論文の概要: Machine Learning Emulation of Urban Land Surface Processes

• arxiv url: http://arxiv.org/abs/2112.11429v1
• Date: Tue, 21 Dec 2021 18:47:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 16:09:03.269208
• Title: Machine Learning Emulation of Urban Land Surface Processes
• Title（参考訳）: 都市地表面過程の機械学習エミュレーション
• Authors: David Meyer, Sue Grimmond, Peter Dueben, Robin Hogan, Maarten van Reeuwijk
• Abstract要約: 我々は,22の都市地表面モデル(ULSM)から平均的なフラックスを訓練した都市ニューラルネットワーク(UNN)を開発した。 基準のULSM(Town Energy Balance; TEB)と比較すると、UNNはフラックス観測よりも精度が高く、計算コストも少なく、パラメータも少ない。 現在,本アプリケーションはトレーニングデータ(1サイト)に制約されているが,複数のULSMの強度をMLを用いて組み合わせることで表面フラックスのモデリングを改善する新しい手法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can we improve the modeling of urban land surface processes with machine learning (ML)? A prior comparison of urban land surface models (ULSMs) found that no single model is 'best' at predicting all common surface fluxes. Here, we develop an urban neural network (UNN) trained on the mean predicted fluxes from 22 ULSMs at one site. The UNN emulates the mean output of ULSMs accurately. When compared to a reference ULSM (Town Energy Balance; TEB), the UNN has greater accuracy relative to flux observations, less computational cost, and requires fewer input parameters. When coupled to the Weather Research Forecasting (WRF) model using TensorFlow bindings, WRF-UNN is stable and more accurate than the reference WRF-TEB. Although the application is currently constrained by the training data (1 site), we show a novel approach to improve the modeling of surface fluxes by combining the strengths of several ULSMs into one using ML.
• Abstract（参考訳）: 機械学習(ML)による都市地表面プロセスのモデル化を改善できるか? 都市地表面モデル(ULSM)の以前の比較では、すべての一般的な表面フラックスを予測するには、単一のモデルが「ベスト」ではないことがわかった。 そこで我々は,ある場所で22個のULSMから平均予測フラックスを学習した都市ニューラルネットワーク(UNN)を開発した。 UNNはULSMの平均出力を正確にエミュレートする。 基準ULSM (Town Energy Balance; TEB) と比較すると、UNNはフラックス観測と比較して精度が高く、計算コストも少なく、入力パラメータも少ない。 TensorFlowバインディングを用いたウェザーリサーチ予測(WRF)モデルと組み合わせると、WRF-UNNは基準のWRF-TEBよりも安定して正確である。 現在,本アプリケーションはトレーニングデータ(1サイト)によって制約されているが,複数のulsmsの強度をmlを用いて1つに組み合わせることで,表面フラックスのモデリングを改善する新しい手法を示す。

関連論文リスト

• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Can AI be enabled to dynamical downscaling? A Latent Diffusion Model to mimic km-scale COSMO5.0\_CLM9 simulations [0.0]
  ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。 本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。 我々のゴールは、最近の生成モデリングの進歩により、DLが数値力学モデルに匹敵する結果をもたらすことを実証することである。
  論文  参考訳（メタデータ） (2024-06-19T15:20:28Z)
• Comparative Analysis on Snowmelt-Driven Streamflow Forecasting Using Machine Learning Techniques [0.20971479389679332]
  我々は、時相畳み込みネットワーク(TCN)を利用した、最先端(SOTA)深層学習シーケンシャルモデルを提案する。 提案モデルの性能を評価するため,SVR(Support Vector Regression),LSTM(Long Short Term Memory),Transformer(Transformer)など,他の一般的なモデルとの比較分析を行った。 平均値では、TNが他のモデルより優れており、MAEは0.011、RMSEは0.023、R2$は0.991、KGEは0.992、NSEは0.991である。
  論文  参考訳（メタデータ） (2024-04-20T09:02:50Z)
• Supervised Contrastive Learning based Dual-Mixer Model for Remaining Useful Life Prediction [3.081898819471624]
  Remaining Useful Life (RUL)予測は、現在の予測モーメントからデバイスの完全な障害までの残時間を正確に見積もることを目的としている。 従来のRUL予測手法における時間的特徴と空間的特徴の厳密結合の欠点を克服するため,Dual-Mixerモデルと呼ばれる空間的時間的特徴抽出器を提案する。 提案手法の有効性は,C-MAPSSデータセットに関する他の最新の研究結果との比較により検証した。
  論文  参考訳（メタデータ） (2024-01-29T14:38:44Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• 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)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)
• Combining Parametric Land Surface Models with Machine Learning [0.8057006406834467]
  いくつかのAmeriFluxサイトで、ハイブリッド機械学習とプロセスベースモデリングのアプローチを提案し、評価した。 ハイブリッドモデルを用いて地球規模の陸地モデルを構築し, 現状を著しく上回る可能性を秘めている。
  論文  参考訳（メタデータ） (2020-02-14T17:50:33Z)

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。