抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
全水循環にわたる水文変数の予測は,水資源管理ならびに生態系や水質モデリングのような下流応用に対して有意な価値を持つ。最近,長い短期記憶(LSTM)のような純粋データ駆動深層学習モデルは,降雨-流出と他の地球科学的変数のモデリングにおいて,一見できる性能を示しているが,未訓練の物理的変数を予測できず,解釈するのは困難なままである。ここでは,微分可能,学習可能,プロセスベースモデル(ここでは,ここで,ここで)が,地域化パラメタリゼーションによる集中的に観測された変数(ストリームフロー)に対するLSTMの性能レベルに近づくことを示した。バックボーンとして簡単な水文モデルHBVを使用し,埋込みニューラルネットワークを用いて,プロセスベースモデルモジュールをパラメータ化,強化,または置換するために,微分可能なプログラミングフレームワークで訓練できるだけであった。アンサンブルまたはポストプロセッサを使用せずに,Daymet強制データセットに対するUSAの671流域に対して,同じセットアップを有する最先端のLSTMモデルからの0.748と比較して,ΔΣモデルは,中央値Nash Sutcliffe効率0.732を取得できる可能性がある。”Daymet強制データセット”は,Daymet強制データセットに対して,671の流域に対して,0.732の中央値Nash Sutcliffe効率を得ることができた。別の強制データセットに対して,その差はさらに小さい:0.715対0.722。一方,得られた学習可能なプロセスベースのモデルは,非訓練変数,例えば,土壌と地下水貯留,積雪,蒸発散,および基底流の完全なセットを出力することができ,その後,それらの観測によって制約される。シミュレートされた蒸発散と基底流からの流量の分率は,代替推定値と一致して一致した。一般的フレームワークは,様々なプロセス複雑性を持つモデルと共に研究でき,大きなデータから物理を学習するための経路を開く。【JST・京大機械翻訳】
