文献

J-GLOBAL ID：202202262018392986   整理番号：22A0919031

衛星と地上ベースデータで訓練された全蒸発推定のためのハイブリッド深層学習長期記憶ネットワークモデルの開発と評価【JST・京大機械翻訳】

Development and evaluation of hybrid deep learning long short-term memory network model for pan evaporation estimation trained with satellite and ground-based data

著者 (5件)： Lakmini Prarthana Jayasinghe W.J.M. (School of Mathematics, Physics and Computing, University of Southern Queensland, Springfield, QLD 4300, Australia) ,  Deo Ravinesh C (School of Mathematics, Physics and Computing, University of Southern Queensland, Springfield, QLD 4300, Australia) ,  Ghahramani Afshin (Centre for Sustainable Agricultural Systems, University of Southern Queensland, Toowoomba, QLD 4500, Australia) ,  Ghimire Sujan (School of Mathematics, Physics and Computing, University of Southern Queensland, Springfield, QLD 4300, Australia) ,  Raj Nawin (School of Mathematics, Physics and Computing, University of Southern Queensland, Springfield, QLD 4300, Australia)
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： 地球水文サイクル内のコアプロセスとしての蒸発は,農業,灌漑システムおよびダム運用における意思決定のために,また水文学および水資源管理の他の地域において,その変動をモニターするための信頼できる方法を必要とする。パン蒸発(E_p)の正確なモニタリングは蒸発プロセスを理解するための最も一般的なアプローチである。本研究は,オーストラリア(Amberley,Gatton,Oakey,およびTownsville)の干ばつ傾向地域におけるEpを予測するために,特徴選択のための近隣成分分析と結合したハイブリッドLong Short-Term記憶(LSTM)予測モデルの構築を目的とする。1日規模データセット(2002年8月31日~2020年9月22日)を用いて,NCA-LSTMとして表示した提案深層学習(DL)ハイブリッドモデルの性能を,競合ベンチマークモデル,すなわち独立LSTM,他のタイプのDL,単一隠れ層ニューロンアーキテクチャおよび決定木ベース法と比較した。試験結果は,Amberley,GattonおよびOakeyサイトに対して試験したNCA-LSTMハイブリッドモデル(ベンチマークモデルに対して相対)によって達成された最低相対根平均二乗誤差≦20%,絶対比率Bias≦14.5%および最高Kling-Gupta効率≧87%を明らかにした。予測効率に関して,提案したNCA-LSTMハイブリッドモデルは,特徴選択によって改良して,すべてのベンチマークモデルより優れて,毎日のE_pの予測における将来の有用性を示した。実際的意味において,E_p推定のために開発した予測モデルは,水文学的サイクルにおける蒸発水損失の正確な推定を提供し,従って,灌漑管理,灌漑ベース農業の計画,および農業および関連部門への財政損失の軽減に実行でき,水資源の定期的監視および予測が持続可能な生活およびビジネスの不可欠な部分である。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： *蒸発 ,  意思決定 ,  *ネットワーク ,  水資源 ,  水循環 ,  灌漑 ,  ダム ,  水文学 ,  干ばつ ,  *モデル ,  ベンチマーク ,  予測モデル
準シソーラス用語： 隠れ層 ,  ハイブリッドモデル ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： パン蒸発の予測 ,  長期短期記憶ネットワーク ,  近傍成分分析 ,  深層学習 ,  ハイブリッドモデル ,  蒸発水損失

分類 (1件)： 水文学一般  (DC07010R)

タイトルに関連する用語 (10件)： 衛星 ,  地上 ,  訓練 ,  蒸発 ,  推定 ,  深層学習 ,  長期記憶 ,  ネットワークモデル ,  開発 ,  評価