論文の概要: Modeling groundwater levels in California's Central Valley by
hierarchical Gaussian process and neural network regression
- arxiv url: http://arxiv.org/abs/2310.14555v1
- Date: Mon, 23 Oct 2023 04:21:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 22:42:07.851532
- Title: Modeling groundwater levels in California's Central Valley by
hierarchical Gaussian process and neural network regression
- Title(参考訳): 階層型ガウス過程とニューラルネットワーク回帰によるカリフォルニア・セントラルバレーの地下水位モデリング
- Authors: Anshuman Pradhan, Kyra H. Adams, Venkat Chandrasekaran, Zhen Liu, John
T. Reager, Andrew M. Stuart and Michael J. Turmon
- Abstract要約: 中央バレー帯水層における3次元岩相テクスチャモデルから学習し,地下水位をモデル化するための新しい機械学習手法を提案する。
高速かつ確実な不確実性定量化を伴う井戸データの非定常特徴をモデル化するためのGP-DNN回帰の有効性を実証する。
以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,過去の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
- 参考スコア(独自算出の注目度): 10.23970712374212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling groundwater levels continuously across California's Central Valley
(CV) hydrological system is challenging due to low-quality well data which is
sparsely and noisily sampled across time and space. A novel machine learning
method is proposed for modeling groundwater levels by learning from a 3D
lithological texture model of the CV aquifer. The proposed formulation performs
multivariate regression by combining Gaussian processes (GP) and deep neural
networks (DNN). Proposed hierarchical modeling approach constitutes training
the DNN to learn a lithologically informed latent space where non-parametric
regression with GP is performed. The methodology is applied for modeling
groundwater levels across the CV during 2015 - 2020. We demonstrate the
efficacy of GP-DNN regression for modeling non-stationary features in the well
data with fast and reliable uncertainty quantification. Our results indicate
that the 2017 and 2019 wet years in California were largely ineffective in
replenishing the groundwater loss caused during previous drought years.
- Abstract(参考訳): カリフォルニアのセントラルバレー(cv)の地下水位を連続的にモデル化することは、低品質の井戸データによって困難である。
CV帯水層における3次元岩相テクスチャモデルから地下水位をモデル化するための新しい機械学習手法を提案する。
提案法は,ガウス過程(GP)とディープニューラルネットワーク(DNN)を組み合わせて多変量回帰を行う。
提案する階層的モデリング手法は、GPによる非パラメトリック回帰が実行されるリソロジー的に情報を得た潜在空間を学ぶためにDNNを訓練する。
この手法は、2015年から2020年にかけてCVの地下水位をモデル化するために適用された。
高速かつ確実な不確実性定量化を伴う井戸データの非定常特徴をモデル化するためのGP-DNN回帰の有効性を示す。
以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,過去の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
関連論文リスト
- 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) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - 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) - Deep-learning-based upscaling method for geologic models via
theory-guided convolutional neural network [0.0]
油圧電界の粗い格子と油圧ヘッドの関係を近似するために、深部畳み込みニューラルネットワーク(CNN)を訓練する。
物理情報を考慮すると、深部CNNモデルのトレーニングデータ量への依存を大幅に低減することができる。
論文 参考訳(メタデータ) (2021-12-31T08:10:48Z) - High-resolution rainfall-runoff modeling using graph neural network [0.0]
本研究では,高分解能降水データから空間情報をフル活用する新しい深層学習モデルを提案する。
GNRRMは過度に適合せず、モデル性能を大幅に改善した。
論文 参考訳(メタデータ) (2021-10-21T00:12:02Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T10:11:45Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳(メタデータ) (2021-05-04T07:34:15Z)
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。