論文の概要: Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources
- arxiv url: http://arxiv.org/abs/2308.09766v3
- Date: Wed, 14 Aug 2024 17:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-15 18:46:43.169854
- Title: Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources
- Title（参考訳）: モニタリングされていない場所での時系列予測:水資源における機械学習技術の調査
- Authors: Jared D. Willard, Charuleka Varadharajan, Xiaowei Jia, Vipin Kumar,
- Abstract要約: モニタリングされていない場所での動的環境変数の予測は、水資源科学の長年の課題である。
現代の機械学習手法は、水文時系列予測のためのプロセスベースおよび経験的モデルよりもますます優れている。
ストリームフロー,水質,その他の水資源予測における機械学習の最先端技術応用について概説する。
- 参考スコア（独自算出の注目度）: 10.307058787085094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction of dynamic environmental variables in unmonitored sites remains a long-standing challenge for water resources science. The majority of the world's freshwater resources have inadequate monitoring of critical environmental variables needed for management. Yet, the need to have widespread predictions of hydrological variables such as river flow and water quality has become increasingly urgent due to climate and land use change over the past decades, and their associated impacts on water resources. Modern machine learning methods increasingly outperform their process-based and empirical model counterparts for hydrologic time series prediction with their ability to extract information from large, diverse data sets. We review relevant state-of-the art applications of machine learning for streamflow, water quality, and other water resources prediction and discuss opportunities to improve the use of machine learning with emerging methods for incorporating watershed characteristics into deep learning models, transfer learning, and incorporating process knowledge into machine learning models. The analysis here suggests most prior efforts have been focused on deep learning learning frameworks built on many sites for predictions at daily time scales in the United States, but that comparisons between different classes of machine learning methods are few and inadequate. We identify several open questions for time series predictions in unmonitored sites that include incorporating dynamic inputs and site characteristics, mechanistic understanding and spatial context, and explainable AI techniques in modern machine learning frameworks.
- Abstract（参考訳）: モニタリングされていない場所での動的環境変数の予測は、水資源科学の長年の課題である。
世界の淡水資源の大部分は、管理に必要な重要な環境変数のモニタリングが不十分である。
しかし、過去数十年間の気候・土地利用の変化とそれに伴う水資源への影響により、河川流動や水質などの水文学変数の広範な予測の必要性がますます急激化している。
現代の機械学習手法は、大規模で多様なデータセットから情報を抽出する能力によって、水文時系列予測のためのプロセスベースで経験的なモデルよりも、ますます優れている。
流れ,水質,その他の水資源予測のための機械学習の最先端技術応用について検討し,深層学習モデルへの流域特性の組み込み,伝達学習,機械学習モデルへのプロセス知識の組み込みといった新たな手法により,機械学習の利用を改善する機会について論じる。
この分析は、米国の日々の時間スケールでの予測のために多くのサイト上に構築されたディープラーニング学習フレームワークに、これまでのほとんどの取り組みが焦点を当てていることを示唆している。
我々は、動的入力とサイト特性、機械的理解と空間的文脈、現代の機械学習フレームワークにおける説明可能なAI技術を含む、監視されていないサイトの時系列予測に関するいくつかのオープンな質問を識別する。
関連論文リスト
- Challenges, Methods, Data -- a Survey of Machine Learning in Water Distribution Networks [5.185604886838128]
この研究は、配水ネットワークにおける主要なタスクを示し、機械学習との関係について論じる。
ドメインの特殊性がどのように課題を提起し、機械学習のアプローチによって活用されるかを分析する。
論文 参考訳（メタデータ） (2024-10-16T11:21:07Z) - Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - 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) - Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。
我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
論文 参考訳（メタデータ） (2023-09-29T03:33:53Z) - 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) - A Graph-Based Modeling Framework for Tracing Hydrological Pollutant
Transport in Surface Waters [0.0]
本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。
グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。
我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
論文 参考訳（メタデータ） (2023-02-10T00:30:38Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Physics Guided Machine Learning Methods for Hydrology [21.410993515618895]
SWAT (Soil and Water Assessment Tool) と組み合わせたLSTMに基づくディープラーニングアーキテクチャを提案する。
アプローチの有効性はミネソタ州南東部のルート川流域の南支流にあるいくつかの小さな流域で分析されている。
論文 参考訳（メタデータ） (2020-12-02T19:17:19Z) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。