論文の概要: Learning to Generate Lumped Hydrological Models

• arxiv url: http://arxiv.org/abs/2309.09904v1
• Date: Mon, 18 Sep 2023 16:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-09-19 12:31:58.014208
• Title: Learning to Generate Lumped Hydrological Models
• Title（参考訳）: 集中水文モデル生成のための学習
• Authors: Yang Yang and Ting Fong May Chui
• Abstract要約: 塊状水理モデル構造では, キャッチメントの水理関数は数パラメータのみによって特徴づけられる。 本研究は,少数の潜伏変数で十分な特徴付けが可能であることを仮定する。 変数値を指定することにより、実世界のキャッチメントの水文関数に類似した数値関数を生成モデルを用いて生成することができる。
• 参考スコア（独自算出の注目度）: 4.368211287521716
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In a lumped hydrological model structure, the hydrological function of a catchment is characterized by only a few parameters. Given a set of parameter values, a numerical function useful for hydrological prediction is generated. Thus, this study assumes that the hydrological function of a catchment can be sufficiently well characterized by a small number of latent variables. By specifying the variable values, a numerical function resembling the hydrological function of a real-world catchment can be generated using a generative model. In this study, a deep learning method is used to learn both the generative model and the latent variable values of different catchments directly from their climate forcing and runoff data, without using catchment attributes. The generative models can be used similarly to a lumped model structure, i.e., by estimating the optimal parameter or latent variable values using a generic model calibration algorithm, an optimal numerical model can be derived. In this study, generative models using eight latent variables were learned from data from over 3,000 catchments worldwide, and the learned generative models were applied to model over 700 different catchments using a generic calibration algorithm. The quality of the resulting optimal models was generally comparable to or better than that obtained using 36 different types of lump model structures or using non-generative deep learning methods. In summary, this study presents a data-driven approach for representing the hydrological function of a catchment in low-dimensional space and a method for reconstructing specific hydrological functions from the representations.
• Abstract（参考訳）: 集中した水文モデル構造では、キャッチメントの水文機能はほんの数個のパラメータによって特徴づけられる。 パラメータのセットが与えられると、水文予測に有用な数値関数が生成される。 そこで本研究では, 漁獲量の水理機能は, 少数の潜在変数で十分に特徴付けられると仮定した。 可変値を指定することにより、生成モデルを用いて実世界のキャッチメントの水文関数に似た数値関数を生成することができる。 本研究では, 捕集属性を使わずに, 異なる捕集量の生成モデルと潜時変動値の両方を, 気候の強制・流出データから直接学習する深層学習手法を提案する。 ジェネリックモデルキャリブレーションアルゴリズムを用いて、最適パラメータまたは潜在変数値を推定することにより、集約モデル構造と同様に、最適数値モデルを導出することができる。 本研究では,8つの潜伏変数を用いた生成モデルを世界中の3000以上の捕集データから学習し,700以上の捕集データに対して一般的なキャリブレーションアルゴリズムを用いて学習モデルを適用した。 その結果得られた最適モデルの品質は,36種類の塊型モデル構造を用いたり,非生成的深層学習手法を用いた場合と概ね同等かそれ以上であった。 本研究は,低次元空間におけるキャッチメントの水文関数を表現するためのデータ駆動型アプローチと,その表現から特定の水文関数を再構成する方法を提案する。

関連論文リスト

• Guiding Time-Varying Generative Models with Natural Gradients on Exponential Family Manifold [5.000311680307273]
  時間変化生成モデルの進化は指数族多様体に射影できることを示す。 次に、自然な勾配降下スキームに従って、多様体上の射影を移動させることで生成モデルを訓練する。 指数族内の任意のパラメトリックモデルのクローズドフォーム更新ルールを特徴とするアルゴリズムの粒子バージョンを提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:39:47Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
  現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。 そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。 我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting Leveraging Heterogeneous Community Features [1.2599533416395765]
  本研究の目的は,都市浸水流を対象とした新しい深層学習モデルフレームワークの開発と試験である。 本稿では,アテンションベース時空間グラフ畳み込みネットワーク(ASTGCN)モデルを含む新しい計算モデルを提案する。 以上の結果から, このモデルにより, 都市浸水量の増加に優れた性能が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-11-09T15:35:05Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。