論文の概要: A comparison of machine learning surrogate models of street-scale
flooding in Norfolk, Virginia
- arxiv url: http://arxiv.org/abs/2307.14185v1
- Date: Wed, 26 Jul 2023 13:24:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 12:18:44.738353
- Title: A comparison of machine learning surrogate models of street-scale
flooding in Norfolk, Virginia
- Title(参考訳): バージニア州ノーフォークにおける道路規模洪水の機械学習シュロゲートモデルの比較
- Authors: Diana McSpadden and Steven Goldenberg and Binata Roy and Malachi
Schram and Jonathan L. Goodall and Heather Richter
- Abstract要約: バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。
高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。
本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
- 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: Low-lying coastal cities, exemplified by Norfolk, Virginia, face the
challenge of street flooding caused by rainfall and tides, which strain
transportation and sewer systems and can lead to property damage. While
high-fidelity, physics-based simulations provide accurate predictions of urban
pluvial flooding, their computational complexity renders them unsuitable for
real-time applications. Using data from Norfolk rainfall events between 2016
and 2018, this study compares the performance of a previous surrogate model
based on a random forest algorithm with two deep learning models: Long
Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). This investigation
underscores the importance of using a model architecture that supports the
communication of prediction uncertainty and the effective integration of
relevant, multi-modal features.
- Abstract(参考訳): バージニア州ノーフォークに代表される低地沿岸の都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。
高忠実で物理に基づくシミュレーションは都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。
2016年から2018年にかけてのノーフォークの降雨イベントのデータを用いて、ランダム森林アルゴリズムに基づく従来の代理モデルと2つのディープラーニングモデル、LSTM(Long Short-Term Memory)とGated Recurrent Unit(GRU)を比較した。
本研究は,予測不確実性の伝達と,関連するマルチモーダル特徴の効果的な統合を支援するモデルアーキテクチャの利用の重要性を指摘する。
関連論文リスト
- Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳(メタデータ) (2020-07-28T08:15:17Z) - A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文 参考訳(メタデータ) (2020-04-07T17:25:41Z) - High Temporal Resolution Rainfall Runoff Modelling Using
Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。
LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
論文 参考訳(メタデータ) (2020-02-07T00:38:03Z)
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。