論文の概要: HydroDeep -- A Knowledge Guided Deep Neural Network for
Geo-Spatiotemporal Data Analysis
- arxiv url: http://arxiv.org/abs/2010.04328v2
- Date: Mon, 8 Feb 2021 20:47:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:07:14.818992
- Title: HydroDeep -- A Knowledge Guided Deep Neural Network for
Geo-Spatiotemporal Data Analysis
- Title(参考訳): HydroDeep -- 時空間データ解析のための知識誘導型ディープニューラルネットワーク
- Authors: Aishwarya Sarkar, Jien Zhang, Chaoqun Lu, Ali Jannesari
- Abstract要約: 本稿では,ハイブリッドニューラルネットワークアーキテクチャであるHydroDeepを紹介する。
これは、Deep Convolutional Neural Network(CNN)とLong Short-Term Memory(LSTM)ネットワークを組み合わせたプロセスベースの水文生態モデルである。
これは独立系CNNとLSTMのパフォーマンスをそれぞれ1.6%、ナッシュ・サトクリフの効率で10.5%上回っている。
- 参考スコア(独自算出の注目度): 0.726437825413781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to limited evidence and complex causes of regional climate change, the
confidence in predicting fluvial floods remains low. Understanding the
fundamental mechanisms intrinsic to geo-spatiotemporal information is crucial
to improve the prediction accuracy. This paper demonstrates a hybrid neural
network architecture - HydroDeep, that couples a process-based hydro-ecological
model with a combination of Deep Convolutional Neural Network (CNN) and Long
Short-Term Memory (LSTM) Network. HydroDeep outperforms the independent CNN's
and LSTM's performance by 1.6% and 10.5% respectively in Nash-Sutcliffe
efficiency. Also, we show that HydroDeep pre-trained in one region is adept at
passing on its knowledge to distant places via unique transfer learning
approaches that minimize HydroDeep's training duration for a new region by
learning its regional geo-spatiotemporal features in a reduced number of
iterations.
- Abstract(参考訳): 限定的な証拠と地域気候変動の複雑な原因により、洪水予測への自信は低いままである。
地理空間情報に内在する基本的なメカニズムを理解することは,予測精度を向上させる上で重要である。
本稿では、プロセスベースの水文生態モデルとDeep Convolutional Neural Network(CNN)とLong Short-Term Memory(LSTM)ネットワークを組み合わせたハイブリッドニューラルネットワークアーキテクチャであるHydroDeepを実証する。
HydroDeepは独立系CNNとLSTMのパフォーマンスをそれぞれ1.6%、Nash-Sutcliffeの効率で10.5%上回っている。
また, ある地域で事前学習したHydrodeepは, 地域空間の時空間的特徴を少ない反復回数で学習することで, 新たな地域に対するHydrodeepの訓練期間を最小化する, ユニークな移動学習手法によって, 遠隔地への知識伝達に長けていることを示す。
関連論文リスト
- GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。
ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。
ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
論文 参考訳(メタデータ) (2024-10-26T08:10:32Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳(メタデータ) (2023-09-11T21:14:55Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳(メタデータ) (2023-07-27T06:59:46Z) - 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) - Accelerating Domain-aware Deep Learning Models with Distributed Training [0.8164433158925593]
モデル性能を改善したドメイン固有知識を利用した分散ドメイン認識ネットワークを提案する。
以上の結果から,最大4.1倍の速さで流出口の流出ピークを効果的に予測した。
提案手法は全体の12.6倍の高速化を実現し,平均予測性能は16%向上した。
論文 参考訳(メタデータ) (2023-01-25T22:59:47Z) - Transfer Learning Approaches for Knowledge Discovery in Grid-based
Geo-Spatiotemporal Data [1.2693545159861856]
時空間的特徴の抽出と解析は,洪水などの自然現象の根本原因を認識する上で重要である。
本稿では,知識をある地域から別の地域へ伝達するこの問題に対処するために,効果的に再利用可能な事前学習モデルであるHydroDeepを提案する。
論文 参考訳(メタデータ) (2021-10-02T16:55:34Z) - 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) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - KNN, An Underestimated Model for Regional Rainfall Forecasting [6.421670116083633]
本稿では,様々な機械学習アルゴリズムを適用した統合ツールの設計を目的とする。
Deep Neural Network, Wide Neural Network, Deep and Wide Neural Network, Reservoir Computing, Long Short Term Memory, Support Vector Machine, K-Nearest Neighborは、ニューヨーク州アップステートの異なる漁獲地における地域降水量の予測を行う。
論文 参考訳(メタデータ) (2021-03-28T22:25:29Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。