論文の概要: Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network

• arxiv url: http://arxiv.org/abs/2109.13235v1
• Date: Mon, 27 Sep 2021 09:19:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:58:43.768141
• Title: Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network
• Title（参考訳）: ベイズ時空間グラフ畳み込みニューラルネットワークを用いた湖面水温の確率論的モデリング
• Authors: Michael Stalder, Firat Ozdemir, Artur Safin, Jonas Sukys, Damien Bouffard, Fernando Perez-Cruz
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate lake temperature estimation is essential for numerous problems tackled in both hydrological and ecological domains. Nowadays physical models are developed to estimate lake dynamics; however, computations needed for accurate estimation of lake surface temperature can get prohibitively expensive. We propose to aggregate simulations of lake temperature at a certain depth together with a range of meteorological features to probabilistically estimate lake surface temperature. Accordingly, we introduce a spatio-temporal neural network that combines Bayesian recurrent neural networks and Bayesian graph convolutional neural networks. This work demonstrates that the proposed graphical model can deliver homogeneously good performance covering the whole lake surface despite having sparse training data available. Quantitative results are compared with a state-of-the-art Bayesian deep learning method. Code for the developed architectural layers, as well as demo scripts, are available on https://renkulab.io/projects/das/bstnn.
• Abstract（参考訳）: 正確な湖沼温度推定は、水文学領域と生態学領域の両方で取り組む多くの問題に不可欠である。 今日では湖沼の動力学を推定するために物理モデルが開発されているが、湖面温度の正確な推定に必要な計算は極めて高価である。 本研究では,湖沼表面温度を確率論的に推定するために,湖沼の温度をある程度の深さでシミュレーションする。 そこで,ベイジアンリカレントニューラルネットワークとベイジアングラフ畳み込みニューラルネットワークを組み合わせた時空間ニューラルネットワークを提案する。 本研究は,少ないトレーニングデータを持つにもかかわらず,提案したグラフィカルモデルが湖表面全体を均質に良好な性能でカバーできることを実証する。 定量的な結果は最先端のベイズ深層学習法と比較される。 開発済みのアーキテクチャレイヤのコードとデモスクリプトはhttps://renkulab.io/projects/das/bstnnで公開されている。

関連論文リスト

• Evaluation of Deep Neural Operator Models toward Ocean Forecasting [0.3774866290142281]
  ディープ・ニューラル・オペレーター・モデルは、古典的な流体の流れと現実的な海洋力学のシミュレーションを予測することができる。 我々はまず,シリンダーを過ぎる2次元流体の模擬実験で,このような深部ニューラルネットワークモデルの能力を評価する。 次に,中部大西洋帯およびマサチューセッツ湾における海洋表層循環予測への応用について検討した。
  論文  参考訳（メタデータ） (2023-08-22T22:38:54Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• 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)
• Rejecting noise in Baikal-GVD data with neural networks [0.0]
  本稿では,相対論的粒子の伝搬から発する信号からのノイズヒットを効率的に分離するニューラルネットワークを提案する。 ネットワークのメトリクスは、モンテカルロシミュレーションデータセット上で99%の信号純度(精度)と96%の生存効率(リコール)に達する。
  論文  参考訳（メタデータ） (2022-10-10T12:56:44Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks [0.0]
  本稿では,最大水深の予測を画像から画像への変換問題と考えることを提案する。 結果は、シミュレーションを行うのではなく、データから学習した情報を用いて入力標高から生成される。 提案したニューラルネットワークは、都市レイアウト計画のための洪水予測など、異なるが関連する問題に適用できる可能性がある。
  論文  参考訳（メタデータ） (2020-04-17T16:44:46Z)

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。