Fugu-MT 論文翻訳(概要): Modelling of daily reference evapotranspiration using deep neural network in different climates

論文の概要: Modelling of daily reference evapotranspiration using deep neural network in different climates

arxiv url: http://arxiv.org/abs/2006.01760v2
Date: Fri, 19 Jun 2020 20:17:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 23:36:05.848174
Title: Modelling of daily reference evapotranspiration using deep neural network in different climates
Title（参考訳）: 異なる気候下でのディープニューラルネットワークを用いた日常的基準蒸発散のモデル化
Authors: Atilla \"Ozg\"ur and Sevim Seda Yama\c{c}
Abstract要約: 本研究では,毎日のEToを推定するための人工知能ニューラルネットワーク(ANN)とディープニューラルネットワーク(DNN)モデルの性能について検討する。 Aksaray における SeLU アクティベーション関数 (P-DNN-SeLU) を用いた DNN モデルでは, 最高の性能が得られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precise and reliable estimation of reference evapotranspiration (ET o ) is an essential for the irrigation and water resources management. ET o is difficult to predict due to its complex processes. This complexity can be solved using machine learning methods. This study investigates the performance of artificial neural network (ANN) and deep neural network (DNN) models for estimating daily ET o . Previously proposed ANN and DNN methods have been realized, and their performances have been compared. Six input data including maximum air temperature (T max ), minimum air temperature (T min ), solar radiation (R n ), maximum relative humidity (RH max ), minimum relative humidity (RH min ) and wind speed (U 2 ) are used from 4 meteorological stations (Adana, Aksaray, Isparta and Ni\u{g}de) during 1999-2018 in Turkey. The results have shown that our proposed DNN models achieves satisfactory accuracy for daily ET o estimation compared to previous ANN and DNN models. The best performance has been observed with the proposed model of DNN with SeLU activation function (P-DNN-SeLU) in Aksaray with coefficient of determination (R 2 ) of 0.9934, root mean square error (RMSE) of 0.2073 and mean absolute error (MAE) of 0.1590, respectively. Therefore, the P-DNN-SeLU model could be recommended for estimation of ET o in other climate zones of the world.
Abstract（参考訳）: 基準蒸発散量 (et o) の正確かつ信頼性の高い推定は, 灌水・水資源管理に不可欠である。 ET oは複雑なプロセスのため予測が難しい。この複雑さは機械学習によって解決できる。本研究では,毎日のETを推定するための人工知能ニューラルネットワーク(ANN)とディープニューラルネットワーク(DNN)モデルの性能について検討する。従来提案されたANNとDNNの手法が実現され,性能が比較されてきた。 1999-2018年トルコの4つの気象観測所(Adana, Aksaray, Isparta, Ni\u{g}de)から, 最大気温(Tmax), 太陽放射(Rn), 最大相対湿度(RHmax), 最低相対湿度(RHmin), 風速(U2)を含む6つの入力データを用いた。その結果,提案したDNNモデルでは,従来のANNモデルやDNNモデルと比較して,毎日のET o推定に満足できる精度が得られた。 Aksaray における SeLU 活性化関数 (P-DNN-SeLU) を用いた DNN モデルにおいて,決定係数 (R2 ) が 0.9934 であり,根平均二乗誤差 (RMSE) が 0.2073 であり,平均絶対誤差 (MAE) が 0.1590 であることを示す。したがって、世界の他の気候帯におけるET oの推定には、P-DNN-SeLUモデルが推奨される。

関連論文リスト

Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
論文参考訳（メタデータ） (2024-06-08T04:23:21Z)
Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。 FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
論文参考訳（メタデータ） (2024-03-27T12:01:51Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文参考訳（メタデータ） (2022-03-03T19:56:24Z)
Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。この問題には適応モーメント推定アルゴリズムも用いられる。その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文参考訳（メタデータ） (2021-07-29T10:11:45Z)
Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文参考訳（メタデータ） (2021-06-21T23:42:58Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone Concentrations Fourteen Days in Advance [0.19573380763700707]
現在利用可能な空気質予測のための数値モデリングシステムは、事前に24時間から48時間予測することができる。畳み込みニューラルネットワーク(CNN)モデルに基づくモデリングシステムを開発した。本研究の主な目的は, オゾン濃度の時間変動の予測であるが, その他の汚染物質にも適用可能である。
論文参考訳（メタデータ） (2020-08-13T16:02:05Z)
Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
論文参考訳（メタデータ） (2020-07-20T06:24:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。