文献

J-GLOBAL ID：202202217343989650   整理番号：22A0843676

深層学習を用いた海洋のエルニーニョ指数の特徴選択と時空間予測【JST・京大機械翻訳】

Feature Selection and Spatial-Temporal Forecast of Oceanic Nino Index Using Deep Learning

著者 (2件)： Jonnalagadda Jahnavi (Department of Information Sciences and Technology, George Mason University, 4400, University Drive, Fairfax, Virginia 22030, USA) ,  Hashemi Mahdi (Department of Information Sciences and Technology, George Mason University, 4400, University Drive, Fairfax, Virginia 22030, USA)
資料名： International Journal of Software Engineering and Knowledge Engineering  (International Journal of Software Engineering and Knowledge Engineering)
巻： 32  号： 1  ページ： 91-107  発行年： 2022年 
JST資料番号： W0383A  ISSN： 0218-1940  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： シンガポール (SGP)  言語： 英語 (EN)

抄録/ポイント： エルニーニョ南方振動(ENSO)は熱帯太平洋上の東風と海面水温(SST)の不規則な周期的振動による気候現象である。ENSOは地球の年年気候変動の主な駆動因子の一つであり,熱帯低気圧,激しい嵐,豪雨および干ばつの形で気候異常を引き起こす。地球気候に対するENSOの影響により,ENSO予測は非常に重要である。しかし,1年のリードタイムに対するENSOの予測精度は低い。ENSOイベントは,海洋性ニーニョ指数(ONI)によって予測され,これは,Nino3.4地域(5°N-5°S,120°W-170°W)上のSST異常の3か月走行平均である。ONIの決定に寄与するSST,海面圧力,帯状風速および子午線風速のような特徴を,空間または地理的格子上にマッピングし,そこでは各空間または地理的格子がスナップショットにおける1つの特徴の値を表す。すべての特徴の空間グリッドの判断は,スナップショットで層状マップを生成する。層状空間特徴マップを異なるスナップショットで構築して,それらはすべてCLSTMに供給して,1,3,6,9,12か月のリードタイムでONIを予測した。本研究では,一般化精度に基づく後方段階的特徴選択を用いて,最も効果的な特徴を見出した。SSTはONIを予測するための最良の特徴であることを示した。実験により,CLSTMは,決定係数([数式:原文を参照]),二乗平均平方根誤差(RMSE)および平均絶対誤差(MAE)に関して,畳込みニューラルネットワーク(CNN),Long Short-Termメモリ(LSTM)および標準ニューラルネットワーク(SNN)より優れていることを示した。より具体的には,CNNの27.6%,20.9%,25%および15.2%の[数式:原文を参照]値の改善を,それぞれ3,6,9および12か月のリードタイムで観察した。Copyright 2022 World Scientific Publishing Company All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 振動 ,  風速 ,  地球 ,  ニューラルネットワーク ,  気候 ,  豪雨 ,  干ばつ ,  海面水温 ,  *海洋 ,  気候変動 ,  太平洋 ,  調達期間 ,  *エルニーニョ ,  ENSO
準シソーラス用語： 予測精度 ,  熱帯太平洋 , 【Automatic Indexing@JST】

著者キーワード (4件)： 空間-時間予測 ,  特徴選択 ,  ENSOイベント ,  気候異常

分類 (2件)： 気候学,気候変動  (DC05140T) ,  海洋の構造・力学・循環  (DC06030G)

タイトルに関連する用語 (7件)： 深層学習 ,  海洋 ,  エルニーニョ ,  指数 ,  特徴選択 ,  時空間 ,  予測