文献

J-GLOBAL ID：202202291664318508   整理番号：22A0229489

限られた水中調査により制約されたDEMデータからの湖測深と貯水のモデリング【JST・京大機械翻訳】

Modeling lake bathymetry and water storage from DEM data constrained by limited underwater surveys

著者 (2件)： Liu Kai (Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing, China) ,  Song Chunqiao (Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing, China)
資料名： Journal of Hydrology  (Journal of Hydrology)
巻： 604  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： 水資源管理に重要な情報を提供する湖測深は,水文学的,生態学的および地形学的研究において広く使用されてきた。従来の完全被覆湖野外調査のコストと周辺曝露地形から湖水中深さをモデル化する空間予測法の大きな不確実性によって制限されて,世界中の湖測深に関する知識は,不十分で,矛盾している。本研究は,限られた現場調査データを結合することによって,最適化空間予測方法を開発する方法を調査することによって,問題を解決することを目指した。2つの方法,すなわち,野外調査の制約のある湖水中領域に向けて曝露地形を拡張する骨格ベース補間法,および未知の水中領域の深度を予測するため,測定した水深と多重地理空間変数の間の決定規則を確立する機械学習法(XGBoost)を開発し,チベット高原の12の代表的湖で試験した。著者らの結果は,両方の方法が,測定したデータと比較して,水中地形の許容できる推定を提供できることを示唆し,平均R2は0.70であった。機械学習法(XGBoost)の全体的性能は,すべての湖事例で水体積推定において20%未満のバイアスで,より信頼性が高い。比較すると,骨格ベースの補間法は,長くて狭い形状の湖より優れている。本研究は,湖沼測深のモデル化および淡水質量変化のモニタリング能力の改善,特に厳しい環境における未観測湖に対する効率的なアプローチを提供することが期待される。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： 予測技法 ,  最適化 ,  信頼性 ,  不確実性 ,  被覆 ,  *湖沼 ,  水文学 ,  内挿法 ,  多重化 ,  水深 ,  生態学 ,  機械学習
準シソーラス用語： チベット高原 ,  水資源管理 ,  *湖 , 【Automatic Indexing@JST】

著者キーワード (6件)： 湖の測深 ,  水貯蔵 ,  DEM ,  現場調査 ,  空間予測 ,  機械学習

分類 (1件)： 湖沼学,河川学  (DC07050J)

タイトルに関連する用語 (8件)： 水中 ,  調査 ,  制約 ,  DEM ,  湖 ,  測深 ,  貯水 ,  モデリング