文献

J-GLOBAL ID：202202288730879960   整理番号：22A0910655

対流スケールモデルのパラメータ推定のためのデータ同化と機械学習の結合【JST・京大機械翻訳】

Combining data assimilation and machine learning to estimate parameters of a convective-scale model

著者 (2件)： Legler S. (Meteorological Institute, Ludwig-Maximilians-Universitaet Muenchen, Munich, Germany) ,  Janjic T. (Meteorological Institute, Ludwig-Maximilians-Universitaet Muenchen, Munich, Germany)
資料名： Quarterly Journal of the Royal Meteorological Society  (Quarterly Journal of the Royal Meteorological Society)
巻： 148  号： 743  ページ： 860-874  発行年： 2022年 
JST資料番号： D0478A  ISSN： 0035-9009  CODEN： QJRMAM  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： 対流透過数値気象予測モデルにおける雲の表現における誤差を,異なる源によって導入することができた。これらは,強制と境界条件,湿度と温度の発展を決定する数値スキームの精度,しかし,大きな寄与は,マイクロ物理学のパラメータ化と,表面と境界層におけるプロセスのパラメータ化による。これらのスキームは,典型的には物理的あるいは粗に知られていないいくつかの調整可能なパラメータを含み,モデル誤差をもたらす。伝統的に,これらのモデルパラメータの数値を手動モデル調整によって選択した。より客観的に,それらはデータ同化中の拡張状態アプローチによる観測から推定できる。代わりに,本研究では,2種類の人工ニューラルネットワーク(ANN)の訓練による人工知能レンズによるパラメータ推定の問題を調べ,大気状態の観測または解析の関数として,一次元修正浅水モデルのいくつかのパラメータを推定した。完全モデル実験を通して,Bayesニューラルネットワーク(BNN)と点推定ニューラルネットワーク(NN)のBayes近似がモデルパラメータとその関連統計量を推定できることを示した。状態に対するデータ同化と組み合わせたパラメータの推定は,スパースで雑音の多い観測を同化する場合でも,初期状態誤差を低減する。アンサンブルメンバーの数,観測範囲およびニューラルネットワークサイズに対する感度を示した。さらに,ANNがどのように学習しているかの洞察を得るために,層ごとの関連性伝播の方法を使用し,それらが,選択したパラメータの予測を行うために,強い風と雨を受ける少数の格子点だけを自然に選択することを発見した。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 境界層 ,  雑音 ,  *対流 ,  レンズ ,  観測 ,  湿度 ,  ニューラルネットワーク ,  近似法 ,  境界条件 ,  一次元 ,  *パラメータ推定 ,  *パラメータ ,  *データ同化 ,  予測モデル
準シソーラス用語： モデルパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： Bayesニューラルネットワーク ,  対流規模データ同化 ,  EnKF ,  層別関連性伝搬 ,  パラメータ推定

分類 (1件)： 天気予報  (DC05020O)

タイトルに関連する用語 (5件)： 対流 ,  スケールモデル ,  パラメータ推定 ,  データ同化 ,  機械学習