論文の概要: Application of Machine Learning Methods in Inferring Surface Water
Groundwater Exchanges using High Temporal Resolution Temperature Measurements
- arxiv url: http://arxiv.org/abs/2201.00726v1
- Date: Mon, 3 Jan 2022 15:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 14:18:31.670760
- Title: Application of Machine Learning Methods in Inferring Surface Water
Groundwater Exchanges using High Temporal Resolution Temperature Measurements
- Title(参考訳): 高時間分解能温度測定による表層地下水交換の推測における機械学習の適用
- Authors: Mohammad A. Moghaddam, Ty P. A. Ferre, Xingyuan Chen, Kewei Chen,
Mohammad Reza Ehsani
- Abstract要約: 地表面温度観測に基づいて,地表面/地表面交換フラックスを推定する機械学習(ML)と深層学習(DL)アルゴリズムについて検討した。
その結果, ML法とDL法の両方で表面/地表面交換フラックスを推定できることが示唆された。
- 参考スコア(独自算出の注目度): 3.1428002830645916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We examine the ability of machine learning (ML) and deep learning (DL)
algorithms to infer surface/ground exchange flux based on subsurface
temperature observations. The observations and fluxes are produced from a
high-resolution numerical model representing conditions in the Columbia River
near the Department of Energy Hanford site located in southeastern Washington
State. Random measurement error, of varying magnitude, is added to the
synthetic temperature observations. The results indicate that both ML and DL
methods can be used to infer the surface/ground exchange flux. DL methods,
especially convolutional neural networks, outperform the ML methods when used
to interpret noisy temperature data with a smoothing filter applied. However,
the ML methods also performed well and they are can better identify a reduced
number of important observations, which could be useful for measurement network
optimization. Surprisingly, the ML and DL methods better inferred upward flux
than downward flux. This is in direct contrast to previous findings using
numerical models to infer flux from temperature observations and it may suggest
that combined use of ML or DL inference with numerical inference could improve
flux estimation beneath river systems.
- Abstract(参考訳): 地表面温度観測に基づいて,地表面/地表面交換フラックスを推定する機械学習(ML)と深層学習(DL)アルゴリズムについて検討した。
観測とフラックスは、ワシントンd.c.南東部にあるエネルギー省ハンフォード遺跡近くのコロンビア川の条件を表す高分解能数値モデルから生成される。
合成温度観測には、様々な大きさのランダム測定誤差が付加される。
その結果, ML法とDL法の両方を用いて表面/地表面交換フラックスを推定できることが示唆された。
dl法、特に畳み込みニューラルネットワークは、平滑化フィルタを適用して雑音温度データを解釈する際にml法を上回る。
しかし、ML手法も良好に動作し、ネットワーク最適化の計測に有用である重要な観測回数の削減をより正確に識別することができる。
驚くべきことに、ML法とDL法は下向きのフラックスよりも上向きのフラックスを推測する方がよい。
これは、温度観測からフラックスを推定するために数値モデルを用いた以前の結果と直接対照的であり、MLまたはDL推論と数値推論を組み合わせることで、河川系のフラックス推定が向上する可能性が示唆されている。
関連論文リスト
- Diffusion Density Estimators [0.0]
本稿では,フローを解くことなくログ密度を計算できる新しい並列化手法を提案する。
我々のアプローチは、モンテカルロによる経路積分を、拡散モデルのシミュレーション不要な訓練と同一の方法で推定することに基づいている。
論文 参考訳(メタデータ) (2024-10-09T15:21:53Z) - Estimation of Physical Parameters of Waveforms With Neural Networks [0.8142555609235358]
フルウェーブフォームLiDARのポテンシャルは、単なる高さ推定や3D再構成よりもはるかに大きい。
既存のLiDARデータ解析の分野では、逆モデリングによる深さ推定や対数強度の回帰、減衰係数の近似のための深さ推定などがある。
本研究では,LIDARデータ解析におけるパラメータ推定のためのニューラルネットワークに基づく新しい解を提案する。
論文 参考訳(メタデータ) (2023-12-05T22:54:32Z) - Posterior Sampling Based on Gradient Flows of the MMD with Negative Distance Kernel [2.199065293049186]
後方サンプリングと条件生成モデリングのための負距離カーネルによる最大平均誤差(MMD)の条件フロー。
我々は、基底真実と離散的なワッサーシュタイン勾配流を用いた観測の連成分布を近似した。
論文 参考訳(メタデータ) (2023-10-04T11:40:02Z) - Qubit Dynamics beyond Lindblad: Non-Markovianity versus Rotating Wave
Approximation [0.0]
量子ビットと環境自由度の間の相互作用における微妙な効果は、徐々に関連性を持ち、実験的に見えるようになる。
これは特に、量子ビット演算において最もよく用いられる数値シミュレーションプラットフォームの基礎となる時間スケールの分離に適用される。
i)これらの時間スケール分離の違反を実験的に監視できる範囲と、(ii)どれが最も深刻で高精度な予測を行うことができるかという質問に光を当てた。
論文 参考訳(メタデータ) (2023-08-11T09:16:07Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳(メタデータ) (2021-07-30T18:43:14Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。