論文の概要: Prediction in ungauged regions with sparse flow duration curves and
input-selection ensemble modeling
- arxiv url: http://arxiv.org/abs/2011.13380v1
- Date: Thu, 26 Nov 2020 16:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 08:20:15.662235
- Title: Prediction in ungauged regions with sparse flow duration curves and
input-selection ensemble modeling
- Title(参考訳): スパースフロー持続曲線と入力選択アンサンブルモデルを用いた未観測領域の予測
- Authors: Dapeng Feng, Kathryn Lawson and Chaopeng Shen
- Abstract要約: エンコーダを用いて, LSTMネットワークを用いて, スパースフロー持続時間曲線(FDC)データを移動・同化できることを実証した。
厳密な地域ベースのホールドアウトテストでは、米国データセットのKling-Gupta効率(KGE)は0.62で、これまでの最先端のグローバルスケールの未掘削盆地試験よりもかなり高かった。
- 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: While long short-term memory (LSTM) models have demonstrated stellar
performance with streamflow predictions, there are major risks in applying
these models in contiguous regions with no gauges, or predictions in ungauged
regions (PUR) problems. However, softer data such as the flow duration curve
(FDC) may be already available from nearby stations, or may become available.
Here we demonstrate that sparse FDC data can be migrated and assimilated by an
LSTM-based network, via an encoder. A stringent region-based holdout test
showed a median Kling-Gupta efficiency (KGE) of 0.62 for a US dataset,
substantially higher than previous state-of-the-art global-scale ungauged basin
tests. The baseline model without FDC was already competitive (median KGE
0.56), but integrating FDCs had substantial value. Because of the inaccurate
representation of inputs, the baseline models might sometimes produce
catastrophic results. However, model generalizability was further meaningfully
improved by compiling an ensemble based on models with different input
selections.
- Abstract(参考訳): 長寿命短期記憶(LSTM)モデルはストリームフロー予測で恒星の性能を示すが、ゲージのない連続領域や未ゲージ領域(PUR)の予測では大きなリスクがある。
しかし、フロー持続時間曲線(FDC)のようなよりソフトなデータはすでに近くの駅から入手できるか、利用可能になる可能性がある。
本稿では, LSTMベースのネットワークによって, エンコーダを介して, スパースFDCデータを移動・同化できることを実証する。
厳密な地域ベースのホールドアウトテストでは、米国データセットのKling-Gupta効率(KGE)は0.62で、これまでの最先端のグローバルスケールの未掘削盆地試験よりもかなり高かった。
FDCのないベースラインモデルは、既に競争力があった(現在のKGE 0.56)が、FDCを統合することにはかなり価値があった。
入力の不正確な表現のため、ベースラインモデルは時に破滅的な結果をもたらすことがある。
しかし、入力選択の異なるモデルに基づいてアンサンブルをコンパイルすることで、モデル一般化性はさらに向上した。
関連論文リスト
- Drift-Resilient TabPFN: In-Context Learning Temporal Distribution Shifts on Tabular Data [39.40116554523575]
In-Context Learning with a Prior-Data Fitted Network に基づく新しいアプローチである Drift-Resilient TabPFN を提案する。
先行した合成データセットのベイズ推定を近似することを学ぶ。
精度は0.688から0.744に向上し、OC AUCは0.786から0.832に向上し、キャリブレーションも強化された。
論文 参考訳(メタデータ) (2024-11-15T23:49:23Z) - More precise edge detections [0.0]
エッジ検出 (ED) はコンピュータビジョンの基本的なタスクである。
現在のモデルは相変わらず不満足な精度に悩まされている。
より正確な予測のためのモデルアーキテクチャはまだ調査が必要である。
論文 参考訳(メタデータ) (2024-07-29T13:24:55Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳(メタデータ) (2023-11-01T12:17:05Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳(メタデータ) (2023-10-01T05:07:17Z) - Concurrent Misclassification and Out-of-Distribution Detection for
Semantic Segmentation via Energy-Based Normalizing Flow [0.0]
最近のセマンティックセグメンテーションモデルは、トレーニングデータセットの分布に類似したテスト時間例を正確に分類する。
本稿では,正規化フローフレームワークに依存するIDMとOOD検出を同時に行うための生成モデルを提案する。
FlowEneDetは、事前トレーニングされたDeepLabV3+およびSegFormerセマンティックセグメンテーションモデルに適用した場合、IDM/OOD検出におけるCityscapes、Cityscapes-C、FishyScapes、SegmentMeIfYouCanベンチマークの有望な結果を達成する。
論文 参考訳(メタデータ) (2023-05-16T17:02:57Z) - Strategic Geosteeering Workflow with Uncertainty Quantification and Deep
Learning: A Case Study on the Goliat Field [0.0]
本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。
オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。
オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
論文 参考訳(メタデータ) (2022-10-27T15:38:26Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳(メタデータ) (2022-07-04T12:52:38Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z)
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。