論文の概要: Continental-scale streamflow modeling of basins with reservoirs: a
demonstration of effectiveness and a delineation of challenges
- arxiv url: http://arxiv.org/abs/2101.04423v1
- Date: Tue, 12 Jan 2021 11:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:40:49.236799
- Title: Continental-scale streamflow modeling of basins with reservoirs: a
demonstration of effectiveness and a delineation of challenges
- Title（参考訳）: 貯水池と貯水池の大陸規模流れのモデリング : 有効性の実証と課題の定式化
- Authors: Wenyu Ouyang, Kathryn Lawson, Dapeng Feng, Lei Ye, Chi Zhang, Chaopeng
Shen
- Abstract要約: 主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。
ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。
アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
- 参考スコア（独自算出の注目度）: 4.834945446235863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A large fraction of major waterways have dams influencing streamflow, which
must be accounted for in large-scale hydrologic modeling. However, daily
streamflow prediction for basins with dams is challenging for various modeling
approaches, especially at large scales. Here we took a divide-and-conquer
approach to examine which types of basins could be well represented by a long
short-term memory (LSTM) deep learning model using only readily-available
information. We analyzed data from 3557 basins (83% dammed) over the contiguous
United States and noted strong impacts of reservoir purposes,
capacity-to-runoff ratio (dor), and diversion on streamflow on streamflow
modeling. Surprisingly, while the LSTM model trained on a widely-used
reference-basin dataset performed poorly for more non-reference basins, the
model trained on the whole dataset presented a median test Nash-Sutcliffe
efficiency coefficient (NSE) of 0.74, reaching benchmark-level performance. The
zero-dor, small-dor, and large-dor basins were found to have distinct
behaviors, so migrating models between categories yielded catastrophic results.
However, training with pooled data from different sets yielded optimal median
NSEs of 0.73, 0.78, and 0.71 for these groups, respectively, showing noticeable
advantages over existing models. These results support a coherent, mixed
modeling strategy where smaller dams are modeled as part of rainfall-runoff
processes, but dammed basins must not be treated as reference ones and must be
included in the training set; then, large-dor reservoirs can be represented
explicitly and future work should examine modeling reservoirs for fire
protection and irrigation, followed by those for hydroelectric power
generation, and flood control, etc.
- Abstract（参考訳）: 主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。
しかし,ダムを有する流域の毎日の流量予測は,様々なモデリング手法,特に大規模において困難である。
そこで我々は,情報のみを用いて長期記憶(LSTM)深層学習モデルにより,どのタイプの流域を適切に表現できるかを分割・コンカレントで検討した。
アメリカ合衆国における3557の盆地(83%が減衰)のデータを解析し,貯水池の用途,容量対流出比(dor),流れの流れのディバージョンが流れモデルに及ぼす影響を明らかにした。
驚いたことに、LSTMモデルは広く使われている参照ベースベースデータセットでトレーニングされたが、データセット全体でトレーニングされたモデルは、Nash-Sutcliffe効率係数(NSE)の中央値を示し、ベンチマークレベルのパフォーマンスに達した。
ゼロドール, 小型ドール, 大型ドール盆地は異なる挙動を示し, カテゴリー間での移動モデルにより破滅的な結果が得られた。
しかし、異なるデータセットからプールされたデータを用いたトレーニングでは、これらのグループに対してそれぞれ0.73、0.78、0.71の最適中央値NSEが得られ、既存のモデルに対して顕著な優位性を示した。
これらの結果は、降雨流出プロセスの一部として小さなダムをモデル化するコヒーレントな混合モデリング戦略を支持するが、ダム化された流域を基準として扱う必要はなく、訓練セットに含める必要がある。
関連論文リスト
- Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。
本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
論文 参考訳（メタデータ） (2024-10-23T15:36:59Z) - Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems [4.634606500665259]
マルチスケールプロセスのモデリングのための知識誘導機械学習(KGML)フレームワークを提案する。
本研究では,水文学における流れ予測の文脈におけるその性能について検討する。
論文 参考訳（メタデータ） (2024-07-29T16:25:43Z) - No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance [68.18779562801762]
マルチモーダルモデルは、下流の"ゼロショット"のパフォーマンスを線形改善するために、指数関数的に多くのデータを必要とする。
本研究は,大規模な訓練パラダイムの下での「ゼロショット」一般化能力の鍵となる訓練データに対する指数関数的要求を明らかにする。
論文 参考訳（メタデータ） (2024-04-04T17:58:02Z) - The Languini Kitchen: Enabling Language Modelling Research at Different
Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。
私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。
この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文 参考訳（メタデータ） (2023-09-20T10:31:17Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳（メタデータ） (2022-04-18T17:53:44Z) - Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。
我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
論文 参考訳（メタデータ） (2022-03-28T15:06:53Z) - 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) - High Temporal Resolution Rainfall Runoff Modelling Using
Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。
LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
論文 参考訳（メタデータ） (2020-02-07T00:38:03Z) - Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。
アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。
デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文 参考訳（メタデータ） (2020-01-20T15:15:07Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳（メタデータ） (2020-01-16T07:14:32Z)
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。