論文の概要: Fully Convolutional Networks for Dense Water Flow Intensity Prediction
in Swedish Catchment Areas
- arxiv url: http://arxiv.org/abs/2304.01658v1
- Date: Tue, 4 Apr 2023 09:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:27:18.743204
- Title: Fully Convolutional Networks for Dense Water Flow Intensity Prediction
in Swedish Catchment Areas
- Title(参考訳): スウェーデン流域における高密度水流強度予測のための完全畳み込みネットワーク
- Authors: Aleksis Pirinen, Olof Mogren and M{\aa}rten V\"asterdal
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.324969824727792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intensifying climate change will lead to more extreme weather events,
including heavy rainfall and drought. Accurate stream flow prediction models
which are adaptable and robust to new circumstances in a changing climate will
be an important source of information for decisions on climate adaptation
efforts, especially regarding mitigation of the risks of and damages associated
with flooding. In this work we propose a machine learning-based approach for
predicting water flow intensities in inland watercourses based on the physical
characteristics of the catchment areas, obtained from geospatial data
(including elevation and soil maps, as well as satellite imagery), in addition
to temporal information about past rainfall quantities and temperature
variations. We target the one-day-ahead regime, where a fully convolutional
neural network model receives spatio-temporal inputs and predicts the water
flow intensity in every coordinate of the spatial input for the subsequent day.
To the best of our knowledge, we are the first to tackle the task of dense
water flow intensity prediction; earlier works have considered predicting flow
intensities at a sparse set of locations at a time. An extensive set of model
evaluations and ablations are performed, which empirically justify our various
design choices. Code and preprocessed data have been made publicly available at
https://github.com/aleksispi/fcn-water-flow.
- Abstract(参考訳): 気候変動の激化は、豪雨や干ばつなど、より極端な気象現象を引き起こす。
変化する気候における新しい状況に適応し、堅牢な正確な流れ流予測モデルは、特に洪水に伴うリスクや被害の軽減に関して、気候適応に関する決定のための重要な情報源となるだろう。
本研究では,過去の降雨量と気温変化の時間的情報に加えて,地理空間データ(標高・土壌図,衛星画像など)から得られた流域の物理特性に基づいて,内陸海域における水流強度を予測する機械学習に基づくアプローチを提案する。
我々は,完全畳み込みニューラルネットワークモデルが時空間入力を受け取り,後日の空間入力の座標ごとに水流強度を予測できる1日頭配置を目標とした。
我々の知識を最大限に活用するために、我々は、密集した水流強度予測のタスクに最初に取り組み、初期の研究は、一度にスパースセットの場所における流れの強度を予測することを検討してきた。
広範なモデル評価とアブレーションが行われ、様々な設計の選択を実証的に正当化します。
コードと前処理されたデータはhttps://github.com/aleksispi/fcn-water-flowで公開されている。
関連論文リスト
- Location Agnostic Adaptive Rain Precipitation Prediction using Deep
Learning [2.0971479389679337]
降雨予測は、場所によって異なる気象や気象の特徴に依存するため、難しい課題である。
我々は、上記の課題に対する解決策を提供するために、適応的なディープラーニングベースのフレームワークを提案してきた。
深部ニューラルネットワークを用いて, パリ, ロサンゼルス, 東京の降水予測を行ったところ, それぞれ43.51%, 5.09%, 38.62%の改善が見られた。
論文 参考訳(メタデータ) (2024-02-02T08:26:42Z) - TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳(メタデータ) (2023-12-10T18:23:40Z) - 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) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - 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) - Experimental study of time series forecasting methods for groundwater
level prediction [0.0]
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。
論文 参考訳(メタデータ) (2022-09-28T08:58:55Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - 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)
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。