論文の概要: ML framework for global river flood predictions based on the Caravan dataset

• arxiv url: http://arxiv.org/abs/2212.00719v1
• Date: Mon, 14 Nov 2022 15:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 14:50:31.051505
• Title: ML framework for global river flood predictions based on the Caravan dataset
• Title（参考訳）: Caravanデータセットに基づく大域河川洪水予測のためのMLフレームワーク
• Authors: Ioanna Bouri, Manu Lahariya, Omer Nivron, Enrique Portales Julia, Dietmar Backes, Piotr Bilinski, Guy Schumann
• Abstract要約: Caravanデータセットに基づいた,初のグローバルな河川洪水予測フレームワークを提供する。 本フレームワークは,今後のグローバルな河川水害予測研究の指標となることを目的としている。
• 参考スコア（独自算出の注目度）: 2.7229925991181534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable prediction of river floods in the first 72 hours can reduce harm because emergency agencies have sufficient time to prepare and deploy for help at the scene. Such river flood prediction models already exist and perform relatively well in most high-income countries. But, due to the limited availability of data, these models are lacking in low-income countries. Here, we offer the first global river flood prediction framework based on the newly published Caravan dataset. Our framework aims to serve as a benchmark for future global river flood prediction research. To support generalizability claims we include custom data evaluation splits. Further, we propose and evaluate a novel two-path LSTM architecture (2P-LSTM) against three baseline models. Finally, we evaluate the generated models on different locations in Africa and Asia that were not part of the Caravan dataset.
• Abstract（参考訳）: 最初の72時間における河川洪水の信頼できる予測は、緊急機関が現場での救助の準備と展開に十分な時間を持っているため、危険を軽減できる。 このような洪水予測モデルは既に存在し、多くの高所得国で比較的よく機能している。 しかし、データの入手が限られているため、低所得国にはこれらのモデルがない。 ここでは,新たに発表されたカラバンデータセットに基づく,最初のグローバル河川洪水予測フレームワークを提供する。 本フレームワークは,今後のグローバルな河川洪水予測研究の指標となることを目的としている。 汎用性クレームをサポートするために、カスタムデータ評価スプリットを含める。 さらに,新しい2経路LSTMアーキテクチャ(2P-LSTM)を3つのベースラインモデルに対して提案し,評価する。 最後に,カラバンデータセットには含まれないアフリカとアジアの異なる場所で生成されたモデルを評価する。

関連論文リスト

• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• 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)
• 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)
• 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)
• A Simple Baseline for Adversarial Domain Adaptation-based Unsupervised Flood Forecasting [6.05061968456464]
  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。
  論文  参考訳（メタデータ） (2022-06-16T11:58:52Z)
• Flood forecasting with machine learning models in an operational framework [0.0]
  Googleによる運用中の洪水予報システムは、機関や一般大衆に正確なリアルタイムの洪水警報を提供するために開発された。 予測システムは、データ検証、ステージ予測、浸水モデル、警報分布の4つのサブシステムから構成される。 2021年のモンスーンシーズンの間、洪水警報システムはインドとバングラデシュで運用され、総面積は287,000 km2で、350万人以上が居住していた。
  論文  参考訳（メタデータ） (2021-11-04T11:58:31Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• RainBench: Towards Global Precipitation Forecasting from Satellite Imagery [6.462260770989231]
  極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。 データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。 現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
  論文  参考訳（メタデータ） (2020-12-17T15:35:24Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。