論文の概要: SWAT Watershed Model Calibration using Deep Learning
- arxiv url: http://arxiv.org/abs/2110.03097v1
- Date: Wed, 6 Oct 2021 22:56:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-09 09:50:29.592319
- Title: SWAT Watershed Model Calibration using Deep Learning
- Title（参考訳）: 深層学習を用いたSWAT流域モデル校正
- Authors: M. K. Mudunuru, K. Son, P. Jiang, X. Chen
- Abstract要約: 深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。
畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。
その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.860255319568951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Watershed models such as the Soil and Water Assessment Tool (SWAT) consist of
high-dimensional physical and empirical parameters. These parameters need to be
accurately calibrated for models to produce reliable predictions for
streamflow, evapotranspiration, snow water equivalent, and nutrient loading.
Existing parameter estimation methods are time-consuming, inefficient, and
computationally intensive, with reduced accuracy when estimating
high-dimensional parameters. In this paper, we present a fast, accurate, and
reliable methodology to calibrate the SWAT model (i.e., 21 parameters) using
deep learning (DL). We develop DL-enabled inverse models based on convolutional
neural networks to ingest streamflow data and estimate the SWAT model
parameters. Hyperparameter tuning is performed to identify the optimal neural
network architecture and the nine next best candidates. We use ensemble SWAT
simulations to train, validate, and test the above DL models. We estimated the
actual parameters of the SWAT model using observational data. We test and
validate the proposed DL methodology on the American River Watershed, located
in the Pacific Northwest-based Yakima River basin. Our results show that the DL
models-based calibration is better than traditional parameter estimation
methods, such as generalized likelihood uncertainty estimation (GLUE). The
behavioral parameter sets estimated by DL have narrower ranges than GLUE and
produce values within the sampling range even under high relative observational
errors. This narrow range of parameters shows the reliability of the proposed
workflow to estimate sensitive parameters accurately even under noise. Due to
its fast and reasonably accurate estimations of process parameters, the
proposed DL workflow is attractive for calibrating integrated hydrologic models
for large spatial-scale applications.
- Abstract（参考訳）: 土壌および水質評価ツール(swat)のような流域モデルは、高次元の物理的および経験的パラメータで構成されている。
これらのパラメータは、流量、蒸発散、積雪水等価量、および栄養負荷の信頼できる予測を生成するモデルに対して正確に調整する必要がある。
既存のパラメータ推定法は、時間消費、非効率、計算集約であり、高次元パラメータを推定する際に精度が低下する。
本稿では,深層学習(DL)を用いてSWATモデル(21パラメータ)を校正する,高速で正確かつ信頼性の高い手法を提案する。
畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。
最適ニューラルネットワークアーキテクチャと次の9つのベスト候補を特定するために、ハイパーパラメータチューニングが実行される。
以上のDLモデルのトレーニング,検証,テストには,アンサンブルSWATシミュレーションを用いる。
観測データを用いてSWATモデルの実際のパラメータを推定した。
太平洋北西部のヤキマ川流域に位置するアメリカン川流域において,提案したDL手法を検証,検証した。
その結果,DLモデルに基づくキャリブレーションは,一般化された不確実性推定(GLUE)のような従来のパラメータ推定手法よりも優れていることがわかった。
DLにより推定される行動パラメータ集合はGLUEよりも狭く、相対的誤差が高い場合であってもサンプリング範囲内で値を生成する。
この狭い範囲のパラメータは、ノイズ下であっても精度の高いパラメータを正確に推定するワークフローの信頼性を示す。
プロセスパラメータの迅速かつ合理的な推定のため,提案するDLワークフローは,大規模な空間的応用のための統合水理モデルの校正に有用である。
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) - LoRTA: Low Rank Tensor Adaptation of Large Language Models [70.32218116940393]
Low Rank Adaptation (LoRA) は、下流タスクのための大規模な事前学習モデルに効果的に適応する、PEFT (Efficient Fine Tuning) 手法として人気がある。
モデル更新に低階テンソルパラメトリゼーションを用いる新しい手法を提案する。
提案手法は,大規模言語モデルの微調整に有効であり,比較性能を維持しつつ,パラメータ数の大幅な削減を実現している。
論文 参考訳（メタデータ） (2024-10-05T06:59:50Z) - SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。
本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。
本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T16:44:47Z) - Straightforward Layer-wise Pruning for More Efficient Visual Adaptation [0.0]
そこで本研究では,PETL転送モデルに対するSLSと呼ばれるStraightforward層ワイドプルーニング手法を提案する。
本研究は, プレニング指標の保存に焦点をあてたレイヤワイドプルーニングが, ストレージ容量の懸念に対処することを明らかにする。
論文 参考訳（メタデータ） (2024-07-19T14:10:35Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:14:49Z) - Approximate Bayesian Computation for Physical Inverse Modeling [0.32771631221674324]
本稿では,モデルパラメータ抽出プロセスを自動化する手法を提案する。
その結果, 勾配木を用いた移動曲線から抽出したパラメータを正確に予測できることが示唆された。
この研究は、提案したフレームワークと微調整されたニューラルネットワークの比較分析も提供し、提案したフレームワークの性能が向上することが示されている。
論文 参考訳（メタデータ） (2021-11-26T02:23:05Z) - Combining data assimilation and machine learning to estimate parameters
of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文 参考訳（メタデータ） (2021-09-07T09:17:29Z) - 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) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z) - Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。
LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文 参考訳（メタデータ） (2020-02-12T18:57:14Z)
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。