酷である。したがって,OCデータは品質制御プロセスを受け,最終的にかなりのデータ損失を伴う。南極,Ross海における多重データセット(衛星と再解析データセット)に基づく機械学習技術を用いて,クロロフィルa濃度(CHL)データに対するこれらの欠損値を再構成した。ランダムフォレスト(RF)と呼ばれるアンサンブルツリーに基づくこの技術を再構成に用いた。RFモデルの性能はロバストであり,再構成CHLデータは衛星測定と一致した。再構成されたCHLデータは,特定の技術(例えば,空間平均)なしで,OCの高い固有分解能を可能にした。したがって,植物プランクトン成長の時間スケールの変動性と同様に,ブルーム開始/停止タイミングとピークのような植物プランクトン動態の多重特性を定量的に研究できると信じる。さらに,再構築されたCHLは,in situデータと比較して,衛星観測よりも比較的高い精度を示したので,著者らの製品は,より正確なプランクトン研究を可能にするかもしれない。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： 品質管理 ,  *クロロフィルa ,  光合成 ,  プランクトン ,  海洋 ,  多重化 ,  *リモートセンシング ,  再構成 ,  極地 ,  植物プランクトン ,  センサ ,  ロバスト性 ,  *機械学習
準シソーラス用語： 衛星観測 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (5件)： データ再構成 ,  クロロフィルa濃度(CHL) ,  ランダムフォレスト(RF) ,  ロス海 ,  南極

分類 (1件)： リモートセンシング一般  (AD04000L)

引用文献 (50件)：

• Gregg, W.W.; Casey, N.W. Improving the consistency of ocean color data: A step toward climate data records. Geophys. Res. Lett. 2010, 37.
• Groom, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.K.; Chuprin, A.; et al. Satellite Ocean Colour: Current Status and Future Perspective. Front. Mar. Sci. 2019, 6, 30.
• Wang, Y.Q.; Liu, D.Y. Reconstruction of satellite chlorophyll-a data using a modified DINEOF method: A case study in the Bohai and Yellow seas, China. Int. J. Remote Sens. 2014, 35, 204-217.
• Stumpf, R.P. Applications of satellite ocean color sensors for monitoring and predicting harmful algal blooms. Hum. Ecol. Risk Assess. 2001, 7, 1363-1368.
• Yu, Y.; Chen, S.; Lu, T.; Tian, S. Coastal Disasters and Remote Sensing Monitoring Methods. Sea Level Rise Coast. Infrastruct. 2018, 119.

タイトルに関連する用語 (7件)： アンサンブル ,  ベース機械 ,  学習 ,  Ross海 ,  遠隔感知 ,  クロロフィルa ,  データ再構成