論文の概要: High Temporal Resolution Rainfall Runoff Modelling Using
Long-Short-Term-Memory (LSTM) Networks
- arxiv url: http://arxiv.org/abs/2002.02568v2
- Date: Fri, 12 Jun 2020 01:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 04:19:09.302291
- Title: High Temporal Resolution Rainfall Runoff Modelling Using
Long-Short-Term-Memory (LSTM) Networks
- Title(参考訳): 長期記憶(LSTM)ネットワークを用いた高時間分解能降雨流出モデル
- Authors: Wei Li (1), Amin Kiaghadi (1), Clint N. Dawson (1) ((1) Oden Institute
for Computational Engineering and Sciences, The University of Texas at
Austin, Austin, TX)
- Abstract要約: このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。
LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
- 参考スコア(独自算出の注目度): 0.03694429692322631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and efficient models for rainfall runoff (RR) simulations are
crucial for flood risk management. Most rainfall models in use today are
process-driven; i.e. they solve either simplified empirical formulas or some
variation of the St. Venant (shallow water) equations. With the development of
machine-learning techniques, we may now be able to emulate rainfall models
using, for example, neural networks. In this study, a data-driven RR model
using a sequence-to-sequence Long-short-Term-Memory (LSTM) network was
constructed. The model was tested for a watershed in Houston, TX, known for
severe flood events. The LSTM network's capability in learning long-term
dependencies between the input and output of the network allowed modeling RR
with high resolution in time (15 minutes). Using 10-years precipitation from
153 rainfall gages and river channel discharge data (more than 5.3 million data
points), and by designing several numerical tests the developed model
performance in predicting river discharge was tested. The model results were
also compared with the output of a process-driven model Gridded Surface
Subsurface Hydrologic Analysis (GSSHA). Moreover, physical consistency of the
LSTM model was explored. The model results showed that the LSTM model was able
to efficiently predict discharge and achieve good model performance. When
compared to GSSHA, the data-driven model was more efficient and robust in terms
of prediction and calibration. Interestingly, the performance of the LSTM model
improved (test Nash-Sutcliffe model efficiency from 0.666 to 0.942) when a
selected subset of rainfall gages based on the model performance, were used as
input instead of all rainfall gages.
- Abstract(参考訳): 降雨流出シミュレーション(rr)の正確かつ効率的なモデルが洪水リスク管理に不可欠である。
今日使われている降雨モデルのほとんどはプロセス駆動であり、単純な経験式か、セントヴェナント方程式のいくつかの変種を解く。
機械学習技術の開発により、例えばニューラルネットワークを使って降雨モデルをエミュレートできるようになったかもしれない。
本研究では,LSTM(Sequence-to-Sequence Long-Short-Term-Memory)ネットワークを用いたデータ駆動RRモデルを構築した。
このモデルは、激しい洪水で知られているテキサス州ヒューストンの流域で試験された。
LSTMネットワークは、ネットワークの入力と出力の間の長期的な依存関係を学習する能力により、高解像度のRRを15分でモデル化することができた。
降雨量153から10年間の降水量と河川流出データ(530万以上のデータポイント)を用いて,数回の数値実験を設計し,河川流出予測モデルの性能を検証した。
また, モデル結果とプロセス駆動型地表面水文解析(gssha)結果との比較を行った。
さらにLSTMモデルの物理的整合性を検討した。
その結果,LSTMモデルでは効率よく放電を予測でき,良好なモデル性能が得られた。
GSSHAと比較して、データ駆動モデルは予測と校正の観点からより効率的で堅牢である。
LSTMモデルの性能は, モデル性能に基づいて選択された降雨ゲージのサブセットが, 全ての降雨ゲージの代わりに入力として使用される場合に向上した(Nash-Sutcliffeモデル効率は0.666から0.942)。
関連論文リスト
- Can AI be enabled to dynamical downscaling? Training a Latent Diffusion Model to mimic km-scale COSMO-CLM downscaling of ERA5 over Italy [0.0]
ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。
本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。
我々の目標は、最近のジェネレーティブモデリングの進歩により、DLベースのモデルが数値的なダウンスケールモデルに匹敵する結果をもたらすことを実証することである。
論文 参考訳(メタデータ) (2024-06-19T15:20:28Z) - Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。
我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、流れのヒンドキャストでテストする。
LSM-RNNの予測と、類似したデータセットで校正された既存の物理ベースモデルを比較し、LSM-RNNが物理ベースモデルより優れていることを示す。
論文 参考訳(メタデータ) (2024-04-22T14:21:37Z) - A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic
Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。
本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。
本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文 参考訳(メタデータ) (2023-01-31T16:12:26Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。
我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
論文 参考訳(メタデータ) (2022-03-28T15:06:53Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳(メタデータ) (2020-01-16T07:14:32Z)
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。