文献

J-GLOBAL ID：202202288704862955   整理番号：22A0806389

効率的な人工ニューラルネットワークを用いたユーカリ生産性の推定【JST・京大機械翻訳】

Estimation of Eucalyptus productivity using efficient artificial neural network

著者 (5件)： de Oliveira Neto Ricardo Rodrigues (Department of Forest Engineering, Federal University of Vicosa, Vicosa, MG, Brazil) ,  Leite Helio Garcia (Department of Forest Engineering, Federal University of Vicosa, Vicosa, MG, Brazil) ,  Gleriani Jose Marinaldo (Department of Forest Engineering, Federal University of Vicosa, Vicosa, MG, Brazil) ,  Strimbu Bogdan M. (Department of Forest Engineering, Resources and Management, College of Forestry, Oregon State University, Corvallis, OR, USA) ,  Strimbu Bogdan M. (Faculty of Silviculture and Forest Engineering, Transilvania University of Brasov, Brasov, Romania)
資料名： European Journal of Forest Research  (European Journal of Forest Research)
巻： 141  号： 1  ページ： 129-151  発行年： 2022年 
JST資料番号： A1055A  ISSN： 1612-4669  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 環境データからの植林生産性の予測は,成長および収量プロセスを定義する複雑な関係によって挑戦される。人工ニューラルネットワーク(ANN)を用いて複雑な非線形相互関係をモデル化できるが,訓練アルゴリズムの選択とネットワークの構造とサイズによって挑戦される。本研究の目的は,生物,非生物,およびシルビカルデータからユーカリの生産性を推定するための効率的なANNを見出すことである。正確な解を供給するための処理時間としてANNの効率を定義した。ANNの1つ,主成分分析(PCA),およびANNの1つを,専用剪定法を通して,2つのステップでネットワークの効率を増加させる。異なるネットワーク構成をテストするために,ブラジルのMinas Geraisに位置する507のユーカリ植林地から7歳までのデータを使用した。ANN構成は隠れ層内のニューロン数,訓練アルゴリズムおよび剪定法の組合せである。各ANNを5回訓練し,結果に対する初期重量の影響を評価し,9000の組合せによる要因実験を導いた。最も正確な結果は,PCAでトリミングしたデータを使用してANNによって38.81sに供給され,4つのニューロンとMagnitude-based Pruning法によるスケール共役勾配アルゴリズムで訓練された。しかし,1%以下の精度損失(すなわち,2番目に正確な結果)は,同じANN構成を用いて1.7秒で得られたが,剪定は得られなかった。結果は,ユーカリ生産性の効率的な予測が,すべてのデータまたは最も複雑な訓練アルゴリズムを利用しないことを示す。提案した効率的なANNは既存のモデルと比較して最も正確な結果を与える。さらに,効率的なANNは,次元変数を含むいくつかのモデルよりも環境変数からより正確な結果を生成する。本研究は,ユーカリ人工林の収量のモデリングは,明確な土壌や気候変数が正確な結果を与えないので,大きな環境変数を用いて実行されるべきであることを示唆する。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 加工時間 ,  *ネットワーク ,  ニューロン ,  *ニューラルネットワーク ,  共役 ,  多元配置 ,  モデリング ,  *ユーカリ ,  人工林 ,  主成分分析 ,  ネットワークアーキテクチャ ,  学習アルゴリズム
準シソーラス用語： 隠れ層 ,  環境変数 ,  植林 , 【Automatic Indexing@JST】

著者キーワード (6件)： 主成分分析 ,  枝刈り法 ,  訓練アルゴリズム ,  隠れ層 ,  土壌属性 ,  気象属性

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 人工ニューラルネットワーク ,  ユーカリ ,  推定