論文の概要: L2-norm Ensemble Regression with Ocean Feature Weights by Analyzed Images for Flood Inflow Forecast

• arxiv url: http://arxiv.org/abs/2112.03108v1
• Date: Mon, 6 Dec 2021 15:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 20:23:35.946762
• Title: L2-norm Ensemble Regression with Ocean Feature Weights by Analyzed Images for Flood Inflow Forecast
• Title（参考訳）: 洪水流入予測のための画像解析による海洋特徴量のL2-ノルムアンサンブル回帰
• Authors: Takato Yasuno, Masazumi Amakata, Junichiro Fujii, Masahiro Okano, Riku Ogata
• Abstract要約: 著者らは, 海面の画像から抽出した海の特徴ベクトルを生成するために, 新たな目標流入量を提案する。 本手法を関東地方のダムに適用し,2007年から2018年までの訓練期間を6月から10月までに限定的に実施した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is important to forecast dam inflow for flood damage mitigation. The hydrograph provides critical information such as the start time, peak level, and volume. Particularly, dam management requires a 6-h lead time of the dam inflow forecast based on a future hydrograph. The authors propose novel target inflow weights to create an ocean feature vector extracted from the analyzed images of the sea surface. We extracted 4,096 elements of the dimension vector in the fc6 layer of the pre-trained VGG16 network. Subsequently, we reduced it to three dimensions of t-SNE. Furthermore, we created the principal component of the sea temperature weights using PCA. We found that these weights contribute to the stability of predictor importance by numerical experiments. As base regression models, we calibrate the least squares with kernel expansion, the quantile random forest minimized out-of bag error, and the support vector regression with a polynomial kernel. When we compute the predictor importance, we visualize the stability of each variable importance introduced by our proposed weights, compared with other results without weights. We apply our method to a dam at Kanto region in Japan and focus on the trained term from 2007 to 2018, with a limited flood term from June to October. We test the accuracy over the 2019 flood term. Finally, we present the applied results and further statistical learning for unknown flood forecast.
• Abstract（参考訳）: 洪水被害軽減のためのダム流入予測が重要である。 ハイドログラフは開始時間、ピークレベル、ボリュームなどの重要な情報を提供する。 特にダム管理には,将来の水路図に基づくダム流入予測の6時間リード時間が必要である。 著者らは,海面の画像から抽出した海の特徴ベクトルを生成するために,新たな目標流入量を提案する。 プレトレーニングVGG16ネットワークのfc6層における次元ベクトルの4,096要素を抽出した。 その後, t-SNEの3次元に縮小した。 さらに,PCAを用いて海温重量の主成分を作成した。 これらの重みは,数値実験による予測的重要性の安定性に寄与することがわかった。 ベース回帰モデルとして,最小二乗数をカーネル展開,質的ランダムフォレストがバッグ外誤差を最小化し,多項式カーネルを用いたサポートベクトル回帰を校正した。 予測器の重要度を計算すると,提案した重みによる各変数重要度の安定性を,重みのない他の結果と比較して可視化する。 本手法を関東地方のダムに適用し,2007年から2018年6月から10月までの洪水期間を限定した訓練期間に着目した。 私たちは2019年の洪水期間の精度をテストします。 最後に、未知の洪水予測に対する適用結果とさらなる統計的学習について述べる。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• WaterQualityNeT: Prediction of Seasonal Water Quality of Nepal Using Hybrid Deep Learning Models [0.0]
  本稿では,ネパールの季節的な水質を予測するためのハイブリッド深層学習モデルを提案する。 このモデルは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を統合し、データの時間的および空間的パターンを活用する。
  論文  参考訳（メタデータ） (2024-09-17T05:26:59Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood [11.416877401689735]
  最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。 我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:58:31Z)
• Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry [0.82354995224692]
  本研究では, 深層学習に基づく深層水深計測手法について, 疎度, マルチスケール計測による評価を行った。 本稿では, 深部ニューラルネットワーク(DNN)を用いて, 深部潜水量計の後方推定を計算し, 後方分布からサンプルを抽出する条件付き生成逆ネットワーク(cGAN)を提案する。
  論文  参考訳（メタデータ） (2020-11-19T08:22:00Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
  射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。 私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。 次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:35:33Z)
• A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data [0.965964228590342]
  この調査ではテキサス州ハリス郡をテストベッドとし、3つの歴史的な洪水からチャネルセンサーのデータを得た。 このモデルは、2019年のヒューストンのイメルダ洪水を予測するためにテストされ、その結果は経験的な洪水とよく一致している。
  論文  参考訳（メタデータ） (2020-06-15T17:25:34Z)

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。