論文の概要: Modeling Reservoir Release Using Pseudo-Prospective Learning and
Physical Simulations to Predict Water Temperature
- arxiv url: http://arxiv.org/abs/2202.05714v1
- Date: Fri, 11 Feb 2022 15:53:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 16:39:14.195918
- Title: Modeling Reservoir Release Using Pseudo-Prospective Learning and
Physical Simulations to Predict Water Temperature
- Title（参考訳）: 擬似学習と物理シミュレーションによる水温予測による貯留層放出のモデル化
- Authors: Xiaowei Jia, Shengyu Chen, Yiqun Xie, Haoyu Yang, Alison Appling,
Samantha Oliver, Zhe Jiang
- Abstract要約: 本稿では,貯水池を有する河川網における水温予測のための新しいデータ駆動手法を提案する。
貯水池から放たれた水は下流河川セグメントの水温に大きな影響を及ぼす。
流出した水の流れに関する情報は、多くの貯水池では利用できないことが多いため、データ駆動型モデルでは下流の河川セグメントへの影響を捉えるのが困難である。
- 参考スコア（独自算出の注目度）: 7.9082555397450225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a new data-driven method for predicting water temperature
in stream networks with reservoirs. The water flows released from reservoirs
greatly affect the water temperature of downstream river segments. However, the
information of released water flow is often not available for many reservoirs,
which makes it difficult for data-driven models to capture the impact to
downstream river segments. In this paper, we first build a state-aware graph
model to represent the interactions amongst streams and reservoirs, and then
propose a parallel learning structure to extract the reservoir release
information and use it to improve the prediction. In particular, for reservoirs
with no available release information, we mimic the water managers' release
decision process through a pseudo-prospective learning method, which infers the
release information from anticipated water temperature dynamics. For reservoirs
with the release information, we leverage a physics-based model to simulate the
water release temperature and transfer such information to guide the learning
process for other reservoirs. The evaluation for the Delaware River Basin shows
that the proposed method brings over 10\% accuracy improvement over existing
data-driven models for stream temperature prediction when the release data is
not available for any reservoirs. The performance is further improved after we
incorporate the release data and physical simulations for a subset of
reservoirs.
- Abstract（参考訳）: 本稿では,貯水池を有する河川網における水温予測のための新しいデータ駆動手法を提案する。
貯水池から放出される水流は下流の河川セグメントの水温に大きく影響する。
しかし,多くの貯水池では流水に関する情報が得られず,下流河川セグメントへの影響をデータ駆動モデルで把握することは困難である。
本稿では,まず,流路と貯水池間の相互作用を表現する状態認識グラフモデルを構築し,貯水池の放出情報を抽出し,それを用いて予測を改善する並列学習構造を提案する。
特に, 利用可能な放水情報を持たない貯水池では, 水管理者の放水決定過程を擬似予測学習法で模倣し, 予想される水温動態から放水情報を推定する。
リリース情報を持つ貯水池では,物理モデルを用いて水温をシミュレーションし,その情報を伝達し,他の貯水池の学習プロセスを指導する。
デラウェア川流域の評価から,本手法は,貯水池ではリリースデータが利用できない場合に流速予測を行うため,既存のデータ駆動モデルよりも10%以上の精度向上が期待できることがわかった。
貯水池のサブセットに対するリリースデータと物理シミュレーションを組み込んだ結果,さらに性能が向上した。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-12-10T18:23:40Z) - 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) - Heterogeneous Stream-reservoir Graph Networks with Data Assimilation [3.312798619476657]
河川の水温の正確な予測は、河川の生物地球化学的および生態学的過程を監視し、理解するために重要である。
本稿では,ストリーム・リザーバ・ネットワークを基盤とする相互作用プロセスを表現するため,不均一なリカレントグラフモデルを提案する。
貯水池の放水量は一定の貯水池では利用できないため,貯水池の放水に伴う予測バイアスを補正するデータ同化機構を開発する。
論文 参考訳（メタデータ） (2021-10-11T01:47:16Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳（メタデータ） (2021-09-27T09:19:53Z) - Capabilities of Deep Learning Models on Learning Physical Relationships:
Case of Rainfall-Runoff Modeling with LSTM [0.0]
本研究では,深層学習手法が入力データと出力データとを識別できる関係について検討する。
日中降水量と平均空気温度をモデル入力として, 日中流量を推定した。
本研究では,入力変数と対象変数との明示的な物理的関係を,深層学習では適切に学習できないことを示す。
論文 参考訳（メタデータ） (2021-06-15T08:36:16Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Physics-Guided Recurrent Graph Networks for Predicting Flow and
Temperature in River Networks [3.80455319348953]
河川ネットワーク内の複数のセグメント間の相互作用を捉えるために,繰り返しグラフネットワークモデルを構築した。
次に、物理モデルから知識を移し、機械学習モデルを初期化し、ストリームフローと熱力学の物理を学習する。
提案手法は,最先端物理モデルよりも33%/14%向上したことを示す。
論文 参考訳（メタデータ） (2020-09-26T11:46:51Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。