論文の概要: Physics-Guided Recurrent Graph Networks for Predicting Flow and
Temperature in River Networks
- arxiv url: http://arxiv.org/abs/2009.12575v2
- Date: Tue, 8 Dec 2020 18:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 08:46:00.216444
- Title: Physics-Guided Recurrent Graph Networks for Predicting Flow and
Temperature in River Networks
- Title（参考訳）: 物理誘導リカレントグラフネットワークによる河川ネットワーク内の流れと温度予測
- Authors: Xiaowei Jia, Jacob Zwart, Jeffrey Sadler, Alison Appling, Samantha
Oliver, Steven Markstrom, Jared Willard, Shaoming Xu, Michael Steinbach,
Jordan Read, and Vipin Kumar
- Abstract要約: 河川ネットワーク内の複数のセグメント間の相互作用を捉えるために,繰り返しグラフネットワークモデルを構築した。
次に、物理モデルから知識を移し、機械学習モデルを初期化し、ストリームフローと熱力学の物理を学習する。
提案手法は,最先端物理モデルよりも33%/14%向上したことを示す。
- 参考スコア（独自算出の注目度）: 3.80455319348953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a physics-guided machine learning approach that combines
advanced machine learning models and physics-based models to improve the
prediction of water flow and temperature in river networks. We first build a
recurrent graph network model to capture the interactions among multiple
segments in the river network. Then we present a pre-training technique which
transfers knowledge from physics-based models to initialize the machine
learning model and learn the physics of streamflow and thermodynamics. We also
propose a new loss function that balances the performance over different river
segments. We demonstrate the effectiveness of the proposed method in predicting
temperature and streamflow in a subset of the Delaware River Basin. In
particular, we show that the proposed method brings a 33\%/14\% improvement
over the state-of-the-art physics-based model and 24\%/14\% over traditional
machine learning models (e.g., Long-Short Term Memory Neural Network) in
temperature/streamflow prediction using very sparse (0.1\%) observation data
for training. The proposed method has also been shown to produce better
performance when generalized to different seasons or river segments with
different streamflow ranges.
- Abstract（参考訳）: 本稿では,高度な機械学習モデルと物理モデルを組み合わせて,河川網内の水流と温度の予測を改善する物理誘導型機械学習手法を提案する。
まず、リカレントグラフネットワークモデルを構築し、河川ネットワーク内の複数のセグメント間の相互作用を捉える。
次に,物理モデルから知識を伝達して機械学習モデルを初期化し,流れと熱力学の物理を学ぶ事前学習手法を提案する。
また,河川の異なるセグメントのパフォーマンスをバランスさせる新たな損失関数を提案する。
デラウェア川流域のサブセットにおける温度と流れの予測における提案手法の有効性を実証する。
特に,提案手法は,従来の機械学習モデル(例えば,長期記憶型ニューラルネットワーク)よりも,最先端物理モデルよりも33\%/14\%向上し,非常にスパースな(0.1\%)観測データを用いた温度・流れ予測において24\%/14\%向上することを示す。
提案手法は,異なる季節,あるいは異なる流れ域を持つ河川セグメントに一般化した場合に,より良い性能が得られた。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - 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) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Modeling Reservoir Release Using Pseudo-Prospective Learning and
Physical Simulations to Predict Water Temperature [7.9082555397450225]
本稿では,貯水池を有する河川網における水温予測のための新しいデータ駆動手法を提案する。
貯水池から放たれた水は下流河川セグメントの水温に大きな影響を及ぼす。
流出した水の流れに関する情報は、多くの貯水池では利用できないことが多いため、データ駆動型モデルでは下流の河川セグメントへの影響を捉えるのが困難である。
論文 参考訳（メタデータ） (2022-02-11T15:53:50Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳（メタデータ） (2021-11-26T11:58:51Z) - Heterogeneous Stream-reservoir Graph Networks with Data Assimilation [3.312798619476657]
河川の水温の正確な予測は、河川の生物地球化学的および生態学的過程を監視し、理解するために重要である。
本稿では,ストリーム・リザーバ・ネットワークを基盤とする相互作用プロセスを表現するため,不均一なリカレントグラフモデルを提案する。
貯水池の放水量は一定の貯水池では利用できないため,貯水池の放水に伴う予測バイアスを補正するデータ同化機構を開発する。
論文 参考訳（メタデータ） (2021-10-11T01:47:16Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳（メタデータ） (2021-01-27T11:27:16Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Physics Guided Machine Learning Methods for Hydrology [21.410993515618895]
SWAT (Soil and Water Assessment Tool) と組み合わせたLSTMに基づくディープラーニングアーキテクチャを提案する。
アプローチの有効性はミネソタ州南東部のルート川流域の南支流にあるいくつかの小さな流域で分析されている。
論文 参考訳（メタデータ） (2020-12-02T19:17:19Z)
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。