論文の概要: Machine Learning for Postprocessing Ensemble Streamflow Forecasts
- arxiv url: http://arxiv.org/abs/2106.09547v1
- Date: Tue, 15 Jun 2021 18:46:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-19 14:17:31.969176
- Title: Machine Learning for Postprocessing Ensemble Streamflow Forecasts
- Title(参考訳): 処理後アンサンブルストリームフロー予測のための機械学習
- Authors: Sanjib Sharma, Ganesh Raj Ghimire, and Ridwan Siddique
- Abstract要約: 機械学習と動的モデリングを統合して,短期から中規模(1~7日)におけるストリームフロー予測の質向上を実証する。
我々はLong Short-Term Memory(LSTM)ニューラルネットワークを用いて、動的モデリングから得られた生のアンサンブルストリームフロー予測における予測バイアスを補正する。
検証結果から,LSTMは気候,時間的持続性,決定論的,生のアンサンブル予測に対して,ストリームフロー予測を改善することができることが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skillful streamflow forecasting informs decisions in various areas of water
policy and management. We integrate dynamical modeling with machine learning to
demonstrate the enhanced quality of streamflow forecasts at short-to
medium-range timescales (1 - 7 days). Dynamical modeling generates ensemble
streamflow forecasts by forcing a hydrological model with numerical weather
prediction model outputs. We employ a Long Short-Term Memory (LSTM) neural
network to correct forecast biases in raw ensemble streamflow forecasts
obtained from dynamical modeling. For forecast verification, we use different
metrics such as skill score and reliability diagram conditioned upon the lead
time, flow threshold, and season. The verification results show that the LSTM
can improve streamflow forecasts relative to climatological, temporal
persistence, deterministic, and raw ensemble forecasts. The LSTM demonstrates
improvement across all lead times, flow thresholds, and seasons. As compared to
the raw ensembles, relative gain in forecast skill from LSTM is generally
higher at medium-range timescales compared to initial lead time; high flows
compared to low-moderate flows; and warm-season compared to the cool ones.
Overall, our results highlight the benefits of LSTM for improving both the
skill and reliability of streamflow forecasts.
- Abstract(参考訳): 巧みな流れ予測は、水政策と管理の様々な分野の決定を知らせる。
機械学習と動的モデリングを統合して,短時間から中程度の時間スケール(1~7日)でストリームフロー予測の質向上を実証する。
動的モデリングは,数値気象予測モデルによる水文モデルの出力を強制することで,アンサンブルストリームフロー予測を生成する。
我々はLong Short-Term Memory(LSTM)ニューラルネットワークを用いて、動的モデリングから得られた生アンサンブルストリームフロー予測における予測バイアスを補正する。
予測検証には,リードタイム,フローしきい値,季節に応じて,スキルスコアや信頼性図など,さまざまな指標を使用します。
その結果,LSTMは気候,時間的持続性,決定論的,生のアンサンブル予測に比較して,流量予測を改善することができることがわかった。
LSTMは、すべてのリードタイム、フローしきい値、季節にわたって改善を示す。
生のアンサンブルと比較すると,LSTMによる予測スキルの相対的な向上は,初期リード時に比べて中距離時間で,低モデレート流に比べて高流量で,涼しいものは温季節で,比較的高い。
本結果は,ストリームフロー予測のスキルと信頼性の両方を改善する上で,LSTMの利点を強調した。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM [0.0]
我々は,CNN-LSTMを時系列設定に適用し,ストリームフローの予測にタグ付きストリームフローデータを活用する。
ネブラスカ州32のHUC8流域において, 予測性能は有意に向上した。
論文 参考訳(メタデータ) (2024-04-11T17:10:57Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - 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) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - Temporal Fusion Transformers for Streamflow Prediction: Value of
Combining Attention with Recurrence [0.0]
この研究は、繰り返しと注意を組み合わせることで、ストリームフロー予測を改善することができるという仮説をテストする。
我々はこれら2つの側面を組み合わせたTFT(Temporal Fusion Transformer)アーキテクチャを構築した。
その結果,TFT はストリームフロー予測のために LSTM と Transformer が設定した性能ベンチマークをはるかに上回っていることがわかった。
論文 参考訳(メタデータ) (2023-05-21T03:58:16Z) - Optimal Reservoir Operations using Long Short-Term Memory Network [3.680403821470857]
リアルタイムの流入予測は、水資源の効率的な運用に役立つ。
本研究では,LSTMに基づく簡易な異常検出アルゴリズムを提案する。
実験はインドのバクラダム貯水池のデータに基づいて行われる。
論文 参考訳(メタデータ) (2021-09-07T18:16:22Z) - Fast-Slow Streamflow Model Using Mass-Conserving LSTM [0.0]
流量予測は、水資源を効果的に管理し、気候変動によって悪化する自然災害の発生に備える鍵となる。
ここでは、高速かつ低速なフロー成分の概念を用いて、新しい大量保存長短期記憶(LSTM)ニューラルネットワークモデルを作成する。
水理学的時系列と漁獲属性を用いて毎日の河川流出を予測する。
論文 参考訳(メタデータ) (2021-07-13T13:10:24Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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。