論文の概要: Imputation of Missing Streamflow Data at Multiple Gauging Stations in Benin Republic

• arxiv url: http://arxiv.org/abs/2211.11576v1
• Date: Thu, 17 Nov 2022 22:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 23:13:11.849353
• Title: Imputation of Missing Streamflow Data at Multiple Gauging Stations in Benin Republic
• Title（参考訳）: ベニン共和国の複数のゲージステーションにおける流路データ不足の計算
• Authors: Rendani Mbuvha, Julien Yise Peniel Adounkpe, Wilson Tsakane Mongwe, Mandela Houngnibo, Nathaniel Newlands and Tshilidzi Marwala
• Abstract要約: 本研究は,GEOGloWS ECMWFストリームフローサービス予測のバイアス補正により,ストリームフロー時系列データを再構成する。 テスト期間中に,GESS予測に有意な偏りがあり,ベニナ10駅での予測能力の低下が示唆された。 本研究の成果は,グローバルなGESSストリームフローデータを早期警戒型意思決定システムに統合するための基盤となる。
• 参考スコア（独自算出の注目度）: 1.9173188470245428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streamflow observation data is vital for flood monitoring, agricultural, and settlement planning. However, such streamflow data are commonly plagued with missing observations due to various causes such as harsh environmental conditions and constrained operational resources. This problem is often more pervasive in under-resourced areas such as Sub-Saharan Africa. In this work, we reconstruct streamflow time series data through bias correction of the GEOGloWS ECMWF streamflow service (GESS) forecasts at ten river gauging stations in Benin Republic. We perform bias correction by fitting Quantile Mapping, Gaussian Process, and Elastic Net regression in a constrained training period. We show by simulating missingness in a testing period that GESS forecasts have a significant bias that results in low predictive skill over the ten Beninese stations. Our findings suggest that overall bias correction by Elastic Net and Gaussian Process regression achieves superior skill relative to traditional imputation by Random Forest, k-Nearest Neighbour, and GESS lookup. The findings of this work provide a basis for integrating global GESS streamflow data into operational early-warning decision-making systems (e.g., flood alert) in countries vulnerable to drought and flooding due to extreme weather events.
• Abstract（参考訳）: 流れの観測データは洪水のモニタリング、農業、集落計画に不可欠である。 しかし、こうした流れデータは、厳しい環境条件や運用資源の制約など、様々な原因による観測の欠如に苦しめられている。 この問題はサハラ以南のアフリカのような未資源の地域では広範に行われている。 本研究は,ベニン共和国の河川ガウイング10駅におけるGEOGloWS ECMWF予測のバイアス補正により,ストリームフロー時系列データを再構成する。 拘束されたトレーニング期間において,量子マッピング,ガウス過程,弾性ネット回帰を適合させることでバイアス補正を行う。 我々は,gess予測が有意なバイアスを持つテスト期間における欠落をシミュレーションすることにより,10個のbenineseステーションの予測スキルが低下することを示した。 その結果, 弾性ネットとガウス過程の回帰による全体的な偏差補正は, ランダムフォレスト, k-Nearest Neighbour, GESSルックアップによる従来の計算法と比較して, 優れた技術が得られることが示唆された。 この研究の成果は、極度の天候による干ばつや洪水に弱い国において、グローバルなGESSストリームフローデータを早期警戒型意思決定システム(例えば洪水警報)に統合するための基盤を提供する。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Distributional Regression U-Nets for the Postprocessing of Precipitation Ensemble Forecasts [0.0]
  グリッド型降水アンサンブル予測のためのグローバル統計後処理手法を提案する。 このU-Netベースの分布回帰法は,スコアリングルール最小化によって推定されるパラメトリック分布の形で,限界分布を予測する。
  論文  参考訳（メタデータ） (2024-07-02T10:16:04Z)
• The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
  気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。 予測システムは通常、正確な川の排出予測に依存している。 河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-30T08:45:45Z)
• Implementing a GRU Neural Network for Flood Prediction in Ashland City, Tennessee [0.0]
  テネシー州アシュランド市は上流の水位の増加により洪水の影響を受けやすい。 本研究では, 流域内のUSGS計10ヶ所から30分間隔で水位データを用いて, 都市における強靭な洪水予測モデルを構築した。 このモデルは、アシュランド市における洪水予報に有効なツールであり、災害対策や対応活動の強化に有効であることが判明した。
  論文  参考訳（メタデータ） (2024-05-16T18:14:59Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• 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)
• Bayesian Renormalization [68.8204255655161]
  ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。 ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。 本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
  論文  参考訳（メタデータ） (2023-05-17T18:00:28Z)
• 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)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• 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)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)

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。