論文の概要: Modeling of Pan Evaporation Based on the Development of Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2110.04749v1
• Date: Sun, 10 Oct 2021 10:06:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-16 16:39:53.172395
• Title: Modeling of Pan Evaporation Based on the Development of Machine Learning Methods
• Title（参考訳）: 機械学習手法の開発に基づくパン蒸発のモデル化
• Authors: Mustafa Al-Mukhtar
• Abstract要約: 気温、風速、日照時間、湿度、太陽放射などの気候変化は蒸発過程に大きな影響を及ぼす可能性がある。 本研究の目的は、毎月のパン蒸発推定をモデル化するための機械学習(ML)モデルの有効性を検討することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For effective planning and management of water resources and implementation of the related strategies, it is important to ensure proper estimation of evaporation losses, especially in regions that are prone to drought. Changes in climatic factors, such as changes in temperature, wind speed, sunshine hours, humidity, and solar radiation can have a significant impact on the evaporation process. As such, evaporation is a highly non-linear, non-stationary process, and can be difficult to be modeled based on climatic factors, especially in different agro-climatic conditions. The aim of this study, therefore, is to investigate the feasibility of several machines learning (ML) models (conditional random forest regression, Multivariate Adaptive Regression Splines, Bagged Multivariate Adaptive Regression Splines, Model Tree M5, K- nearest neighbor, and the weighted K- nearest neighbor) for modeling the monthly pan evaporation estimation. This study proposes the development of newly explored ML models for modeling evaporation losses in three different locations over the Iraq region based on the available climatic data in such areas. The evaluation of the performance of the proposed model based on various evaluation criteria showed the capability of the proposed weighted K- nearest neighbor model in modeling the monthly evaporation losses in the studies areas with better accuracy when compared with the other existing models used as a benchmark in this study.
• Abstract（参考訳）: 水資源の効率的な計画・管理とそれに関連する戦略の実施には,特に干ばつがちな地域では,蒸発損失の適切な推定が重要である。 気温、風速、日照時間、湿度、太陽放射の変化などの気候要因の変化は蒸発過程に大きな影響を与える可能性がある。 このように、蒸発は高度に非線形で非定常な過程であり、特に異なるアグロ気候条件において、気候要因に基づいてモデル化することが困難である。 そこで本研究では,数種類の機械学習モデル(条件付きランダムフォレスト回帰,多変量適応回帰スプライン,タグ付き多変量適応回帰スプライン,モデルツリーM5,Knearest近傍,および重み付きK近傍)が,毎月のパン蒸発推定をモデル化する可能性について検討する。 本研究では,これらの地域で利用可能な気候データに基づいて,イラクの3つの異なる地域での蒸発損失をモデル化するためのMLモデルの開発を提案する。 様々な評価基準に基づき, 提案モデルの性能評価を行った結果, 評価指標として用いた他のモデルと比較して, 研究領域における月々蒸発損失を精度良くモデル化する上で, 重み付きk近傍モデルの有用性が示された。

関連論文リスト

• Are Deep Learning Methods Suitable for Downscaling Global Climate Projections? Review and Intercomparison of Existing Models [0.0]
  完全予後(PP)と地域気候モデル(RCM)エミュレーションは、世界的な気候変動予測を下方修正することを約束している。 エミュレータとは異なり、PPダウンスケーリングモデルは観測データに基づいて訓練されているため、未確認の条件や将来の排出シナリオの変化を確実に外挿できるかどうかには疑問が残る。 PPダウンスケーリングのための最新のDLモデルを特定し、共通の実験フレームワークを用いてその外挿能力を評価する。
  論文  参考訳（メタデータ） (2024-11-06T18:05:45Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
  大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。 本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
  論文  参考訳（メタデータ） (2024-09-10T06:16:03Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Embedding machine-learnt sub-grid variability improves climate model biases [0.44998333629984877]
  雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。 高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。 制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
  論文  参考訳（メタデータ） (2024-06-13T19:35:58Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• DiffESM: Conditional Emulation of Earth System Models with Diffusion Models [2.1989764549743476]
  地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。 拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
  論文  参考訳（メタデータ） (2023-04-23T17:12:33Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

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。