文献

J-GLOBAL ID：202202233353996187   整理番号：22A0561085

アラスカにおけるSMAPとASCATデータを組み合わせた凍結/融解開始検出:機械学習アプローチ【JST・京大機械翻訳】

Freeze/thaw onset detection combining SMAP and ASCAT data over Alaska: A machine learning approach

著者 (4件)： Zhong Wen (School of Geodesy and Geomatics, Wuhan University, Wuhan, Hubei 430079, China) ,  Yuan Qiangqiang (School of Geodesy and Geomatics, Wuhan University, Wuhan, Hubei 430079, China) ,  Liu Tingting (The Chinese Antarctic Center of Surveying and Mapping, Wuhan University, Wuhan, Hubei 430079, China) ,  Yue Linwei (Faculty of Information Engineering, China University of Geosciences, Wuhan, Hubei 430079, China)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 605  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： 地球温暖化の文脈において,永久凍土は徐々に劣化する。クライオスフェアの不安定性に対処するために,季節的凍結融解サイクルのモニタリングを強化することは非常に重要である。現在,能動および受動マイクロ波リモートセンシングデータは,凍結/融解(F/T)開始検出に広く使用されている。能動および受動マイクロ波データの組み合わせを通して,精度を改善する可能性がある。組合せのための伝統的方法と比較して,機械学習アルゴリズムは,より強い非線形表現能力を持った。したがって,凍結/融解開始検出のためにマルチソースデータを結合するために機械学習を使用することが望ましい。本研究では,時間変化検出法を,予備検出のためにそれぞれSMAPデータとASCATデータに適用した。次に,ランダムフォレストアルゴリズム(RF)を用いて,凍結/融解開始をより正確に推定するために,活性部位観察と能動および受動マイクロ波データの予備結果を結合させた。この方法を2015年から2019年までのアラスカで得たデータで検証した。精度評価は,提案方法が凍結/融解開始検出の精度を効果的に改良できることを示した。凍結融解サイクルの予測分布は,凍結融解サイクルの変動が緯度に密接に関連していることを示した。一般に,機械学習に基づく提案方法は凍結融解状態監視の研究に有望である。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： マイクロ波 ,  *融解 ,  緯度 ,  永久凍土 ,  *凍結 ,  活性部位 ,  経時変化 ,  検出法 ,  アラスカ州 ,  不安定性 ,  地球温暖化 ,  *機械学習 ,  学習アルゴリズム ,  凍結融解
準シソーラス用語： 精度評価 , 【Automatic Indexing@JST】

著者キーワード (6件)： 機械学習 ,  マルチソースデータ ,  凍結融解の開始 ,  SMAP ,  ASCAT ,  アラスカ

分類 (3件)： 農業土木  (FB02000W) ,  水文学一般  (DC07010R) ,  土壌物理  (FB04030R)

タイトルに関連する用語 (5件)： アラスカ ,  SMAP ,  凍結 ,  融解 ,  機械学習