文献

J-GLOBAL ID：202202227216758674   整理番号：22A0919032

空間深層学習ネットワークに基づく短期洪水予測:中国,Xi郡の事例研究【JST・京大機械翻訳】

A short-term flood prediction based on spatial deep learning network: A case study for Xi County, China

著者 (6件)： Chen Chen (State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an 710071, China) ,  Jiang Jiange (State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an 710071, China) ,  Liao Zhan (State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an 710071, China) ,  Zhou Yang (Ministry of Water Resources of China, Beijing 101400, China) ,  Wang Hao (The Xi’an United Ride Intelligent Technology Co. Ltd., Xi’an 710071, China) ,  Pei Qingqi (State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an 710071, China)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 607  ページ： Null  発行年： 2022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： 洪水は毎年世界中で大きな損害を引き起こす。洪水の正確でタイムリーな予測は,寿命と特性の損失を著しく最小化できる。最近,多くの機械学習モデルが洪水予測に使用され,その性能が従来の統計モデルよりも好ましいことを示した。しかし,既存のモデルは洪水発生と濃度を駆動する洪水の空間特徴を無視している。本論文では,関心領域を経度および緯度に基づくグリッドに分割し,観測所によって収集した降雨および流出を,ステーション座標に従ってテンソルに結合させた。一次元時系列と異なり,入力特徴は空間情報を有する二次元時系列である。したがって,長い短期メモリネットワーク(LSTM)と畳込みニューラルネットワーク(CNN)を結合して,著者らは,水文学的情報の時空間特徴を抽出するために,畳込みLSTM(ConvLSTM)を提案した。この方法論を,中国河南省のHuai川に位置するXi郡観測所で集めた水文データを用いて実証した。数値結果は,到着時間の相対誤差が30%以内であり,ピーク放電の相対誤差が20%以内であり,2005年の中国水資源基準が洪水予測許容誤差を満たすことを示した。また,実験は,ConvLSTMが洪水到着時間とピーク放電に関して最近のモデルより優れていて,それによって有望な代替案を証明した。Copyright 2022 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 ,  テンソル ,  放電 ,  降雨 ,  *洪水 ,  *洪水予報 ,  *ネットワーク ,  緯度 ,  観測所 ,  時空 ,  統計模型 ,  二次元 ,  一次元 ,  *事例研究 ,  機械学習

著者キーワード (4件)： 洪水予測 ,  時空間特性 ,  ConvLSTM ,  深層学習

分類 (2件)： 流出解析  (DC07030N) ,  水文学一般  (DC07010R)

タイトルに関連する用語 (5件)： 深層学習 ,  短期 ,  洪水予測 ,  中国 ,  研究