論文の概要: Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy
- arxiv url: http://arxiv.org/abs/2203.14827v1
- Date: Mon, 28 Mar 2022 15:06:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 16:01:20.285371
- Title: Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy
- Title（参考訳）: 物理的出力を持つ微分可能、学習可能、地域化プロセスベースモデルは、最先端の水理予測精度にアプローチできる
- Authors: Dapeng Feng, Jiangtao Liu, Kathryn Lawson, and Chaopeng Shen
- Abstract要約: 地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。
我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
- 参考スコア（独自算出の注目度）: 1.181206257787103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictions of hydrologic variables across the entire water cycle have
significant value for water resource management as well as downstream
applications such as ecosystem and water quality modeling. Recently, purely
data-driven deep learning models like long short-term memory (LSTM) showed
seemingly-insurmountable performance in modeling rainfall-runoff and other
geoscientific variables, yet they cannot predict unobserved physical variables
and remain challenging to interpret. Here we show that differentiable,
learnable, process-based models (called {\delta} models here) can approach the
performance level of LSTM for the intensively-observed variable (streamflow)
with regionalized parameterization. We use a simple hydrologic model HBV as the
backbone and use embedded neural networks, which can only be trained in a
differentiable programming framework, to parameterize, replace, or enhance the
process-based model modules. Without using an ensemble or post-processor,
{\delta} models can obtain a median Nash Sutcliffe efficiency of 0.715 for 671
basins across the USA for a particular forcing data, compared to 0.72 from a
state-of-the-art LSTM model with the same setup. Meanwhile, the resulting
learnable process-based models can be evaluated (and later, to be trained) by
multiple sources of observations, e.g., groundwater storage,
evapotranspiration, surface runoff, and baseflow. Both simulated
evapotranspiration and fraction of discharge from baseflow agreed decently with
alternative estimates. The general framework can work with models with various
process complexity and opens up the path for learning physics from big data.
- Abstract（参考訳）: 水循環全体にわたる水文変数の予測は、水資源管理だけでなく、生態系や水質モデリングのような下流のアプリケーションにも大きな価値がある。
近年、長期記憶(LSTM)のような純粋にデータ駆動型ディープラーニングモデルは、降雨流出やその他の地質学変数をモデル化する上で、一見不可能な性能を示した。
ここでは、局所化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(ここでは {\delta} モデルと呼ぶ)がアプローチ可能であることを示す。
我々は、単純な水理学モデルhbvをバックボーンとして使用し、プロセスベースのモデルモジュールのパラメータ化、置換、強化のために、差別化可能なプログラミングフレームワークでのみトレーニング可能な組み込みニューラルネットワークを使用する。
アンサンブルやポストプロセッサを使わずに、デルタモデルでは、特定の強制データに対して、米国全域の671の流域で中央値のナッシュサトクリフ効率が0.715であるのに対して、同じセットアップを持つ最先端のLSTMモデルでは0.72である。
一方、得られた学習可能なプロセスベースのモデルは、地下水貯留、蒸発散、表面流出、およびベースフローなど、複数の観測源によって評価される(後に訓練される)。
蒸発散を模擬し, ベースフローから排出する割合を推定した。
一般的なフレームワークは、さまざまなプロセスの複雑さを持つモデルで動作し、ビッグデータから物理学を学ぶための道を開くことができる。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Learning to Generate Lumped Hydrological Models [4.368211287521716]
本研究では,世界の3000以上の漁獲量から生成モデルを学習した。
その後、700以上の異なるキャッチメントに対して最適なモデリング関数を導出するためにモデルが使用された。
本研究は,少数の潜伏変数を用いて,捕食者の水文的挙動を効果的に記述できることを実証した。
論文 参考訳（メタデータ） (2023-09-18T16:07:41Z) - Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
論文 参考訳（メタデータ） (2022-11-12T17:49:18Z) - 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) - 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) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性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） (2021-10-18T14:43:50Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳（メタデータ） (2021-07-24T14:47:22Z) - Enhancing predictive skills in physically-consistent way: Physics
Informed Machine Learning for Hydrological Processes [1.0635248457021496]
本研究では,概念的水文モデルのプロセス理解と最先端MLモデルの予測能力を組み合わせた物理インフォームド機械学習(PIML)モデルを開発する。
提案したモデルを用いて,インドのナルマダ川流域における目標(流れ流)と中間変数(実際の蒸発吸引)の月次時間系列を予測する。
論文 参考訳（メタデータ） (2021-04-22T12:13:42Z) - Integrating Domain Knowledge in Data-driven Earth Observation with
Process Convolutions [13.13700072257046]
両アプローチを組み合わせたハイブリッド学習方式は,これらの問題を効果的に解決できると論じる。
具体的には,時系列モデリングにおける遅延力モデル (LFM) と呼ばれるGP畳み込みモデルのクラスを提案する。
アクティブ(ASCAT)およびパッシブ(SMOS, AMSR2)マイクロ波衛星からの土壌水分の時系列を考察する。
論文 参考訳（メタデータ） (2021-04-16T14:30:40Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - High Temporal Resolution Rainfall Runoff Modelling Using
Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。
LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
論文 参考訳（メタデータ） (2020-02-07T00:38:03Z)
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。