論文の概要: Learning to Generate Lumped Hydrological Models
- arxiv url: http://arxiv.org/abs/2309.09904v2
- Date: Wed, 22 Nov 2023 08:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 03:30:17.636143
- 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: 本研究では,世界の3000以上の漁獲量から生成モデルを学習した。
その後、700以上の異なるキャッチメントに対して最適なモデリング関数を導出するためにモデルが使用された。
本研究は,少数の潜伏変数を用いて,捕食者の水文的挙動を効果的に記述できることを実証した。
- 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: A lumped hydrological model structure can be considered a generative model
because, given a set of parameter values, it can generate a hydrological
modeling function that accurately predicts the behavior of a catchment under
external forcing. It is implicitly assumed that a small number of variables
(i.e., the model parameters) can sufficiently characterize variations in the
behavioral characteristics of different catchments. This study adopts this
assumption and uses a deep learning method to learn a generative model of
hydrological modeling functions directly from the forcing and runoff data of
multiple catchments. The learned generative model uses a small number of latent
variables to characterize a catchment's behavior, so that assigning values to
these latent variables produces a hydrological modeling function that resembles
a real-world catchment. The learned generative model can be used similarly to a
lumped model structure, i.e., the optimal hydrological modeling function of a
catchment can be derived by estimating optimal parameter values (or latent
variables) with a generic calibration algorithm. In this study, a generative
model was learned from data from over 3,000 catchments worldwide. The model was
then used to derive optimal modeling functions for over 700 different
catchments. The resulting modeling functions generally showed a quality that
was comparable to or better than 36 types of lumped model structures. Overall,
this study demonstrates that the hydrological behavior of a catchment can be
effectively described using a small number of latent variables, and that
well-fitting hydrologic model functions can be reconstructed from these
variables.
- Abstract(参考訳): 流出水理モデル構造は、パラメータ値のセットが与えられた場合、外部強制下での捕獲の挙動を正確に予測する水理モデル関数を生成することができるため、生成モデルとみなすことができる。
少数の変数(すなわちモデルパラメータ)が、漁獲量の異なる行動特性の変化を十分に特徴付けることができると暗黙的に仮定される。
本研究では,この仮定を採用し,複数のキャッチメントの強制・流出データから水文モデリング関数の生成モデルを直接学習する深層学習手法を提案する。
学習された生成モデルは、少数の潜在変数を使用してキャッチメントの振る舞いを特徴付けるため、これらの潜在変数に値を割り当てることで、実世界のキャッチメントに似た水文学的モデリング関数を生成する。
学習された生成モデルは、ラッピングモデル構造、すなわち、キャリブレーションアルゴリズムを用いて最適なパラメータ値(または潜在変数)を推定することにより、キャッチメントの最適な水文モデリング関数を導出することができる。
本研究では,世界の3000以上の漁獲量から生成モデルを学習した。
このモデルは700以上の漁獲量の最適モデリング関数を導出するために使用された。
その結果得られたモデリング関数は、36種類の集中型モデル構造と同等かそれ以上の品質を示した。
全体として,漁獲量の水理挙動を少数の潜在変数を用いて効果的に記述し,これらの変数から適切な水理モデル関数を再構成できることを示した。
関連論文リスト
- A statistical approach to latent dynamic modeling with differential
equations [0.0]
通常の微分方程式(ODE)は、プロセスの時間的局所的な変化の力学モデルを提供することができる。
本稿では,各観測結果を初期値として利用して,複数のローカルODEソリューションを得る方法を提案する。
脊髄性筋萎縮症に対するアプローチとそれに対応するシミュレーション研究について述べる。
論文 参考訳(メタデータ) (2023-11-27T20:02:55Z) - Towards an Hybrid Hodgkin-Huxley Action Potential Generation Model [0.0]
2つの簡単な測定値のみを用いてホジキン・ハクスリーモデルのパラメトリック関数を見つける可能性を検討する。
元のHodgkin-Huxleyモデルから生成されたデータを用いて実験を行った。
その結果、最小限のデータ量でトレーニングされた単純な2層人工ニューラルネットワークアーキテクチャは、アクションポテンシャル生成の基本的な妥当性をモデル化することを学ぶことができた。
論文 参考訳(メタデータ) (2023-03-15T22:39:23Z) - Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
論文 参考訳(メタデータ) (2022-11-12T17:49:18Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - Differentiable, learnable, regionalized process-based models with
physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。
我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
論文 参考訳(メタデータ) (2022-03-28T15:06:53Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - 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) - Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。
従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。
本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-01-21T01:46:36Z) - Gaussian Function On Response Surface Estimation [12.35564140065216]
メタモデリング手法によるブラックボックス機械学習モデルの解釈(機能とサンプル)のための新しいフレームワークを提案する。
メタモデルは、興味のある領域のデータサンプルでコンピュータ実験を実行することによって、訓練された複雑なモデルによって生成されたデータから推定することができる。
論文 参考訳(メタデータ) (2021-01-04T04:47:00Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z)
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。