文献

J-GLOBAL ID：202202235424491737   整理番号：22A0367125

回帰学習器のアンサンブル学習による降雨洪水氾濫モデル・エミュレータ

EMULATING RAINFALL-RUNOFF-INUNDATION MODEL THROUGH ENSEMBLE LEARNING OF MULTIPLE REGULARIZED REGRESSORS

著者 (7件)： 小槻峻司 (千葉大学 環境リモートセンシング研究センター) ,  桃井裕広 (DoerResearch株式会社) ,  菊地亮太 (京都大学 産官学連携本部) ,  渡部哲史 (東京大学 大学院工学系研究科) ,  山田真史 (京都大学 防災研究所) ,  阿部紫織 (三井共同建設コンサルタント株式会社 河川・砂防事業部 水文・水理解析部) ,  綿貫翔 (株式会社建設環境研究所 河川計画部)
資料名： 土木学会論文集 B1(水工学)(Web)  (Journal of Japan Society of Civil Engineers, Ser. B1 (Hydraulic Engineering) (Web))
巻： 76  号： 2  ページ： I_367-I_372(J-STAGE)  発行年： 2020年 
JST資料番号： U0103B  ISSN： 2185-467X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 気象・気候分野で進められている大アンサンブル予測データの有効利用を目的に,降雨流出氾濫モデルのエミュレータを開発した.このエミュレータは,降雨の空間・時間分布から,降水イベントの最大浸水深を予測する.まず3種の正則化回帰学習器を作成し,Random Forestによるそれらのアンサンブル学習を行った.この構成は,劣決定問題における過学習回避と,弱学習器を複数とりまとめるスタッキングによる非線形変換という2つの役割を果たしている.最大浸水深の予測精度には,回帰学習器の正則化手法による違いは殆ど見られず,回帰学習器は深い最大浸水深を過小評価する傾向が見られた.複数の回帰学習器のスタッキングにより,学習器の予測精度が大幅に改善した.特に,回帰学習器に見られた最大浸水深の過小評価が大きく改善した.(著者抄録)

シソーラス用語： 学習機械 ,  *機械学習 ,  降雨 ,  *出水 ,  *エミュレータ ,  降水 ,  水位 ,  決定問題 ,  精度 ,  重合せ ,  正則化 ,  アンサンブル予報 ,  流出モデル ,  回帰分析
準シソーラス用語： *アンサンブル学習 ,  過学習 ,  洪水氾濫 ,  降雨流出 ,  浸水深 ,  非線形変換 ,  予測精度

著者キーワード (5件)： Emulator ,  RRI model ,  Random Forest ,  Regulerized Regressor ,  Inundation

分類 (2件)： 洪水対策  (RC12040I) ,  流出解析  (DC07030N)

引用文献 (10件)：

• 1) Mizuta R., and co-authors: Over 5,000 Years of Ensemble Future Climate Simulations by 60-km Global and 20-km Regional Atmospheric Models. Bull. Amer. Meteor. Soc., 98, 1383-1398, 2017.
• 2) 佐山敬洋,岩見洋一:降雨流出氾濫(RRI)モデルの開発と応用, 土木技術資料 56-6, pp1-4, 2014.
• 3) Johnson J. S., and co-authors : Evaluating uncertainty in convective cloud microphysics using statistical emulation. J. Adv. Modeling Earth Syst., Vol. 7, pp. 162-187, 2015.
• 4) Schiller H., and Doerffer R. : Neural network for emulation of an inverse model operational derivation of Case II water properties from MERIS data. Int. J. Remote Sens., Vol. 20, 1735-1746, 1999.
• 5) Weyn J. A., Durran D. R., Caruana R. : Can machines learn to predict weather? J. Adv. Modeling Earth Syst., Vol. 11, 2680-2693, 2019.

タイトルに関連する用語 (6件)： 学習 ,  アンサンブル学習 ,  降雨 ,  洪水氾濫 ,  モデル ,  エミュレータ