文献

J-GLOBAL ID：202202236027148074   整理番号：22A0203750

DeepDT:高分解能気候予測のための生成敵対ネットワーク【JST・京大機械翻訳】

DeepDT: Generative Adversarial Network for High-Resolution Climate Prediction

著者 (7件)： Cheng Jianxin (School of Computer, Wuhan University, Wuhan, China) ,  Liu Jin (School of Computer, Wuhan University, Wuhan, China) ,  Kuang Qiuming (Public Weather Services Center, China Meteorological Administration (CMA), Beijing, China) ,  Xu Zhou (School of Big Data and Software Engineering, Chongqing University, Chongqing, China) ,  Shen Chenkai (School of Computer, Wuhan University, Wuhan, China) ,  Liu Wang (School of Computer, Wuhan University, Wuhan, China) ,  Zhou Kang (School of Computer, Wuhan University, Wuhan, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.1001105.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 気候予測は様々な気象要因に影響されやすく,ダウンスケーリング技術は高分解能気候予測に用いられる。この技術は大規模気候出力情報から小規模地域気候予測を発生できる。画像超解像の概念に触発されて,著者らはダウンスケーリング技術に畳み込みニューラルネットワーク(CNN)を適用することを提案した。しかし,いくつかの不快なアーチファクトは,既存のCNNベースのモデルによって生成された最終気候画像に常に現れる。これらの不快なアーチファクトをさらに除去するために,深いDTと呼ばれる生成敵対ネットワークのための新しい訓練戦略を提示する。深いDTの重要なアイデアは,発電機と識別器を別々に訓練することである。より具体的には,入力の特徴を完全に抽出するために,基本フレーム構造として残差イン残留高密度ブロックを適用する。さらに,訓練可能な気候画像を生成するために多重気候要素を融合するためにCNNモデルを革新的に使用し,高品質気候データセットを構築した。最後に,提案した気候データセットを用いて深いDTを評価し,実験は,深いDTが気候予測におけるほとんどのCNNベースモデルと比較して最良に機能することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 弁別器 ,  *ネットワーク ,  残差 ,  *気候 ,  気象要素 ,  多重化 ,  超解像 ,  *高分解能 ,  アーチファクト
準シソーラス用語： 気候値 ,  高密度 ,  高品質 ,  *気候予報 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 高分解能 ,  気候予測 ,  敵対