論文の概要: Experimental study of time series forecasting methods for groundwater level prediction

• arxiv url: http://arxiv.org/abs/2209.13927v1
• Date: Wed, 28 Sep 2022 08:58:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 17:39:56.176894
• Title: Experimental study of time series forecasting methods for groundwater level prediction
• Title（参考訳）: 地下水位予測のための時系列予測手法の実験的検討
• Authors: Michael Franklin Mbouopda (LIMOS, UCA), Thomas Guyet, Nicolas Labroche (UT), Abel Henriot (BRGM)
• Abstract要約: 私たちは1026の地下水位時系列のデータセットを作成しました。 各時系列は、地下水位と降雨と蒸発散の2つの変数を毎日測定して作成されている。 ローカルおよびグローバルな時系列予測手法を含む様々な予測器を比較した。 その結果, 過去の地下水位と降雨量について, グローバルな手法を訓練することで, 最良の予測が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Groundwater level prediction is an applied time series forecasting task with important social impacts to optimize water management as well as preventing some natural disasters: for instance, floods or severe droughts. Machine learning methods have been reported in the literature to achieve this task, but they are only focused on the forecast of the groundwater level at a single location. A global forecasting method aims at exploiting the groundwater level time series from a wide range of locations to produce predictions at a single place or at several places at a time. Given the recent success of global forecasting methods in prestigious competitions, it is meaningful to assess them on groundwater level prediction and see how they are compared to local methods. In this work, we created a dataset of 1026 groundwater level time series. Each time series is made of daily measurements of groundwater levels and two exogenous variables, rainfall and evapotranspiration. This dataset is made available to the communities for reproducibility and further evaluation. To identify the best configuration to effectively predict groundwater level for the complete set of time series, we compared different predictors including local and global time series forecasting methods. We assessed the impact of exogenous variables. Our result analysis shows that the best predictions are obtained by training a global method on past groundwater levels and rainfall data.
• Abstract（参考訳）: 地下水位予測は、洪水や深刻な干ばつなどの自然災害を防ぐだけでなく、水管理を最適化するための重要な社会的影響を持つ時系列予測タスクである。 この課題を達成するための機械学習手法が文献で報告されているが、それらは単一の場所における地下水位予測のみに焦点を当てている。 グローバルな予測手法は, 広範囲の地点から地下水位時系列を利用して, 一つの地点や複数の地点で予測を行う。 近年の高名な競争におけるグローバルな予測手法の成功を考えると、地下水位予測に基づいて評価し、地域の手法と比較することが重要である。 本研究では,地下水位時系列1026のデータセットを作成した。 各時系列は、地下水位を毎日測定し、降雨と蒸発散の2つの外因性変数からなる。 このデータセットは、再現性とさらなる評価のためにコミュニティに提供される。 時系列の完全集合に対して地下水位を効果的に予測するための最適構成を特定するために,局所的およびグローバルな時系列予測手法を含む様々な予測器を比較した。 我々は外因性変数の影響を評価した。 その結果,過去の地下水位と降雨データに基づいてグローバル手法をトレーニングすることで,最良の予測が得られることがわかった。

関連論文リスト

• Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods [0.17999333451993949]
  近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。 ディープラーニングの手法は、短時間の地平線上で、小規模から中規模の極端な事象を予測することを約束している。 大規模な急激な洪水に対処するアンサンブルベースの機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T23:45:04Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas [7.324969824727792]
  本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。 我々は高密度水流強度予測の課題に最初に取り組みました。
  論文  参考訳（メタデータ） (2023-04-04T09:28:36Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Inductive Predictions of Extreme Hydrologic Events in The Wabash River Watershed [15.963061568077567]
  我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。 また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。 この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
  論文  参考訳（メタデータ） (2021-04-25T02:26:09Z)
• Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network [0.5735035463793008]
  インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。 地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。 結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
  論文  参考訳（メタデータ） (2020-10-22T15:01:22Z)
• Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability [0.0]
  我々は,水文時系列予測の新しい単純で柔軟な方法論を提示し,評価する。 この手法は(a)少なくとも2つの個人予測法と(b)予測の中央結合器に依存している。 評価は, 約600駅から90年の平均河川流量時系列データを用いて行った。
  論文  参考訳（メタデータ） (2020-01-02T18:45:43Z)

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。