論文の概要: Learning Generative Models for Lumped Rainfall-Runoff Modeling
- arxiv url: http://arxiv.org/abs/2309.09904v3
- Date: Sun, 8 Sep 2024 14:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 23:57:26.364072
- Title: Learning Generative Models for Lumped Rainfall-Runoff Modeling
- Title(参考訳): 降雨流出モデリングのための生成モデル学習
- Authors: Yang Yang, Ting Fong May Chui,
- Abstract要約: 本研究は, 降雨流出時系列の合成に着目した, 降雨流出モデリングのための新しい生成モデル手法を提案する。
従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出過程を特徴づける。
本研究では,3000以上のグローバルキャッチメントのデータからニューラルネットワークを用いた生成モデルを訓練し,現在のディープラーニングモデルに匹敵する予測精度を達成した。
- 参考スコア(独自算出の注目度): 3.69758875412828
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study presents a novel generative modeling approach to rainfall-runoff modeling, focusing on the synthesis of realistic daily catchment runoff time series in response to catchment-averaged climate forcing. Unlike traditional process-based lumped hydrologic models that depend on predefined sets of variables describing catchment physical properties, our approach uses a small number of latent variables to characterize runoff generation processes. These latent variables encapsulate the intrinsic properties of a catchment and can be inferred from catchment climate forcing and discharge data. By sampling from the latent variable space, the model generates runoff time series that closely resemble real-world observations. In this study, we trained the generative models using neural networks on data from over 3,000 global catchments and achieved prediction accuracies comparable to current deep learning models and various conventional lumped models, both within the catchments from the training set and from other regions worldwide. This suggests that the runoff generation process of catchments can be effectively captured by a low-dimensional latent representation. Yet, challenges such as equifinality and optimal determination of latent variables remain. Future research should focus on refining parameter estimation methods and exploring the physical meaning of these latent dimensions to improve model applicability and robustness. This generative approach offers a promising alternative for hydrological modeling that requires minimal assumptions about the physical processes of the catchment.
- Abstract(参考訳): 本研究は,降雨流出モデルに対する新しい生成モデル手法を提案する。
従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出生成過程を特徴づける。
これらの潜伏変数は、キャッチメントの固有の性質をカプセル化し、キャッチメント気候の強制と排出のデータから推測することができる。
潜在変数空間からサンプリングすることで、モデルは実世界の観測によく似た流出時系列を生成する。
本研究では,3000以上のグローバルなキャッチメントから得られるデータに基づいて,ニューラルネットワークを用いた生成モデルを訓練し,現在の深層学習モデルに匹敵する予測精度を達成した。
このことは,低次元の潜在表現により,キャッチメントの流出生成過程を効果的に捉えることができることを示唆している。
しかし、等値性や潜伏変数の最適決定といった課題は残されている。
今後の研究は、モデル適用性とロバスト性を改善するために、パラメータ推定手法の精細化と、これらの潜在次元の物理的意味を探究することに集中すべきである。
この生成的アプローチは、キャッチメントの物理的過程について最小限の仮定を必要とする、水文モデリングの有望な代替手段を提供する。
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) - 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) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [55.28436972267793]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - 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。