論文の概要: Attention-based Models for Snow-Water Equivalent Prediction

• arxiv url: http://arxiv.org/abs/2311.03388v1
• Date: Fri, 3 Nov 2023 23:33:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 18:44:01.186216
• Title: Attention-based Models for Snow-Water Equivalent Prediction
• Title（参考訳）: 積雪等価予測のための注意モデル
• Authors: Krishu K. Thapa, Bhupinderjeet Singh, Supriya Savalkar, Alan Fern, Kirti Rajagopalan, Ananth Kalyanaraman
• Abstract要約: スノーウォーター等価(SWE、Snow Water-Equivalent)は、水管理機関が灌水、洪水制御、発電、干ばつ管理決定に使用する重要な決定変数である。 本稿では、SWE予測のための一般的な注意に基づくモデリングフレームワークを提案し、空間的注意と時間的注意に適応する。 米国内の323のSNOTEL局での観測結果から、我々の注意に基づくモデルは、他の機械学習手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 12.340236862664195
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Snow Water-Equivalent (SWE) -- the amount of water available if snowpack is melted -- is a key decision variable used by water management agencies to make irrigation, flood control, power generation and drought management decisions. SWE values vary spatiotemporally -- affected by weather, topography and other environmental factors. While daily SWE can be measured by Snow Telemetry (SNOTEL) stations with requisite instrumentation, such stations are spatially sparse requiring interpolation techniques to create spatiotemporally complete data. While recent efforts have explored machine learning (ML) for SWE prediction, a number of recent ML advances have yet to be considered. The main contribution of this paper is to explore one such ML advance, attention mechanisms, for SWE prediction. Our hypothesis is that attention has a unique ability to capture and exploit correlations that may exist across locations or the temporal spectrum (or both). We present a generic attention-based modeling framework for SWE prediction and adapt it to capture spatial attention and temporal attention. Our experimental results on 323 SNOTEL stations in the Western U.S. demonstrate that our attention-based models outperform other machine learning approaches. We also provide key results highlighting the differences between spatial and temporal attention in this context and a roadmap toward deployment for generating spatially-complete SWE maps.
• Abstract（参考訳）: スノーウォーター等価(SWE、Snow Water-Equivalent)は、水管理機関が灌水、洪水制御、発電、干ばつ管理決定に使用する重要な決定変数である。 SWEの値は時空間的に変化し、天候、地形、その他の環境要因に影響される。 スノーテレメトリ(SNOTEL)で測定できるが、時空間的に完全なデータを生成するには補間技術を必要とする。 近年、SWE予測のための機械学習(ML)の研究が行われているが、近年のMLの進歩は検討されていない。 本研究の主な貢献は,SWE予測のためのMLの進歩,注意機構を探索することである。 我々の仮説では、注意は位置や時間スペクトル(または両方)にまたがる相関を捉え、活用するユニークな能力を持っている。 本稿では,空間的注意と時間的注意を捉えるために,swe予測のための一般的な注意に基づくモデリングフレームワークを提案する。 米国西部の323のSNOTEL局における実験結果から、我々の注意に基づくモデルは、他の機械学習手法よりも優れていることが示された。 また、この文脈における空間的注意と時間的注意の相違を強調し、空間的に完備なSWEマップを生成するためのデプロイメントへのロードマップを示す。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• GD-CAF: Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.642094639107215]
  降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。 GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。 ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles [7.434517639563671]
  空間と時間の実際の降水を知ることは、水文モデリングの応用において重要である。 グリッド化された衛星降水データセットは、実際の降水量を推定する代替オプションを提供する。 降水量の予測を改善するため、雨量計に基づく計測と格子状衛星降水生成物の統合に機械学習を適用した。
  論文  参考訳（メタデータ） (2023-02-02T20:03:21Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Inductive Predictions of Extreme Hydrologic Events in The Wabash River Watershed [15.963061568077567]
  我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。 また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。 この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
  論文  参考訳（メタデータ） (2021-04-25T02:26:09Z)
• Hybrid Attention Networks for Flow and Pressure Forecasting in Water Distribution Systems [3.6704226968275258]
  本稿では,HDS-RNNモデルを用いた2段階空間時空間注意型リカレントニューラルネットワークを提案する。 本モデルは,空間的注意に基づくエンコーダと時間的注意に基づくデコーダの2段階からなる。 実世界のデータセットの実験を行い、我々のモデルがフローおよびプレッシャー系列予測において9つのベースラインモデルより優れていたことを実証した。
  論文  参考訳（メタデータ） (2020-04-13T09:00:26Z)
• Time series and machine learning to forecast the water quality from satellite data [0.0]
  アルガルブルームは沿岸の汚染物質であり、その原因となっている。 多くの衛星データ、例えばMODISは、花を検知するために水質の高い製品を生成するために使われてきた。 監視のためには、汚染管理委員会がいかなる汚染も予測する。
  論文  参考訳（メタデータ） (2020-03-16T18:16:44Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。