論文の概要: High-resolution rainfall-runoff modeling using graph neural network
- arxiv url: http://arxiv.org/abs/2110.10833v1
- Date: Thu, 21 Oct 2021 00:12:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-23 09:54:14.725616
- Title: High-resolution rainfall-runoff modeling using graph neural network
- Title(参考訳): グラフニューラルネットワークを用いた高分解能降雨流出モデル
- Authors: Zhongrun Xiang, Ibrahim Demir
- Abstract要約: 本研究では,高分解能降水データから空間情報をフル活用する新しい深層学習モデルを提案する。
GNRRMは過度に適合せず、モデル性能を大幅に改善した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-series modeling has shown great promise in recent studies using the
latest deep learning algorithms such as LSTM (Long Short-Term Memory). These
studies primarily focused on watershed-scale rainfall-runoff modeling or
streamflow forecasting, but the majority of them only considered a single
watershed as a unit. Although this simplification is very effective, it does
not take into account spatial information, which could result in significant
errors in large watersheds. Several studies investigated the use of GNN (Graph
Neural Networks) for data integration by decomposing a large watershed into
multiple sub-watersheds, but each sub-watershed is still treated as a whole,
and the geoinformation contained within the watershed is not fully utilized. In
this paper, we propose the GNRRM (Graph Neural Rainfall-Runoff Model), a novel
deep learning model that makes full use of spatial information from
high-resolution precipitation data, including flow direction and geographic
information. When compared to baseline models, GNRRM has less over-fitting and
significantly improves model performance. Our findings support the importance
of hydrological data in deep learning-based rainfall-runoff modeling, and we
encourage researchers to include more domain knowledge in their models.
- Abstract(参考訳): 時系列モデリングはLSTM(Long Short-Term Memory)のような最新のディープラーニングアルゴリズムを用いた最近の研究で大きな可能性を秘めている。
これらの研究は主に流域スケールの降水モデルや流量予測に焦点が当てられたが、その大半は1つの流域のみを単位としていた。
この単純化は非常に効果的であるが、空間的な情報を考慮していないため、大きな流域でかなりの誤差が生じる可能性がある。
大規模流域を複数のサブ流域に分割してデータ統合にGNN(Graph Neural Networks)を用いることを検討したが,各流域は依然として全体として扱われ,流域に含まれる地理情報は十分に活用されていない。
本稿では,流れ方向や地理情報を含む高分解能降水データから空間情報をフル活用した新しい深層学習モデルであるgnrrm(graph neural rain-runoff model)を提案する。
ベースラインモデルと比較すると、GNRRMは過度に適合せず、モデル性能を大幅に改善する。
この知見は,深層学習に基づく降雨流出モデルにおける水文データの重要性を裏付けるものであり,そのモデルにより多くのドメイン知識を組み込むことを研究者に促している。
関連論文リスト
- Modeling groundwater levels in California's Central Valley by hierarchical Gaussian process and neural network regression [9.816891579613628]
中央バレー帯水層の3次元岩相テクスチャモデルから学習し,地下水位をモデル化するための新しい機械学習手法を考案した。
本研究では,不規則な井戸データを持つ流域における帯水層応答に対する水文学的理解を補うためにモデル予測がどのように用いられるかを示す。
以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,前回の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
論文 参考訳(メタデータ) (2023-10-23T04:21:26Z) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳(メタデータ) (2023-05-18T16:28:29Z) - 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) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳(メタデータ) (2022-09-15T17:59:31Z) - 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) - 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) - KNN, An Underestimated Model for Regional Rainfall Forecasting [6.421670116083633]
本稿では,様々な機械学習アルゴリズムを適用した統合ツールの設計を目的とする。
Deep Neural Network, Wide Neural Network, Deep and Wide Neural Network, Reservoir Computing, Long Short Term Memory, Support Vector Machine, K-Nearest Neighborは、ニューヨーク州アップステートの異なる漁獲地における地域降水量の予測を行う。
論文 参考訳(メタデータ) (2021-03-28T22:25:29Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。
川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
論文 参考訳(メタデータ) (2020-07-01T16:32:07Z)
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。