文献

J-GLOBAL ID：202202268641739720   整理番号：22A0729816

湖表面水温を予測するための機械学習の利用に対する重要因子【JST・京大機械翻訳】

Critical factors for the use of machine learning to predict lake surface water temperature

著者 (2件)： Yousefi Azadeh (Department of Civil, Environmental and Mechanical Engineering, University of Trento, Italy) ,  Toffolon Marco (Department of Civil, Environmental and Mechanical Engineering, University of Trento, Italy)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 606  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： 機械学習(ML)に基づくモデルは,湖における水温予測の問題,生態系のための重要な変数および気候変動の代理を含む科学および実際的応用の全ての分野を浸透する。ここでは,この分野で最も使用されたMLアルゴリズムをレビューし,ブラックボックス手法を採用する際に注意深く考慮されるべきいくつかの物理的制約を強調した。それらを説明するために,著者らは,入力と出力変数を完全に制御し,湖表面水温度(LSWT)に対する解析を制限する,物理ベースモデルによりシミュレートした温帯湖を表す人工事例研究を参照した。3つの主な要因は,MLモデルによるLSWTの成功した予測に関連する:予測子の選択(ほとんど,気象変数),それらの前処理(試験3つのアプローチ),および特定のMLアルゴリズム(9つの異なるアルゴリズム)。適切な物理的入力を選択することが,最も重要な役割を果たすことを示した。事例研究では,数値モデルの製品であり,実際の湖ではなく,許容できる結果を得るために必要な最小量の情報は,気温(AT)と年の日を考慮することである。追加予測子の使用は性能を大きく改善しなかった(RMSEの相対的改善は試験データセットに対して7.75%であった)。また,通常のケースよりも良い結果が,時間窓を平均化する前処理空気温度データ,あるいはモデルの入力として以前の日からの値を含めて得られることを示した。強制(AT)の最近の歴史を考慮して,大きな水質量が,湖の深さに依存して変化する,それらの熱応答(以前の日からATによっても影響を受ける)における「フィルタ」として作用する湖を作る物理的事実に従うことができる。結局,著者らは,同じ入力(人工ニューラルネットワークがわずかに良い結果を持つ)を使用するとき,単一最適MLアルゴリズムに関する明確な答えを発見せず,物理的動力学への洞察が,MLの成功した開発にとって,まだ最も重要な要因であることを示唆した。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： アルゴリズム ,  気温 ,  水質 ,  気象 ,  ニューラルネットワーク ,  *水温 ,  *湖沼 ,  気候変動 ,  温帯 ,  モデル ,  生態系 ,  事例研究 ,  *機械学習
準シソーラス用語： 数値モデル ,  予測子 ,  *湖 , 【Automatic Indexing@JST】

著者キーワード (6件)： 機械学習 ,  湖表面水温(LSWT) ,  湖の熱応答 ,  気象強制 ,  熱容量 ,  湖の深度

分類 (2件)： 湖沼学,河川学  (DC07050J) ,  湖沼汚濁  (SB02030Q)

タイトルに関連する用語 (4件)： 湖 ,  予測 ,  機械学習 ,  因子