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
- Scientific Machine Learning of Flow Resistance Using Universal Shallow Water Equations with Differentiable Programming [5.061700088495018]
我々はハイブリッド流体力学モデリングのための普遍的なSWE解法であるHydrogradを開発した。
正確に前方シミュレーションを行い、自動微分をサポートし、物理発見のための科学的機械学習を実行することができる。
論文 参考訳（メタデータ） (2025-02-18T00:07:14Z) - Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。
このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。
MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems [4.634606500665259]
マルチスケールプロセスのモデリングのための知識誘導機械学習(KGML)フレームワークを提案する。
本研究では,水文学における流れ予測の文脈におけるその性能について検討する。
論文 参考訳（メタデータ） (2024-07-29T16:25:43Z) - 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) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - Learning Generative Models for Lumped Rainfall-Runoff Modeling [3.69758875412828]
本研究は, 降雨流出時系列の合成に着目した, 降雨流出モデリングのための新しい生成モデル手法を提案する。
従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出過程を特徴づける。
本研究では,3000以上のグローバルキャッチメントのデータからニューラルネットワークを用いた生成モデルを訓練し,現在のディープラーニングモデルに匹敵する予測精度を達成した。
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) - 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) - 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)
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。