論文の概要: Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates

• arxiv url: http://arxiv.org/abs/2310.07631v1
• Date: Wed, 11 Oct 2023 16:24:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 21:50:52.789287
• Title: Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates
• Title（参考訳）: 不均一共変量を用いた洪水予報のためのグラフトランスネットワーク
• Authors: Jimeng Shi, Vitalii Stebliankin, Zhaonan Wang, Shaowen Wang, Giri Narasimhan
• Abstract要約: 河川システムのためのグラフ変換器ネットワーク(FloodGTN)を用いた洪水予測ツール FloodGTNは、グラフニューラルネットワーク(GNN)とLSTMを用いて、異なる監視ステーションにおける水位の連続時間依存性を学習する。 FloodGTNツールを南フロリダ水管理地区のデータに適用した。
• 参考スコア（独自算出の注目度）: 2.694662116529994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Floods can be very destructive causing heavy damage to life, property, and livelihoods. Global climate change and the consequent sea-level rise have increased the occurrence of extreme weather events, resulting in elevated and frequent flood risk. Therefore, accurate and timely flood forecasting in coastal river systems is critical to facilitate good flood management. However, the computational tools currently used are either slow or inaccurate. In this paper, we propose a Flood prediction tool using Graph Transformer Network (FloodGTN) for river systems. More specifically, FloodGTN learns the spatio-temporal dependencies of water levels at different monitoring stations using Graph Neural Networks (GNNs) and an LSTM. It is currently implemented to consider external covariates such as rainfall, tide, and the settings of hydraulic structures (e.g., outflows of dams, gates, pumps, etc.) along the river. We use a Transformer to learn the attention given to external covariates in computing water levels. We apply the FloodGTN tool to data from the South Florida Water Management District, which manages a coastal area prone to frequent storms and hurricanes. Experimental results show that FloodGTN outperforms the physics-based model (HEC-RAS) by achieving higher accuracy with 70% improvement while speeding up run times by at least 500x.
• Abstract（参考訳）: 洪水は非常に破壊的になり、生活、財産、生活に大きな被害を与える。 地球規模の気候変動とそれに伴う海面上昇により、極端な気象現象の発生が増加し、洪水のリスクが高まる。 したがって,沿岸河川システムにおける正確な洪水予測は,洪水管理の円滑化に不可欠である。 しかし、現在使われている計算ツールは遅いか不正確である。 本稿では,河川システムのためのグラフトランスフォーマーネットワーク(FloodGTN)を用いた洪水予測ツールを提案する。 より具体的には、FloodGTNはグラフニューラルネットワーク(GNN)とLSTMを使用して、異なる監視ステーションにおける水の時空間的依存関係を学習する。 現在、河川沿いの降雨、潮流、水力構造物(ダム、門、ポンプなど)の設定など、外部の共変量を考慮するために実施されている。 我々は,水位計算において外部共変量に対する注意を学習するためにトランスフォーマーを用いる。 フロリダの南フロリダ水管理地区のデータにfloodgtnツールを適用することで、頻繁に嵐やハリケーンが発生しやすい海岸地域を管理します。 実験結果から,FloodGTNは物理モデル(HEC-RAS)よりも高精度で70%向上し,実行時間を500倍以上高速化した。

関連論文リスト

• Implementing a GRU Neural Network for Flood Prediction in Ashland City, Tennessee [0.0]
  テネシー州アシュランド市は上流の水位の増加により洪水の影響を受けやすい。 本研究では, 流域内のUSGS計10ヶ所から30分間隔で水位データを用いて, 都市における強靭な洪水予測モデルを構築した。 このモデルは、アシュランド市における洪水予報に有効なツールであり、災害対策や対応活動の強化に有効であることが判明した。
  論文  参考訳（メタデータ） (2024-05-16T18:14:59Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation [0.0]
  洪水は、ダム、門、ポンプ、貯水池などの水圧構造で極端な気象現象の前に、戦略的に水を放出することで緩和または防止することができる。 地域水管理機関が使用する標準的なアプローチは「ルールベース」手法であり、歴史的およびタイムテストされた人間の経験に基づいて、所定のプレリリース水を指定する。 本研究では,正確な水事前リリースによる高速かつ最適な洪水管理を実現するための予測インフォームド深層学習アーキテクチャ (FIDLAR) を提案する。
  論文  参考訳（メタデータ） (2024-02-20T20:53:04Z)
• The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation [0.0]
  本研究では,水理構造を有する流域における洪水管理を実現するために,予測インフォームド深層学習アーキテクチャFIDLARを提案する。 その結果、FIDLARは、数桁のスピードアップで現在の最先端技術よりも優れた性能を示した。 本論文の主な貢献は、モデル説明可能性のためのツールの有効活用であり、その決定に対する様々な環境要因の貢献を理解することができる。
  論文  参考訳（メタデータ） (2023-10-29T21:56:22Z)
• 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)
• Flood Prediction Using Machine Learning Models [0.0]
  本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。 その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
  論文  参考訳（メタデータ） (2022-08-02T03:59:43Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。