論文の概要: HydroNets: Leveraging River Structure for Hydrologic Modeling
- arxiv url: http://arxiv.org/abs/2007.00595v1
- Date: Wed, 1 Jul 2020 16:32:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 22:07:53.406212
- Title: HydroNets: Leveraging River Structure for Hydrologic Modeling
- Title(参考訳): HydroNets: 河川構造を利用した水文モデリング
- Authors: Zach Moshe (1), Asher Metzger (1), Gal Elidan (1 and 2), Frederik
Kratzert (4), Sella Nevo (1), Ran El-Yaniv (1 and 3) ((1) Google Research,
(2) The Hebrew University of Jerusalem, (3) Technion - Israel Institute of
Technology, (4) LIT AI Lab & Institute for Machine Learning, Johannes Kepler
University Linz)
- Abstract要約: HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。
川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and scalable hydrologic models are essential building blocks of
several important applications, from water resource management to timely flood
warnings. However, as the climate changes, precipitation and rainfall-runoff
pattern variations become more extreme, and accurate training data that can
account for the resulting distributional shifts become more scarce. In this
work we present a novel family of hydrologic models, called HydroNets, which
leverages river network structure. HydroNets are deep neural network models
designed to exploit both basin specific rainfall-runoff signals, and upstream
network dynamics, which can lead to improved predictions at longer horizons.
The injection of the river structure prior knowledge reduces sample complexity
and allows for scalable and more accurate hydrologic modeling even with only a
few years of data. We present an empirical study over two large basins in India
that convincingly support the proposed model and its advantages.
- Abstract(参考訳): 水資源管理からタイムリーな洪水警報まで、いくつかの重要な応用において、正確でスケーラブルな水理モデルが不可欠である。
しかし、気候変動によって降雨と降雨・流出パターンの変動が極端になり、その結果の分布変化を考慮できる正確なトレーニングデータがより少なくなる。
本研究では,河川網構造を利用した新しい水文モデルであるハイドロネットについて述べる。
ハイドロネットは、盆地固有の降雨信号と上流のネットワークダイナミクスの両方を利用するように設計されたディープニューラルネットワークモデルである。
河川構造の事前知識の注入はサンプルの複雑さを減少させ、数年のデータでもスケーラブルで正確な水文学モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳(メタデータ) (2023-12-10T18:23:40Z) - 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) - Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in
Near-Real-Time (DL Hydro-FRAN) [1.7942265700058984]
本研究では,複数のディープニューラルネットワーク(DNN)アーキテクチャが流体流動モデルの最適化に適しているかを検討する。
2次元HEC-RAS流体力学モデルを用いて, 低解像度の都市環境下で数回の急激な洪水現象をシミュレーションした。
以上の結果から,DNNは洪水モデルを大幅に最適化し,ほぼリアルタイムに洪水を予測できることが示唆された。
論文 参考訳(メタデータ) (2023-05-20T01:06:50Z) - Interpretable Water Level Forecaster with Spatiotemporal Causal
Attention Mechanisms [0.0]
本研究は,先行知識に基づく因果関係を利用したトランスフォーマーを用いたニューラルテンポラルモデルを提案する。
2016年のHan Riverデータセットを2021と比較し、私たちのモデルが事前の知識と解釈可能で一貫性のあるモデルを提供することを確認した。
論文 参考訳(メタデータ) (2023-02-28T04:37:26Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - High-resolution rainfall-runoff modeling using graph neural network [0.0]
本研究では,高分解能降水データから空間情報をフル活用する新しい深層学習モデルを提案する。
GNRRMは過度に適合せず、モデル性能を大幅に改善した。
論文 参考訳(メタデータ) (2021-10-21T00:12:02Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳(メタデータ) (2021-09-27T09:19:53Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳(メタデータ) (2021-02-15T00:57:28Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳(メタデータ) (2020-06-05T08:04:37Z)
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。