論文の概要: A Simple Baseline for Adversarial Domain Adaptation-based Unsupervised
Flood Forecasting
- arxiv url: http://arxiv.org/abs/2206.08105v1
- Date: Thu, 16 Jun 2022 11:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 02:51:28.517003
- Title: A Simple Baseline for Adversarial Domain Adaptation-based Unsupervised
Flood Forecasting
- Title(参考訳): 逆領域適応型非教師付き洪水予測のための簡易ベースライン
- Authors: Delong Chen, Ruizhi Zhou, Yanling Pan, and Fan Liu
- Abstract要約: Flood Domain Adaptation Network (FloodDAN)は、洪水予測問題にUnsupervised Domain Adaptation (UDA)を適用するためのベースラインである。
FloodDANは、ターゲットドメインの監視をゼロにすることで、効果的に洪水予報を行うことができる。
- 参考スコア(独自算出の注目度): 6.05061968456464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flood disasters cause enormous social and economic losses. However, both
traditional physical models and learning-based flood forecasting models require
massive historical flood data to train the model parameters. When come to some
new site that does not have sufficient historical data, the model performance
will drop dramatically due to overfitting. This technical report presents a
Flood Domain Adaptation Network (FloodDAN), a baseline of applying Unsupervised
Domain Adaptation (UDA) to the flood forecasting problem. Specifically,
training of FloodDAN includes two stages: in the first stage, we train a
rainfall encoder and a prediction head to learn general transferable
hydrological knowledge on large-scale source domain data; in the second stage,
we transfer the knowledge in the pretrained encoder into the rainfall encoder
of target domain through adversarial domain alignment. During inference, we
utilize the target domain rainfall encoder trained in the second stage and the
prediction head trained in the first stage to get flood forecasting
predictions. Experimental results on Tunxi and Changhua flood dataset show that
FloodDAN can perform flood forecasting effectively with zero target domain
supervision. The performance of the FloodDAN is on par with supervised models
that uses 450-500 hours of supervision.
- Abstract(参考訳): 洪水は社会と経済に大きな損失をもたらす。
しかし、伝統的な物理モデルと学習に基づく洪水予測モデルの両方が、モデルパラメータをトレーニングするために大量の過去の洪水データを必要とする。
十分な履歴データを持たない新しいサイトでは、過度な適合のためにモデルのパフォーマンスが劇的に低下します。
本稿では,洪水予測問題にUnsupervised Domain Adaptation (UDA)を適用するベースラインであるFlood Domain Adaptation Network (FloodDAN)を提案する。
具体的には、FloodDANのトレーニングには、第1段階で降雨エンコーダと予測ヘッドを訓練し、大規模ドメインデータ上で一般的な伝達可能な水文知識を学習し、第2段階では、事前訓練されたエンコーダの知識を敵ドメインアライメントを介してターゲットドメインの降雨エンコーダに転送する。
推定では,第2段階で訓練した目標領域降雨エンコーダと第1段階で訓練した予測ヘッドを用いて,洪水予測を行う。
tunxi と changhua flood dataset の実験結果は、フラウンドダンがゼロターゲットドメインの監視で効果的にフラウンド予測を行うことができることを示した。
FloodDANの性能は450-500時間の監視を行う教師付きモデルと同等である。
関連論文リスト
- Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳(メタデータ) (2024-09-27T09:51:25Z) - Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。
また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。
開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
論文 参考訳(メタデータ) (2024-06-06T19:54:34Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。
予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文 参考訳(メタデータ) (2023-07-19T19:19:13Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳(メタデータ) (2023-03-18T16:40:10Z) - 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) - Prior Knowledge-Guided Attention in Self-Supervised Vision Transformers [79.60022233109397]
本研究では、未ラベル画像データセットにおける一貫した空間的・意味的構造を利用するフレームワークである空間的事前注意(SPAN)を提案する。
SPANは、アテンションマスクを別個のトランスフォーマーヘッドから正規化し、セマンティック領域の様々な先導に従う。
その結果,アテンションマスクは,ドメインに依存しない事前学習から得られるマスクよりも解釈可能であることが判明した。
論文 参考訳(メタデータ) (2022-09-07T02:30:36Z) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳(メタデータ) (2022-08-02T03:59:43Z)
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。