論文の概要: An evaluation of deep learning models for predicting water depth
evolution in urban floods
- arxiv url: http://arxiv.org/abs/2302.10062v1
- Date: Mon, 20 Feb 2023 16:08:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 14:56:44.490541
- Title: An evaluation of deep learning models for predicting water depth
evolution in urban floods
- Title(参考訳): 都市洪水における水深進化予測のための深層学習モデルの評価
- Authors: Stefania Russo, Nathana\"el Perraudin, Steven Stalder, Fernando
Perez-Cruz, Joao Paulo Leitao, Guillaume Obozinski, Jan Dirk Wegner
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 59.31940764426359
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this technical report we compare different deep learning models for
prediction of water depth rasters at high spatial resolution. Efficient,
accurate, and fast methods for water depth prediction are nowadays important as
urban floods are increasing due to higher rainfall intensity caused by climate
change, expansion of cities and changes in land use. While hydrodynamic models
models can provide reliable forecasts by simulating water depth at every
location of a catchment, they also have a high computational burden which
jeopardizes their application to real-time prediction in large urban areas at
high spatial resolution. Here, we propose to address this issue by using
data-driven techniques. Specifically, we evaluate deep learning models which
are trained to reproduce the data simulated by the CADDIES cellular-automata
flood model, providing flood forecasts that can occur at different future time
horizons. The advantage of using such models is that they can learn the
underlying physical phenomena a priori, preventing manual parameter setting and
computational burden. We perform experiments on a dataset consisting of two
catchments areas within Switzerland with 18 simpler, short rainfall patterns
and 4 long, more complex ones. Our results show that the deep learning models
present in general lower errors compared to the other methods, especially for
water depths $>0.5m$. However, when testing on more complex rainfall events or
unseen catchment areas, the deep models do not show benefits over the simpler
ones.
- Abstract(参考訳): 本研究では,高分解能水深ラスタの予測のために,異なる深層学習モデルを比較した。
気候変動、都市の拡大、土地利用の変化による降雨強度の増加により都市洪水が増加しているため、水深予測の効率的、正確、迅速な方法が現在重要である。
流体力学モデルでは, キャッチメントの各地点で水深をシミュレーションすることで, 信頼性の高い予測を行うことができるが, 空間分解能の高い大都市におけるリアルタイム予測への適用を阻害する計算負担も大きい。
本稿では,データ駆動手法を用いてこの問題に対処することを提案する。
具体的には,caddies cell-automata flood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た深層学習モデルを評価する。
このようなモデルを使用することの利点は、基礎となる物理現象を事前学習できることであり、手動のパラメータ設定や計算負荷を防止できる。
スイスの2つの漁獲地域からなり、18の単純で短い降雨パターンと4つの長く複雑なパターンからなるデータセットで実験を行った。
以上の結果から, 深層学習モデルは他の手法と比較して, 一般に低い誤差を示しており, 特に水深$>0.5m$。
しかし、より複雑な降雨イベントや目立たない漁獲エリアでテストする場合、より単純なものよりも深いモデルは利点を示さない。
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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Machine learning emulation of a local-scale UK climate model [22.374171443798037]
我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。
自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
論文 参考訳(メタデータ) (2022-11-29T11:44:35Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳(メタデータ) (2021-09-27T09:19:53Z) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z)
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。