論文の概要: Predicting Playa Inundation Using a Long Short-Term Memory Neural
Network
- arxiv url: http://arxiv.org/abs/2010.08605v1
- Date: Fri, 16 Oct 2020 19:52:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 21:30:48.899633
- Title: Predicting Playa Inundation Using a Long Short-Term Memory Neural
Network
- Title(参考訳): 長期記憶ニューラルネットを用いたplaya浸水予測
- Authors: Kylen Solvik, Anne M. Bartuszevige, Meghan Bogaerts, and Maxwell B.
Joseph
- Abstract要約: グレートプレーンズでは、プラヤは渡り鳥にとって重要な湿地であり、農業的に重要なハイプレーンズ帯水池の供給源となっている。
長期記憶(LSTM)ニューラルネットワークを用いて,1984-2018年に大平原の71,842のプレーヤ浸出をモデル化した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the Great Plains, playas are critical wetland habitats for migratory birds
and a source of recharge for the agriculturally-important High Plains aquifer.
The temporary wetlands exhibit complex hydrology, filling rapidly via local
rain storms and then drying through evaporation and groundwater infiltration.
Using a long short-term memory (LSTM) neural network to account for these
complex processes, we modeled playa inundation for 71,842 playas in the Great
Plains from 1984-2018. At the level of individual playas, the model achieved an
F1-score of 0.538 on a withheld test set, displaying the ability to predict
complex inundation patterns. When averaging over all the playas in the entire
region, the model is able to very closely track inundation trends, even during
periods of drought. Our results demonstrate potential for using LSTMs to model
complex hydrological dynamics. Our modeling approach could be used to model
playa inundation into the future under different climate scenarios to better
understand how wetland habitats and groundwater will be impacted by changing
climate.
- Abstract(参考訳): 五大平原では、遊牧地は渡り鳥にとって重要な湿地生息地であり、農業上重要な高原帯水層への充電源である。
一時的な湿地は複雑な水文学を示し、地元の雨嵐によって急速に満たし、蒸発と地下水の浸透によって乾燥する。
これらの複雑なプロセスを説明するためにlstm(long short-term memory)ニューラルネットワークを使用して、1984年から2018年にかけてグレートプレーンズで71,842playasのplayaインダクションをモデル化した。
個々のplayasのレベルでは、モデルは保留されたテストセット上で0.538のf1-scoreを達成し、複雑な浸水パターンを予測する能力を示した。
地域全体のplayaを平均すると、干ばつ期間であっても、このモデルは浸水傾向を非常に密接に追跡することができる。
その結果,LSTMを用いて複雑な流体力学をモデル化できる可能性が示唆された。
我々のモデリングアプローチは、異なる気候条件下でのplayaの浸水をモデル化し、湿地生息地や地下水が気候の変化にどのように影響するかをよりよく理解するために利用することができる。
関連論文リスト
- FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3~6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳(メタデータ) (2024-11-15T13:44:37Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。
その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。
本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
論文 参考訳(メタデータ) (2024-06-12T20:29:14Z) - Efficient Subseasonal Weather Forecast using Teleconnection-informed
Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。
機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。
しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文 参考訳(メタデータ) (2024-01-31T14:27:35Z) - 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) - 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) - Forecasting formation of a Tropical Cyclone Using Reanalysis Data [3.564430502665177]
最大60時間,高精度で熱帯性サイクロンの形成を予測できる深層学習モデルが提案されている。
60時間リードタイムでは、6つの海盆で86.9%から92.9%の範囲で精度を達成している。
このモデルは、海盆によって約5~15分かかり、使用するデータの量は数秒で予測できる。
論文 参考訳(メタデータ) (2022-12-10T13:20:48Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳(メタデータ) (2021-06-24T17:29:42Z) - Global soil moisture from in-situ measurements using machine learning --
SoMo.ml [0.0]
機械学習, SoMo.ml を用いたその場測定から得られた土壌水分の地球規模の長期データセットについて述べる。
我々は、世界中の1000以上のステーションから収集されたその場データに基づいて、空間および時間における土壌水分動態を推定するために、Long Short-Term Memory(LSTM)モデルを訓練する。
論文 参考訳(メタデータ) (2020-10-05T22:32:28Z)
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。