JP6798487B2 - シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体 - Google Patents
シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体 Download PDFInfo
- Publication number
- JP6798487B2 JP6798487B2 JP2017521698A JP2017521698A JP6798487B2 JP 6798487 B2 JP6798487 B2 JP 6798487B2 JP 2017521698 A JP2017521698 A JP 2017521698A JP 2017521698 A JP2017521698 A JP 2017521698A JP 6798487 B2 JP6798487 B2 JP 6798487B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- posterior distribution
- distribution
- simulation
- state vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims description 168
- 238000000034 method Methods 0.000 title claims description 26
- 238000009826 distribution Methods 0.000 claims description 371
- 239000013598 vector Substances 0.000 claims description 116
- 230000001939 inductive effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 description 103
- 238000004364 calculation method Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 16
- 238000013500 data storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000008641 drought stress Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明の第1の実施の形態としてのシミュレーション装置100について説明する。シミュレーション装置100は、物理法則に基づいた連続時間・空間の偏微分方程式を解くことによって時間発展を追うシミュレーションに適用可能である。そのような偏微分方程式には、例えば、運動を記述する運動方程式、流体を記述するナビエ−ストークス方程式、熱変化を記述する熱力学方程式、津波を記述する浅水波方程式などがある。また、シミュレーション装置100は、有限要素法を用いるシミュレーションにも適用可能である。なお、本実施の形態では、シミュレーション対象となる系は、時間変化を追う状態ベクトルが、実際の観測データと何らかの関係式で結ばれる系、すなわち、シミュレーション結果と観測データとが比較可能な系であるものとする。
次に、本発明の第2の実施の形態について図面を参照して説明する。本実施形態のシミュレーション装置200は、第1の実施形態のシミュレーション装置100を、作物の生育(成長)のシミュレーションに適用することによって実現される。作物生育(成長)についてシミュレーションを行うことによって、農業関係機関や農家をターゲットに、営農支援情報を提供することが出来る。なお、以下の本発明の第2の実施の形態の説明において参照される図面において、本発明の第1の実施の形態と同様の構成およびステップには同一の符号を付して、本実施の形態における詳細な説明を省略する。
入力としての状態ベクトルを基に、少なくとも2つの異なるモデルについて、当該モデルに従ったシミュレーションによって、前記状態ベクトルの時間発展を算出するモデルアンサンブル手段と、
前記状態ベクトルの時間発展と観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とを生成する事後分布生成手段と、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する事後分布重み決定手段と、
を備えるシミュレーション装置。
前記事後分布生成手段は、前記事後分布が生成されるまでに得られている観測データに基づいて、または、新たに得られた観測データに基づいて逐次的に、モデル尤度を算出する
付記1に記載のシミュレーション装置。
前記事後分布重み決定手段は、前記モデル尤度に比例するように前記重みを決定する
付記1又は2に記載のシミュレーション装置。
前記モデルアンサンブル手段は、入力としての前記状態ベクトルを近似する確率分布である入力分布を基に、当該状態ベクトルの時間発展としての確率分布を算出し、
前記事後分布重み決定手段は、前記事後分布と前記重みとに基づいて、次の前記状態ベクトルとしての前記入力分布を算出する
付記1乃至3のいずれか1項に記載のシミュレーション装置。
前記事後分布重み決定手段は、前記重みを使用して前記事後分布を更新し、更新された前記事後分布の和集合を生成し、当該和集合からサンプリングされた分布として、前記入力分布を生成する
付記4に記載のシミュレーション装置。
前記モデルは、理論的に生成された演繹的モデル、又は、データに基づいて生成された帰納的モデルである
付記1乃至5のいずれか1項に記載のシミュレーション装置。
前記事後分布重み決定手段は、前記重みの総和が1以下になるよう、前記重みを決定する
付記1乃至6のいずれか1項に記載のシミュレーション装置。
前記シミュレーションにおける条件であるシミュレーション条件と、前記状態ベクトルの初期状態と、前記観測データとを取得する取得手段と、
前記状態ベクトルの時系列を出力する出力手段と、
を備える付記1乃至7のいずれか1項に記載のシミュレーション装置。
入力としての状態ベクトルを基に、少なくとも2つの異なるモデルについて、当該モデルに従ったシミュレーションによって、前記状態ベクトルの時間発展を算出し、
前記状態ベクトルの時間発展と観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とを生成し、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する、
シミュレーション方法。
前記事後分布が生成されるまでに得られている観測データに基づいて、または、新たに得られた観測データに基づいて逐次的に、モデル尤度を算出する
付記9に記載のシミュレーション方法。
前記モデル尤度に比例するように前記重みを決定する
付記0又は10に記載のシミュレーション方法。
入力としての前記状態ベクトルを近似する確率分布である入力分布を基に、当該状態ベクトルの時間発展としての確率分布を算出し、
前記事後分布と前記重みとに基づいて、次の前記状態ベクトルとしての前記入力分布を算出する
付記9乃至11のいずれか1項に記載のシミュレーション方法。
前記重みを使用して前記事後分布を更新し、更新された前記事後分布の和集合を生成し、当該和集合からサンプリングされた分布として、前記入力分布を生成する
付記12に記載のシミュレーション方法。
前記モデルは、理論的に生成された演繹的モデル、又は、データに基づいて生成された帰納的モデルである
付記9乃至13のいずれか1項に記載のシミュレーション方法。
前記重みの総和が1以下になるよう、前記重みを決定する
付記9乃至14のいずれか1項に記載のシミュレーション方法。
前記シミュレーションにおける条件であるシミュレーション条件と、前記状態ベクトルの初期状態と、前記観測データとを取得し、
前記状態ベクトルの時系列を出力する、
付記9乃至15のいずれか1項に記載のシミュレーション方法。
コンピュータを、
入力としての状態ベクトルを基に、少なくとも2つの異なるモデルについて、当該モデルに従ったシミュレーションによって、前記状態ベクトルの時間発展を算出するモデルアンサンブル手段と、
前記状態ベクトルの時間発展と観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とを生成する事後分布生成手段と、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する事後分布重み決定手段と、
して動作させるプログラム。
コンピュータを、
前記事後分布が生成されるまでに得られている観測データに基づいて、または、新たに得られた観測データに基づいて逐次的に、モデル尤度を算出する前記事後分布生成手段と、
して動作させる付記17に記載のプログラム。
コンピュータを、
前記モデル尤度に比例するように前記重みを決定する前記事後分布重み決定手段と、
して動作させる付記17又は18に記載のプログラム。
コンピュータを、
入力としての前記状態ベクトルを近似する確率分布である入力分布を基に、当該状態ベクトルの時間発展としての確率分布を算出する前記モデルアンサンブル手段と、
前記事後分布と前記重みとに基づいて、次の前記状態ベクトルとしての前記入力分布を算出する前記事後分布重み決定手段と、
して動作させる付記17乃至19のいずれか1項に記載のプログラム。
コンピュータを、
前記重みを使用して前記事後分布を更新し、更新された前記事後分布の和集合を生成し、当該和集合からサンプリングされた分布として、前記入力分布を生成する前記事後分布重み決定手段と、
して動作させる付記20に記載のプログラム。
前記モデルは、理論的に生成された演繹的モデル、又は、データに基づいて生成された帰納的モデルである
付記17乃至21のいずれか1項に記載のプログラム。
コンピュータを、
前記重みの総和が1以下になるよう、前記重みを決定する前記事後分布重み決定手段と、
して動作させる付記17乃至22のいずれか1項に記載のプログラム。
コンピュータを、
前記シミュレーションにおける条件であるシミュレーション条件と、前記状態ベクトルの初期状態と、前記観測データとを取得する取得手段と、
前記状態ベクトルの時系列を出力する出力手段と、
して動作させる付記17乃至23のいずれか1項に記載のプログラム。
11 シミュレーション条件記憶部
12 観測データ記憶部
13 初期設定部
14 取得部
20 モデルアンサンブル部
21 システムモデル
21−1 第1のシステムモデル
21−2 第2のシステムモデル
21−m 第mのシステムモデル
22 事前分布記憶部
22−1 第1の事前分布記憶部
22−2 第2の事前分布記憶部
22−m 第mの事前分布記憶部
30 アンサンブル更新部
31 事後分布生成部
31−1 第1の事後分布生成部
31−2 第2の事後分布生成部
31−m 第mの事後分布生成部
32 事後分布記憶部
32−1 第1の事後分布記憶部
32−2 第2の事後分布記憶部
32−m 第mの事後分布記憶部
33 事後分布重み決定部
34 入力分布記憶部
35 モデル尤度記憶部
40 データ出力部
41 時系列状態ベクトル記憶部
42 出力部
100 シミュレーション装置
200 シミュレーション装置
201 作物生育モデル
201−1 第1の作物生育モデル
201−1 第1の作物生育モデル
201−m 第mの作物生育モデル
210 データ入力部
211 入力データ記憶部
300 シミュレーション装置
1000 コンピュータ
1001 プロセッサ
1002 メモリ
1003 記憶装置
1004 I/Oインタフェース
1005 記録媒体
Claims (10)
- 入力としての状態ベクトルを基に、少なくとも2つの異なる独立なモデルについて、当該モデルの各々に従った独立なシミュレーションによって、前記状態ベクトルの時間発展を、それぞれ異なる状態ベクトルとして独立に算出するモデルアンサンブル手段と、
前記それぞれ異なる状態ベクトルの時間発展と、同一の観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とをそれぞれ独立に生成する事後分布生成手段と、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する事後分布重み決定手段と、
を備えるシミュレーション装置。 - 前記事後分布生成手段は、前記事後分布が生成されるまでに得られている観測データに基づいて、または、新たに得られた観測データに基づいて、前記モデルごとに独立かつ逐次的に、モデル尤度を算出する
請求項1に記載のシミュレーション装置。 - 前記事後分布重み決定手段は、前記モデル尤度に比例するように、前記モデルごとに独立に前記重みを決定する
請求項1又は2に記載のシミュレーション装置。 - 前記モデルアンサンブル手段は、入力としての前記状態ベクトルを近似する確率分布である入力分布を基に、当該状態ベクトルの時間発展としての確率分布を前記モデルごとに独立に算出し、
前記事後分布重み決定手段は、前記事後分布と前記重みとに基づいて、次の前記状態ベクトルとしての前記入力分布を前記モデルごとに独立に算出する
請求項1乃至3のいずれか1項に記載のシミュレーション装置。 - 前記事後分布重み決定手段は、前記重みを使用して前記モデルごとに独立に前記事後分布を更新し、更新されたそれぞれの異なる前記事後分布から和集合を生成し、当該和集合から、前記モデルの各々の重みであるアンサンブル数を設定してサンプリングされた分布として、前記入力分布を生成する
請求項4に記載のシミュレーション装置。 - 前記モデルは、理論的に生成された演繹的モデル、又は、データに基づいて生成された帰納的モデルである
請求項1乃至5のいずれか1項に記載のシミュレーション装置。 - 前記事後分布重み決定手段は、前記モデルの重みの総和が1にありアンサンブル数が保存されるように、又は、前記モデル尤度に基づいて前記モデルの重みのうちいずれかを小さくすることによって前記重みの総和が1未満になりアンサンブル数が減少するように、前記重みを決定する
請求項1乃至6のいずれか1項に記載のシミュレーション装置。 - 前記シミュレーションにおける条件であるシミュレーション条件と、前記状態ベクトルの初期状態と、前記観測データとを取得する取得手段と、
前記状態ベクトルの時系列を出力する出力手段と、
を備える請求項1乃至7のいずれか1項に記載のシミュレーション装置。 - 入力としての状態ベクトルを基に、少なくとも2つの異なる独立なモデルについて、当該モデルの各々に従った独立なシミュレーションによって、前記状態ベクトルの時間発展を、それぞれ異なる状態ベクトルとして独立に算出し、
前記それぞれ異なる状態ベクトルの時間発展と、同一の観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とをそれぞれ独立に生成し、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する、
シミュレーション方法。 - コンピュータを、
入力としての状態ベクトルを基に、少なくとも2つの異なる独立なモデルについて、当該モデルの各々に従った独立なシミュレーションによって、前記状態ベクトルの時間発展を、それぞれ異なる状態ベクトルとして独立に算出するモデルアンサンブル手段と、
前記それぞれ異なる状態ベクトルの時間発展と、同一の観測データとに基づいて、前記状態ベクトルの前記時間発展の事後分布と、前記モデルの前記観測データに基づく尤もらしさであるモデル尤度とをそれぞれ独立に生成する事後分布生成手段と、
前記事後分布と前記モデル尤度とに基づいて前記事後分布の重みを決定し、当該重みと前記事後分布とに基づいて次の前記状態ベクトルを算出する事後分布重み決定手段と、
して動作させるプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015111855 | 2015-06-02 | ||
JP2015111855 | 2015-06-02 | ||
PCT/JP2016/002675 WO2016194379A1 (ja) | 2015-06-02 | 2016-06-02 | シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2016194379A1 JPWO2016194379A1 (ja) | 2018-03-29 |
JP6798487B2 true JP6798487B2 (ja) | 2020-12-09 |
Family
ID=57440912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017521698A Active JP6798487B2 (ja) | 2015-06-02 | 2016-06-02 | シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180173823A1 (ja) |
JP (1) | JP6798487B2 (ja) |
WO (1) | WO2016194379A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019003441A1 (ja) | 2017-06-30 | 2019-01-03 | 日本電気株式会社 | 予測装置、予測方法、予測プログラムが記録された記録媒体、及び、遺伝子推定装置 |
JP2019217510A (ja) * | 2018-06-15 | 2019-12-26 | 日本製鉄株式会社 | 連続鋳造鋳型内可視化装置、方法、およびプログラム |
US11270042B2 (en) | 2019-01-11 | 2022-03-08 | International Business Machines Corporation | Machine learning based fluid simulation |
JP2021102221A (ja) * | 2019-12-25 | 2021-07-15 | 日本製鉄株式会社 | 連続鋳造鋳型内可視化装置、方法、およびプログラム |
US11901204B2 (en) * | 2020-05-22 | 2024-02-13 | Applied Materials, Inc. | Predictive wafer scheduling for multi-chamber semiconductor equipment |
KR102478665B1 (ko) * | 2021-03-02 | 2022-12-16 | 경북대학교 산학협력단 | 통계 및 역학적 태풍 기후 예측 장치 및 방법 |
CN116911072B (zh) * | 2023-09-07 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 透镜体分布占比的确定方法、装置、计算机设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001202358A (ja) * | 2000-01-21 | 2001-07-27 | Nippon Telegr & Teleph Corp <Ntt> | 混合モデルのベイズ推定方法および混合モデルのベイズ推定プログラムを記録した記録媒体 |
-
2016
- 2016-06-02 WO PCT/JP2016/002675 patent/WO2016194379A1/ja active Application Filing
- 2016-06-02 JP JP2017521698A patent/JP6798487B2/ja active Active
- 2016-06-02 US US15/577,381 patent/US20180173823A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JPWO2016194379A1 (ja) | 2018-03-29 |
US20180173823A1 (en) | 2018-06-21 |
WO2016194379A1 (ja) | 2016-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6798487B2 (ja) | シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体 | |
Roberts et al. | Comparing and combining process-based crop models and statistical models with some implications for climate change | |
Wang et al. | Climatic niche models and their consensus projections for future climates for four major forest tree species in the Asia–Pacific region | |
Ahmadi et al. | Application of an artificial intelligence technique enhanced with intelligent water drops for monthly reference evapotranspiration estimation | |
Patil et al. | An extreme learning machine approach for modeling evapotranspiration using extrinsic inputs | |
Li et al. | Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques | |
Gong et al. | Extreme learning machine for reference crop evapotranspiration estimation: Model optimization and spatiotemporal assessment across different climates in China | |
Li et al. | Crop yield forecasting and associated optimum lead time analysis based on multi-source environmental data across China | |
JP6885394B2 (ja) | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム | |
Chen et al. | Data assimilation to reduce uncertainty of crop model prediction with convolution particle filtering | |
Nandram et al. | A hierarchical Bayesian model for forecasting state-level corn yield | |
Sharma et al. | A hybrid deep neural network approach to estimate reference evapotranspiration using limited climate data | |
Shin et al. | Assessing maize and peanut yield simulations with various seasonal climate data in the southeastern United States | |
Tolomio et al. | Dynamic crop models and remote sensing irrigation decision support systems: a review of water stress concepts for improved estimation of water requirements | |
Mohanty et al. | Evaluation of performance of seasonal precipitation prediction at regional scale over India | |
García-López et al. | Modelling future no-analogue climate distributions: A world-wide phytoclimatic niche-based survey | |
Zare et al. | Optimizing the runoff estimation with HEC-HMS model using spatial evapotranspiration by the SEBS model | |
Zhuo et al. | Multi-source hydrological soil moisture state estimation using data fusion optimisation | |
Orlova et al. | Data assimilation with sensitivity-based particle filter: A simulation study with AquaCrop | |
Ghamghami et al. | Comparison of data mining and GDD-based models in discrimination of maize phenology | |
Youssef et al. | Enhancing irrigation water management based on ETo prediction using machine learning to mitigate climate change | |
Ouda et al. | Evapotranspiration under changing climate | |
Atasever et al. | A new SEBAL approach modified with backtracking search algorithm for actual evapotranspiration mapping and on-site application | |
Mansouri et al. | Bayesian methods for predicting LAI and soil water content | |
Dhungel et al. | Improving iterative surface energy balance convergence for remote sensing based flux calculation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171122 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190515 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200526 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200722 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201020 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201102 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6798487 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |