論文の概要: Transfer Learning Approaches for Knowledge Discovery in Grid-based
Geo-Spatiotemporal Data
- arxiv url: http://arxiv.org/abs/2110.00841v1
- Date: Sat, 2 Oct 2021 16:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:26:37.903169
- Title: Transfer Learning Approaches for Knowledge Discovery in Grid-based
Geo-Spatiotemporal Data
- Title(参考訳): グリッド型地理空間データにおける知識発見のための伝達学習手法
- Authors: Aishwarya Sarkar, Jien Zhang, Chaoqun Lu, Ali Jannesari
- Abstract要約: 時空間的特徴の抽出と解析は,洪水などの自然現象の根本原因を認識する上で重要である。
本稿では,知識をある地域から別の地域へ伝達するこの問題に対処するために,効果的に再利用可能な事前学習モデルであるHydroDeepを提案する。
- 参考スコア(独自算出の注目度): 1.2693545159861856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting and meticulously analyzing geo-spatiotemporal features is crucial
to recognize intricate underlying causes of natural events, such as floods.
Limited evidence about hidden factors leading to climate change makes it
challenging to predict regional water discharge accurately. In addition, the
explosive growth in complex geo-spatiotemporal environment data that requires
repeated learning by the state-of-the-art neural networks for every new region
emphasizes the need for new computationally efficient methods, advanced
computational resources, and extensive training on a massive amount of
available monitored data. We, therefore, propose HydroDeep, an effectively
reusable pretrained model to address this problem of transferring knowledge
from one region to another by effectively capturing their intrinsic
geo-spatiotemporal variance. Further, we present four transfer learning
approaches on HydroDeep for spatiotemporal interpretability that improve
Nash-Sutcliffe efficiency by 9% to 108% in new regions with a 95% reduction in
time.
- Abstract(参考訳): 洪水などの自然現象の根底にある複雑な原因を認識するためには,地理空間的特徴の抽出と細心の注意を要する解析が不可欠である。
気候変動につながる隠れた要因に関する限られた証拠は、地域排水の正確な予測を困難にしている。
さらに、新しい領域ごとに最先端のニューラルネットワークによる繰り返し学習を必要とする複雑な地空間環境データの爆発的な成長は、新しい計算効率の良い方法、高度な計算資源、および大量の監視データに対する広範なトレーニングの必要性を強調している。
そこで本研究では,その固有空間空間的分散を効果的に捉えることにより,ある領域から別の領域へ知識を伝達するという課題に対処するために,効果的に再利用可能な事前学習モデルであるハイドロディープを提案する。
さらに,Nash-Sutcliffe効率を9%から108%向上し,95%の時間短縮を実現するため,Hydrodeepに4つの移行学習手法を提案する。
関連論文リスト
- Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。
我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
論文 参考訳(メタデータ) (2023-09-29T03:33:53Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳(メタデータ) (2023-09-11T21:14:55Z) - 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) - Accelerating Domain-aware Deep Learning Models with Distributed Training [0.8164433158925593]
モデル性能を改善したドメイン固有知識を利用した分散ドメイン認識ネットワークを提案する。
以上の結果から,最大4.1倍の速さで流出口の流出ピークを効果的に予測した。
提案手法は全体の12.6倍の高速化を実現し,平均予測性能は16%向上した。
論文 参考訳(メタデータ) (2023-01-25T22:59:47Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - A GNN-RNN Approach for Harnessing Geospatial and Temporal Information:
Application to Crop Yield Prediction [18.981160729510417]
本稿では,地理的知識と時間的知識を両立させるため,収穫量予測のためのグラフベースの新しいリカレントニューラルネットワークを提案する。
米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
論文 参考訳(メタデータ) (2021-11-17T04:43:25Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Applications of physics-informed scientific machine learning in
subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。
したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。
近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文 参考訳(メタデータ) (2021-04-10T13:40:22Z) - HydroDeep -- A Knowledge Guided Deep Neural Network for
Geo-Spatiotemporal Data Analysis [0.726437825413781]
本稿では,ハイブリッドニューラルネットワークアーキテクチャであるHydroDeepを紹介する。
これは、Deep Convolutional Neural Network(CNN)とLong Short-Term Memory(LSTM)ネットワークを組み合わせたプロセスベースの水文生態モデルである。
これは独立系CNNとLSTMのパフォーマンスをそれぞれ1.6%、ナッシュ・サトクリフの効率で10.5%上回っている。
論文 参考訳(メタデータ) (2020-10-09T02:20:59Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳(メタデータ) (2020-06-05T08:04:37Z)
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。