論文の概要: The geometry of flow: Advancing predictions of river geometry with multi-model machine learning

• arxiv url: http://arxiv.org/abs/2312.11476v1
• Date: Mon, 27 Nov 2023 20:39:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:37:23.307166
• Title: The geometry of flow: Advancing predictions of river geometry with multi-model machine learning
• Title（参考訳）: 流れの幾何学:マルチモデル機械学習による河川形状の予測の促進
• Authors: Shuyu Y Chang, Zahra Ghahremani, Laura Manuel, Mohammad Erfani, Chaopeng Shen, Sagy Cohen, Kimberly Van Meter, Jennifer L Pierce, Ehab A Meselhe, Erfan Goharian
• Abstract要約: 我々は、連続したアメリカ合衆国(CONUS)を横断する河川地形をより正確に推定するための、新しいデータ駆動アプローチを開発する。 私たちのランダムフォレスト、XGBoost、ニューラルネットワークモデルは、幅と深さの両方で従来の地域別電力法に基づく水理幾何学方程式より優れています。 結果はまた、異なる機械学習モデルに対して、ストリームオーダと地理的領域にまたがる様々なパフォーマンス結果を示す。
• 参考スコア（独自算出の注目度）: 0.2418536268425288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hydraulic geometry parameters describing river hydrogeomorphic is important for flood forecasting. Although well-established, power-law hydraulic geometry curves have been widely used to understand riverine systems and mapping flooding inundation worldwide for the past 70 years, we have become increasingly aware of the limitations of these approaches. In the present study, we have moved beyond these traditional power-law relationships for river geometry, testing the ability of machine-learning models to provide improved predictions of river width and depth. For this work, we have used an unprecedentedly large river measurement dataset (HYDRoSWOT) as well as a suite of watershed predictor data to develop novel data-driven approaches to better estimate river geometries over the contiguous United States (CONUS). Our Random Forest, XGBoost, and neural network models out-performed the traditional, regionalized power law-based hydraulic geometry equations for both width and depth, providing R-squared values of as high as 0.75 for width and as high as 0.67 for depth, compared with R-squared values of 0.57 for width and 0.18 for depth from the regional hydraulic geometry equations. Our results also show diverse performance outcomes across stream orders and geographical regions for the different machine-learning models, demonstrating the value of using multi-model approaches to maximize the predictability of river geometry. The developed models have been used to create the newly publicly available STREAM-geo dataset, which provides river width, depth, width/depth ratio, and river and stream surface area (%RSSA) for nearly 2.7 million NHDPlus stream reaches across the rivers and streams across the contiguous US.
• Abstract（参考訳）: 河川水文地形を記述する水理幾何学パラメータは洪水予測に重要である。 河川システムの理解や洪水浸水地図作成によく確立された水力幾何学曲線は,70年間にわたって広く用いられてきたが,これらのアプローチの限界に注目が集まっている。 本研究は, 従来の河川地形の力-法則関係を超越し, 川幅と深さの予測精度の向上を目的とした機械学習モデルの検証を行った。 本研究では,かつてない大規模な河川計測データセット(HYDRoSWOT)と流域予測データを用いて,連続したアメリカ合衆国(CONUS)の河川地形を推定する新しいデータ駆動手法を開発した。 我々のランダムフォレスト(Random Forest)、XGBoost(XGBoost)およびニューラル・ネットワーク・モデル(Neural Network Model)は、従来の地域電力法に基づく水理幾何学方程式を幅と深さの両方で上回り、R二乗値は幅が0.75、深さが0.67、R二乗値は幅が0.57、深さが0.18となっている。 また, 河川地形の予測可能性を最大化するために, 多モデルアプローチを用いて, 異なる機械学習モデルに対して, ストリームオーダと地理的領域にまたがる多様な性能結果を示す。 開発モデルは、新たに公開されたSTREAM-geoデータセットの作成に使用されており、このデータセットは、川幅、深さ、幅/深さ比、および川と川の表面積(%RSSA)を提供し、約270万のNHDPlusストリームが、連続したアメリカを横断する川と川に到達している。

関連論文リスト

• A physics-guided neural network for flooding area detection using SAR imagery and local river gauge observations [0.0]
  本研究では,洪水領域検出のための物理誘導型ニューラルネットワークを提案する。 提案手法は,インプットデータとして,センチネル1の時系列画像と,各画像に割り当てられた河川の水位を推定する。 提案手法の有効性を,デジタル地形モデルと光学衛星画像から得られた参照水マップと比較することにより,5つの研究領域で評価した。
  論文  参考訳（メタデータ） (2024-10-11T14:13:06Z)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• 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)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• 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)
• Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
  ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。 線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。 また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
  論文  参考訳（メタデータ） (2022-12-29T20:57:46Z)
• Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood [11.416877401689735]
  最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。 我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:58:31Z)
• 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)
• Physics-Informed Machine Learning Method for Large-Scale Data Assimilation Problems [48.7576911714538]
  我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。 PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2021-07-30T18:43:14Z)
• HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
  HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。 川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。 インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
  論文  参考訳（メタデータ） (2020-07-01T16:32:07Z)

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。