論文の概要: A deep convolutional neural network model for rapid prediction of fluvial flood inundation

• arxiv url: http://arxiv.org/abs/2006.11555v2
• Date: Wed, 16 Sep 2020 12:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-18 22:28:11.885036
• Title: A deep convolutional neural network model for rapid prediction of fluvial flood inundation
• Title（参考訳）: 深部畳み込みニューラルネットワークモデルによるフラビアル洪水の早期予測
• Abstract要約: 深部畳み込み型ニューラルネットワーク (CNN) を用いて, フラビアル・フラッド・インダクションの迅速予測を行う。 CNNモデルは2次元油圧モデル(LISFLOOD-FP)からの出力を用いて、水深を予測する。 CNNモデルは、いくつかの定量的評価行列によって示されるように、浸水した細胞を捕捉するのに非常に正確である。
• 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: Most of the two-dimensional (2D) hydraulic/hydrodynamic models are still computationally too demanding for real-time applications. In this paper, an innovative modelling approach based on a deep convolutional neural network (CNN) method is presented for rapid prediction of fluvial flood inundation. The CNN model is trained using outputs from a 2D hydraulic model (i.e. LISFLOOD-FP) to predict water depths. The pre-trained model is then applied to simulate the January 2005 and December 2015 floods in Carlisle, UK. The CNN predictions are compared favourably with the outputs produced by LISFLOOD-FP. The performance of the CNN model is further confirmed by benchmarking against a support vector regression (SVR) method. The results show that the CNN model outperforms SVR by a large margin. The CNN model is highly accurate in capturing flooded cells as indicated by several quantitative assessment matrices. The estimated error for reproducing maximum flood depth is 0 ~ 0.2 meters for the 2005 event and 0 ~ 0.5 meters for the 2015 event at over 99% of the cells covering the computational domain. The proposed CNN method offers great potential for real-time flood modelling/forecasting considering its simplicity, superior performance and computational efficiency.
• Abstract（参考訳）: 2次元(2次元)水力/流体力学モデルの多くは、リアルタイムアプリケーションには計算的に要求されすぎている。 本稿では, 深部畳み込みニューラルネットワーク (CNN) を用いた新しいモデリング手法を提案し, フラビアル洪水の急激な予測を行う。 CNNモデルは2次元油圧モデル(LISFLOOD-FP)からの出力を用いて、水深を予測する。 事前訓練されたモデルは、2005年1月と2015年12月のカーライルの洪水をシミュレートするために適用される。 cnn予測は、lisflood-fpの出力と好適に比較される。 CNNモデルの性能は、サポートベクトル回帰(SVR)法に対するベンチマークによってさらに確認される。 その結果、CNNモデルはSVRよりも大きなマージンで優れていた。 cnnモデルは、いくつかの定量的評価行列で示されるように、浸水した細胞を捕獲するのに非常に正確である。 最大水深を再現する誤差は2005年のイベントでは0 ~ 0.2 m、計算領域をカバーするセルの99%以上で2015年のイベントでは0 ~ 0.5 mである。 提案手法は, 簡易性, 性能, 計算効率を考慮し, リアルタイム洪水モデリング・予測に大きな可能性をもたらす。

関連論文リスト

• Accelerated Airfoil Design Using Neural Network Approaches [0.0]
  目標圧力分布(吸気面と圧力面)から翼形状を予測し,その逆を実証する。 1600の翼形状のデータセットが生成されます 入力/出力パラメータに依存する5つの異なるCNNモデルとDNNモデルを開発する。
  論文  参考訳（メタデータ） (2025-03-31T13:14:14Z)
• 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。 観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。 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、過去の流れの測定を用いて検証する。
  論文  参考訳（メタデータ） (2024-04-22T14:21:37Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion [7.790241122137617]
  本研究では,都市洪水予測のためのCNN-RNNハイブリッド機能融合モデリング手法を提案する。 空間的特徴の処理におけるCNNの長所と、時系列の異なる次元の分析におけるRNNの長所を統合した。
  論文  参考訳（メタデータ） (2023-04-19T22:00:04Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• 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)
• Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification [0.0]
  乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。 我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
  論文  参考訳（メタデータ） (2022-02-11T08:06:52Z)
• 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)
• Embedded training of neural-network sub-grid-scale turbulence models [0.0]
  ディープニューラルネットワークモデルの重みは、制御フロー方程式と共に最適化され、サブグリッドスケールの応力のモデルを提供する。 トレーニングは勾配降下法で行われ、随伴ナビエ-ストークス方程式を用いてモデル重みのエンドツーエンドの感度を速度場に与える。
  論文  参考訳（メタデータ） (2021-05-03T17:28:39Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data [0.965964228590342]
  この調査ではテキサス州ハリス郡をテストベッドとし、3つの歴史的な洪水からチャネルセンサーのデータを得た。 このモデルは、2019年のヒューストンのイメルダ洪水を予測するためにテストされ、その結果は経験的な洪水とよく一致している。
  論文  参考訳（メタデータ） (2020-06-15T17:25:34Z)
• Cascaded Deep Video Deblurring Using Temporal Sharpness Prior [88.98348546566675]
  提案アルゴリズムは主に,中間潜水フレームと潜水フレームの復元ステップから光フローを推定する。 まず、中間潜伏フレームから光フローを推定し、推定した光フローに基づいて潜伏フレームを復元する深部CNNモデルを開発する。 ビデオデブロアリングのドメイン知識を探索することで、深層CNNモデルをよりコンパクトで効率的なものにすることができることを示す。
  論文  参考訳（メタデータ） (2020-04-06T09:13:49Z)

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。