論文の概要: Implementing a GRU Neural Network for Flood Prediction in Ashland City, Tennessee

• arxiv url: http://arxiv.org/abs/2405.10375v1
• Date: Thu, 16 May 2024 18:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:42:52.325269
• Title: Implementing a GRU Neural Network for Flood Prediction in Ashland City, Tennessee
• Title（参考訳）: テネシー州アシュランド市における洪水予測のためのGRUニューラルネットワークの実装
• Authors: George K. Fordjour, Alfred J. Kalyanapu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ashland City, Tennessee, located within the Lower Cumberland Sycamore watershed, is highly susceptible to flooding due to increased upstream water levels. This study aimed to develop a robust flood prediction model for the city, utilizing water level data at 30-minute intervals from ten USGS gauge stations within the watershed. A Gated Recurrent Unit (GRU) network, known for its ability to effectively process sequential time-series data, was used. The model was trained, validated, and tested using a year-long dataset (January 2021-January 2022), and its performance was evaluated using statistical metrics including Nash-Sutcliffe Efficiency (NSE), Root Mean Squared Error (RMSE), Percent Bias (PBIAS), Mean Absolute Error (MAE), and Coefficient of Determination (R^2). The results demonstrated a high level of accuracy, with the model explaining 98.2% of the variance in the data. Despite minor discrepancies between predicted and observed values, the GRU model proved to be an effective tool for flood prediction in Ashland City, with potential applications for enhancing disaster preparedness and response efforts in Ashland City.
• Abstract（参考訳）: テネシー州アシュランド市はアンダーカンバーランド・シカモア川流域にあり、上流の水位の増加により洪水の影響を受けやすい。 本研究は, 流域内のUSGS計10ヶ所から30分間隔で水位データを利用した, 都市における強靭な洪水予測モデルの構築を目的とした。 GRU(Gated Recurrent Unit)ネットワークは、シーケンシャルな時系列データを効率的に処理できることで知られている。 モデルは1年間のデータセット(2021年1月-2022年1月)を用いてトレーニング,検証,試験を行い,Nash-Sutcliffe efficiency (NSE), Root Mean Squared Error (RMSE), Percent Bias (PBIAS), Mean Absolute Error (MAE), Coefficient of determined (R^2)などの統計指標を用いて評価した。 結果は、データの98.2%のばらつきをモデルで説明し、高いレベルの精度を示した。 予測値と観測値の差は小さいものの,GRU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,アシュランド市における災害予知と対応努力の促進に有効である可能性が示唆された。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia [0.0]
  バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。 高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。 本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-26T13:24:01Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• 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)
• Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data [0.0]
  洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。 本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
  論文  参考訳（メタデータ） (2022-12-15T19:23:02Z)
• Imputation of Missing Streamflow Data at Multiple Gauging Stations in Benin Republic [1.9173188470245428]
  本研究は,GEOGloWS ECMWFストリームフローサービス予測のバイアス補正により,ストリームフロー時系列データを再構成する。 テスト期間中に,GESS予測に有意な偏りがあり,ベニナ10駅での予測能力の低下が示唆された。 本研究の成果は,グローバルなGESSストリームフローデータを早期警戒型意思決定システムに統合するための基盤となる。
  論文  参考訳（メタデータ） (2022-11-17T22:44:13Z)
• A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data [0.965964228590342]
  この調査ではテキサス州ハリス郡をテストベッドとし、3つの歴史的な洪水からチャネルセンサーのデータを得た。 このモデルは、2019年のヒューストンのイメルダ洪水を予測するためにテストされ、その結果は経験的な洪水とよく一致している。
  論文  参考訳（メタデータ） (2020-06-15T17:25:34Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。