論文の概要: FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation

• arxiv url: http://arxiv.org/abs/2402.13371v1
• Date: Tue, 20 Feb 2024 20:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:56:08.677228
• Title: FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation
• Title（参考訳）: FIDLAR:洪水低減のための予測型ディープラーニングアーキテクチャ
• Authors: Jimeng Shi, Zeda Yin, Arturo Leon, Jayantha Obeysekera, Giri Narasimhan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In coastal river systems, frequent floods, often occurring during major storms or king tides, pose a severe threat to lives and property. However, these floods can be mitigated or even prevented by strategically releasing water before extreme weather events with hydraulic structures such as dams, gates, pumps, and reservoirs. A standard approach used by local water management agencies is the "rule-based" method, which specifies predetermined pre-releases of water based on historical and time-tested human experience, but which tends to result in excess or inadequate water release. The model predictive control (MPC), a physics-based model for prediction, is an alternative approach, albeit involving computationally intensive calculations. In this paper, we propose a Forecast Informed Deep Learning Architecture, FIDLAR, to achieve rapid and optimal flood management with precise water pre-releases. FIDLAR seamlessly integrates two neural network modules: one called the Flood Manager, which is responsible for generating water pre-release schedules, and another called the Flood Evaluator, which assesses these generated schedules. The Evaluator module is pre-trained separately, and its gradient-based feedback is used to train the Manager model, ensuring optimal water pre-releases. We have conducted experiments using FIDLAR with data from a flood-prone coastal area in South Florida, particularly susceptible to frequent storms. Results show that FIDLAR is several orders of magnitude faster than currently used physics-based approaches while outperforming baseline methods with improved water pre-release schedules. Our code is at https://github.com/JimengShi/FIDLAR/.
• Abstract（参考訳）: 沿岸の河川システムでは、大きな嵐や王の潮流の間に頻繁に起こる洪水が、生活や財産に深刻な脅威をもたらす。 しかし、これらの洪水は、ダム、門、ポンプ、貯水池などの水圧構造で極端な気象イベントの前に、戦略的に水を放出することで緩和または予防することができる。 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」であり、歴史的および時間的に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を規定するが、過剰あるいは不十分な水の放出をもたらす傾向がある。 物理に基づく予測モデルであるモデル予測制御(MPC)は、計算集約的な計算を伴うが、別のアプローチである。 本稿では,正確な水前リリースによる洪水管理を迅速かつ最適なものにするために,予測型ディープラーニングアーキテクチャfidlarを提案する。 FIDLARは2つのニューラルネットワークモジュールをシームレスに統合する。ひとつはFlood Managerと呼ばれ、これはプレリリーススケジュールを生成する。 Evaluatorモジュールは個別に事前トレーニングされ、その勾配に基づくフィードバックはマネージャモデルをトレーニングするために使用され、最適なウォータープレリリースが保証される。 我々は,南フロリダの洪水性沿岸部から得られたデータをもとに,fidlarを用いた実験を行った。 その結果,FIDLARは物理に基づくアプローチよりも数桁高速であり,また,プレリリーススケジュールの改善によるベースライン法よりも優れていた。 私たちのコードはhttps://github.com/JimengShi/FIDLAR/です。

関連論文リスト

• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• 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)
• Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates [2.694662116529994]
  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。
  論文  参考訳（メタデータ） (2023-10-11T16:24:06Z)
• 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)
• Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas [7.324969824727792]
  本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。 我々は高密度水流強度予測の課題に最初に取り組みました。
  論文  参考訳（メタデータ） (2023-04-04T09:28:36Z)
• 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)
• Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows [58.762959061522736]
  オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。 我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。 提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
  論文  参考訳（メタデータ） (2022-11-20T21:57:10Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Determination of building flood risk maps from LiDAR mobile mapping data [11.128919681798664]
  洪水シミュレーションは、洪水の危険がある地域や建物に早期警告を与えることができる。 ファサードの開口部の高さを知ることは、水浸水の影響を受けやすい場所を特定するのに役立つ。 本研究では,LiDAR移動地図データから窓やドアを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-14T15:36:08Z)

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。