論文の概要: Application of Group Method of Data Handling and New Optimization Algorithms for Predicting Sediment Transport Rate under Vegetation Cover

• arxiv url: http://arxiv.org/abs/2209.09623v1
• Date: Fri, 16 Sep 2022 21:20:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 19:39:00.121438
• Title: Application of Group Method of Data Handling and New Optimization Algorithms for Predicting Sediment Transport Rate under Vegetation Cover
• Title（参考訳）: データハンドリンググループ法の応用と植生被覆下の土砂輸送速度予測のための新しい最適化アルゴリズム
• Authors: Golnaz Mirzakhani, Elham Ghanbari-Adivi, Rohollah Fattahi, Mohammad Ehteram, Amir Mosavi, Ali Najah Ahmed, Ahmed El-Shafieg
• Abstract要約: 本研究は, グループデータハンドリング法(GMDH)の新規かつ最適化されたバージョンを用いて, 植生被覆下の堆積物輸送率を予測することを目的とする。 モデル入力には、波高、波速度、密度カバー、波力、D50、植生カバーの高さ、カバーステム直径が含まれる。 その結果, アンサンブルモデルとGMDH-HBAモデルは, 沈殿速度を正確に予測できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planting vegetation is one of the practical solutions for reducing sediment transfer rates. Increasing vegetation cover decreases environmental pollution and sediment transport rate (STR). Since sediments and vegetation interact complexly, predicting sediment transport rates is challenging. This study aims to predict sediment transport rate under vegetation cover using new and optimized versions of the group method of data handling (GMDH). Additionally, this study introduces a new ensemble model for predicting sediment transport rates. Model inputs include wave height, wave velocity, density cover, wave force, D50, the height of vegetation cover, and cover stem diameter. A standalone GMDH model and optimized GMDH models, including GMDH honey badger algorithm (HBA) GMDH rat swarm algorithm (RSOA)vGMDH sine cosine algorithm (SCA), and GMDH particle swarm optimization (GMDH-PSO), were used to predict sediment transport rates. As the next step, the outputs of standalone and optimized GMDH were used to construct an ensemble model. The MAE of the ensemble model was 0.145 m3/s, while the MAEs of GMDH-HBA, GMDH-RSOA, GMDH-SCA, GMDH-PSOA, and GMDH in the testing level were 0.176 m3/s, 0.312 m3/s, 0.367 m3/s, 0.498 m3/s, and 0.612 m3/s, respectively. The Nash Sutcliffe coefficient (NSE) of ensemble model, GMDH-HBA, GMDH-RSOA, GMDH-SCA, GMDH-PSOA, and GHMDH were 0.95 0.93, 0.89, 0.86, 0.82, and 0.76, respectively. Additionally, this study demonstrated that vegetation cover decreased sediment transport rate by 90 percent. The results indicated that the ensemble and GMDH-HBA models could accurately predict sediment transport rates. Based on the results of this study, sediment transport rate can be monitored using the IMM and GMDH-HBA. These results are useful for managing and planning water resources in large basins.
• Abstract（参考訳）: 植林植生は土砂移動率を減らすための実用的な解決策の1つである。 植生被覆の増加は環境汚染と堆積物輸送率(STR)を減少させる。 堆積物と植生は複雑に相互作用するため,堆積物輸送速度の予測は困難である。 本研究は,gmdh(group method of data handling)の改訂版を用いて,植生被覆下の土砂輸送速度を予測することを目的とした。 さらに,堆積物の輸送速度を予測する新しいアンサンブルモデルを提案する。 モデル入力には、波の高さ、波速、密度カバー、波力、d50、植生被覆の高さ、被覆茎径が含まれる。 GMDHモデルと最適化されたGMDHモデル(GMDH honey badger algorithm (HBA) GMDH rat swarm algorithm (RSOA)vGMDH sine cosine algorithm (SCA)、GMDH Particle Swarm Optimization (GMDH-PSO))を用いて堆積物の輸送速度の予測を行った。 次のステップとして、スタンドアロンと最適化されたGMDHの出力を使用してアンサンブルモデルを構築した。 アンサンブルモデルのMAEは0.145 m3/s, GMDH-HBA, GMDH-SCA, GMDH-PSOA, GMDHの各MAEは0.176 m3/s, 0.312 m3/s, 0.367 m3/s, 0.498 m3/s, 0.612 m3/sであった。 アンサンブルモデル, GMDH-HBA, GMDH-RSOA, GMDH-SCA, GMDH-PSOA, GHMDHのナッシュサトクリフ係数はそれぞれ0.95 0.93, 0.89, 0.86, 0.82, 0.76であった。 さらに,植生被覆は堆積物輸送率を90%減少させることを示した。 その結果, アンサンブルモデルとGMDH-HBAモデルは, 沈殿速度を正確に予測できることがわかった。 本研究の結果から,IMMおよびGMDH-HBAを用いて,堆積物の輸送速度をモニタリングすることができる。 これらの結果は大流域の水資源の管理・計画に有用である。

関連論文リスト

• Evaluating Sugarcane Yield Variability with UAV-Derived Cane Height under Different Water and Nitrogen Conditions [4.158299176172298]
  プレハーベストデジタル表面モデル(DSM)による異なる水環境下でのサトウキビ収量とサトウキビ高の関係について検討した。 農耕地は,3つの水位(低,中,高)と3つの窒素レベル(低,中,高)に基づいて62ブロックに分け,処理を繰り返した。
  論文  参考訳（メタデータ） (2024-10-28T10:00:56Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Implementing a new fully stepwise decomposition-based sampling technique for the hybrid water level forecasting model in real-world application [13.763378354141118]
  時変非定常信号は、実世界の水文時系列予測において適切に前処理される必要がある。 分解法は優れた候補であり、そのような前処理問題に広く用いられている。 本研究は, 完全段階分解法 (FSDB) サンプリング手法を, 分解に基づく予測モデルのためによく設計したものである。
  論文  参考訳（メタデータ） (2023-09-19T14:40:13Z)
• Preconditioned Score-based Generative Models [49.88840603798831]
  直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。 本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。 PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
  論文  参考訳（メタデータ） (2023-02-13T16:30:53Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• A Machine Learning Data Fusion Model for Soil Moisture Retrieval [0.6675805308519986]
  深層学習に基づく畳み込み回帰モデルを構築し, 上部5cmの土壌の体積含水率を推定する。 入力予測器には、Sentinel-1(アクティブレーダ)、Sentinel-2(光学画像)、SMAP(パッシブレーダ)がある。
  論文  参考訳（メタデータ） (2022-06-20T08:55:42Z)
• Long Short-Term Memory to predict 3D Amino acids Positions in GPCR Molecular Dynamics [0.0]
  LSTM(Long Short-Term Memory Networks)を評価し、受容体の分子動的軌跡を学習し、予測する。 モデルは、非ダイナミックな3D予測における最先端技術に匹敵する、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-06-02T16:40:10Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Towards Theoretically Understanding Why SGD Generalizes Better Than ADAM in Deep Learning [165.47118387176607]
  ADAMライクな適応勾配アルゴリズムが、学習速度が速いにもかかわらず、SGDよりも悪い一般化性能に苦しむ理由は不明である。 具体的には,これらのアルゴリズムの勾配雑音の重みを観測する。
  論文  参考訳（メタデータ） (2020-10-12T12:00:26Z)

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。