論文の概要: Flood forecasting with machine learning models in an operational framework

• arxiv url: http://arxiv.org/abs/2111.02780v1
• Date: Thu, 4 Nov 2021 11:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 19:59:59.617293
• Title: Flood forecasting with machine learning models in an operational framework
• Title（参考訳）: 運用フレームワークにおける機械学習モデルによる洪水予測
• Authors: Sella Nevo (1), Efrat Morin (2), Adi Gerzi Rosenthal (1), Asher Metzger (1), Chen Barshai (1), Dana Weitzner (1), Dafi Voloshin (1), Frederik Kratzert (1), Gal Elidan (1,2), Gideon Dror (1), Gregory Begelman (1), Grey Nearing (1), Guy Shalev (1), Hila Noga (1), Ira Shavitt (1), Liora Yuklea (1), Moriah Royz (1), Niv Giladi (1), Nofar Peled Levi (1), Ofir Reich (1), Oren Gilon (1), Ronnie Maor (1), Shahar Timnat (1), Tal Shechter (1), Vladimir Anisimov (1), Yotam Gigi (1), Yuval Levin (1), Zach Moshe (1), Zvika Ben-Haim (1), Avinatan Hassidim (1) and Yossi Matias (1) ((1) Google Research, Tel-Aviv, Israel, (2) Hebrew University of Jerusalem, Jerusalem, Israel)
• Abstract要約: Googleによる運用中の洪水予報システムは、機関や一般大衆に正確なリアルタイムの洪水警報を提供するために開発された。 予測システムは、データ検証、ステージ予測、浸水モデル、警報分布の4つのサブシステムから構成される。 2021年のモンスーンシーズンの間、洪水警報システムはインドとバングラデシュで運用され、総面積は287,000 km2で、350万人以上が居住していた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The operational flood forecasting system by Google was developed to provide accurate real-time flood warnings to agencies and the public, with a focus on riverine floods in large, gauged rivers. It became operational in 2018 and has since expanded geographically. This forecasting system consists of four subsystems: data validation, stage forecasting, inundation modeling, and alert distribution. Machine learning is used for two of the subsystems. Stage forecasting is modeled with the Long Short-Term Memory (LSTM) networks and the Linear models. Flood inundation is computed with the Thresholding and the Manifold models, where the former computes inundation extent and the latter computes both inundation extent and depth. The Manifold model, presented here for the first time, provides a machine-learning alternative to hydraulic modeling of flood inundation. When evaluated on historical data, all models achieve sufficiently high-performance metrics for operational use. The LSTM showed higher skills than the Linear model, while the Thresholding and Manifold models achieved similar performance metrics for modeling inundation extent. During the 2021 monsoon season, the flood warning system was operational in India and Bangladesh, covering flood-prone regions around rivers with a total area of 287,000 km2, home to more than 350M people. More than 100M flood alerts were sent to affected populations, to relevant authorities, and to emergency organizations. Current and future work on the system includes extending coverage to additional flood-prone locations, as well as improving modeling capabilities and accuracy.
• Abstract（参考訳）: googleによる運用洪水予報システム(operational flood forecasting system)は、測定された大きな河川での河川洪水に焦点をあてて、機関や大衆に正確なリアルタイム洪水警報を提供するために開発された。 2018年に運用が開始され、以降地理的に拡張されている。 この予測システムは、データ検証、ステージ予測、浸水モデル、警報分布の4つのサブシステムから構成される。 機械学習は2つのサブシステムで使用される。 ステージ予測はLong Short-Term Memory(LSTM)ネットワークとLinearモデルでモデル化される。 浸水はしきい値モデルと多様体モデルで計算され、前者は浸水範囲を計算し、後者は浸水範囲と深さの両方を計算する。 Manifoldモデルは、初めて提示されたモデルで、洪水浸水の水理モデルに代わる機械学習の代替を提供する。 過去のデータに基づいて評価すると、すべてのモデルが運用に十分な高性能なメトリクスを達成できる。 lstmは線形モデルよりも高いスキルを示したが、しきい値モデルと多様体モデルも同様の性能指標を計算した。 2021年のモンスーンシーズンの間、洪水警報システムはインドとバングラデシュで運用され、総面積は287,000 km2で、350万人以上が居住していた。 1億人以上の洪水警報が被災者、関係当局、緊急機関に送られた。 システムに関する現在および将来の作業には、追加の洪水発生地へのカバレッジの拡張、モデリング能力と精度の改善が含まれる。

関連論文リスト

• Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
  高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。 このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。 流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。 大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T20:18:32Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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 Models for Flood Predictions in South Florida [0.0]
  本研究では,複数のディープラーニングモデル(DL)をサロゲートモデルとして使用して,水ステージを高速に予測する。 DLモデルの性能は、極端な降水条件下であっても物理モデルに匹敵する。 今後の水ステージを予測するため,我々のDLモデルは,近年の河川水系の測定値を用いている。
  論文  参考訳（メタデータ） (2023-06-28T04:15:01Z)
• 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)
• Pi theorem formulation of flood mapping [0.0]
  本稿では,次元のないマルチスケール機能に基づいた機械学習モデル一般化のためのフレームワークを提案する。 次元のない特徴は次元的特徴よりも優れており、モデルが1つの領域で訓練され、別の領域でテストされたときに、最も大きな利得が生じる。
  論文  参考訳（メタデータ） (2022-11-01T17:57:38Z)
• A Simple Baseline for Adversarial Domain Adaptation-based Unsupervised Flood Forecasting [6.05061968456464]
  Flood Domain Adaptation Network (FloodDAN)は、洪水予測問題にUnsupervised Domain Adaptation (UDA)を適用するためのベースラインである。 FloodDANは、ターゲットドメインの監視をゼロにすることで、効果的に洪水予報を行うことができる。
  論文  参考訳（メタデータ） (2022-06-16T11:58:52Z)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。