論文の概要: Heterogeneous Stream-reservoir Graph Networks with Data Assimilation
- arxiv url: http://arxiv.org/abs/2110.04959v1
- Date: Mon, 11 Oct 2021 01:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:58:35.633371
- Title: Heterogeneous Stream-reservoir Graph Networks with Data Assimilation
- Title（参考訳）: データ同化を用いた不均質なストリーム保存グラフネットワーク
- Authors: Shengyu Chen, Alison Appling, Samantha Oliver, Hayley Corson-Dosch,
Jordan Read, Jeffrey Sadler, Jacob Zwart, Xiaowei Jia
- Abstract要約: 河川の水温の正確な予測は、河川の生物地球化学的および生態学的過程を監視し、理解するために重要である。
本稿では,ストリーム・リザーバ・ネットワークを基盤とする相互作用プロセスを表現するため,不均一なリカレントグラフモデルを提案する。
貯水池の放水量は一定の貯水池では利用できないため,貯水池の放水に伴う予測バイアスを補正するデータ同化機構を開発する。
- 参考スコア（独自算出の注目度）: 3.312798619476657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of water temperature in streams is critical for
monitoring and understanding biogeochemical and ecological processes in
streams. Stream temperature is affected by weather patterns (such as solar
radiation) and water flowing through the stream network. Additionally, stream
temperature can be substantially affected by water releases from man-made
reservoirs to downstream segments. In this paper, we propose a heterogeneous
recurrent graph model to represent these interacting processes that underlie
stream-reservoir networks and improve the prediction of water temperature in
all river segments within a network. Because reservoir release data may be
unavailable for certain reservoirs, we further develop a data assimilation
mechanism to adjust the deep learning model states to correct for the
prediction bias caused by reservoir releases. A well-trained temporal modeling
component is needed in order to use adjusted states to improve future
predictions. Hence, we also introduce a simulation-based pre-training strategy
to enhance the model training. Our evaluation for the Delaware River Basin has
demonstrated the superiority of our proposed method over multiple existing
methods. We have extensively studied the effect of the data assimilation
mechanism under different scenarios. Moreover, we show that the proposed method
using the pre-training strategy can still produce good predictions even with
limited training data.
- Abstract（参考訳）: 河川における水温の正確な予測は、河川の生物地球化学的・生態学的過程のモニタリングと理解に重要である。
流れの温度は、気象パターン(太陽放射など)や流路ネットワークを流れる水の影響を受けている。
さらに、水温は人工貯水池から下流のセグメントへの水の放出によって大きく影響を受ける。
本稿では,河川・貯水池ネットワークを基盤とするこれらの相互作用過程を表現し,ネットワーク内の河川セグメントにおける水温予測を改善するための不均一再帰グラフモデルを提案する。
貯水池の放水量は一定の貯水池では利用できないため,貯水池の放水による予測バイアスを補正するために,深層学習モデル状態を調整するためのデータ同化機構をさらに開発する。
将来の予測を改善するために調整状態を使用するためには、よく訓練された時間モデリングコンポーネントが必要である。
そこで本研究では,モデルトレーニングを強化するためのシミュレーションベースの事前学習戦略も導入する。
デラウェア川流域の評価は, 提案手法が既存手法よりも優れていることを示すものである。
我々は,様々なシナリオにおけるデータ同化機構の効果を広く研究してきた。
さらに, 事前学習戦略を用いた提案手法は, 限られたトレーニングデータでも良好な予測を得られることを示す。
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) - TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-12-10T18:23:40Z) - 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) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Modeling Reservoir Release Using Pseudo-Prospective Learning and
Physical Simulations to Predict Water Temperature [7.9082555397450225]
本稿では,貯水池を有する河川網における水温予測のための新しいデータ駆動手法を提案する。
貯水池から放たれた水は下流河川セグメントの水温に大きな影響を及ぼす。
流出した水の流れに関する情報は、多くの貯水池では利用できないことが多いため、データ駆動型モデルでは下流の河川セグメントへの影響を捉えるのが困難である。
論文 参考訳（メタデータ） (2022-02-11T15:53:50Z) - Assessment of Neural Networks for Stream-Water-Temperature Prediction [0.0]
システムのレジリエンスと緩和策を特定するためには,ドライバの機械的理解と期待される変化の大きさが不可欠である。
本研究では,ドイツの6つの河川における水温予測のための最先端ニューラルネットワーク (NN) の選定について述べる。
論文 参考訳（メタデータ） (2021-10-08T17:04:42Z) - 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) - 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) - Inductive Predictions of Extreme Hydrologic Events in The Wabash River
Watershed [15.963061568077567]
我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。
また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。
この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
論文 参考訳（メタデータ） (2021-04-25T02:26:09Z) - Physics-Guided Recurrent Graph Networks for Predicting Flow and
Temperature in River Networks [3.80455319348953]
河川ネットワーク内の複数のセグメント間の相互作用を捉えるために,繰り返しグラフネットワークモデルを構築した。
次に、物理モデルから知識を移し、機械学習モデルを初期化し、ストリームフローと熱力学の物理を学習する。
提案手法は,最先端物理モデルよりも33%/14%向上したことを示す。
論文 参考訳（メタデータ） (2020-09-26T11:46:51Z) - 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。