論文の概要: Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods
- arxiv url: http://arxiv.org/abs/2407.15882v1
- Date: Sat, 20 Jul 2024 23:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 21:44:53.215598
- Title: Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods
- Title（参考訳）: オーストラリアの気候極端における深層学習モデルの評価--河川流と洪水の予測
- Authors: Siddharth Khedkar, R. Willem Vervoort, Rohitash Chandra,
- Abstract要約: 近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。
ディープラーニングの手法は、短時間の地平線上で、小規模から中規模の極端な事象を予測することを約束している。
大規模な急激な洪水に対処するアンサンブルベースの機械学習アプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.17999333451993949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, climate extremes such as floods have created significant environmental and economic hazards for Australia, causing damage to the environment and economy and losses of human and animal lives. An efficient method of forecasting floods is crucial to limit this damage. Techniques for flood prediction are currently based on hydrological, and hydrodynamic (physically-based) numerical models. Machine learning methods that include deep learning offer certain advantages over conventional physically based approaches, including flexibility and accuracy. Deep learning methods have been promising for predicting small to medium-sized climate extreme events over a short time horizon; however, large flooding events present a critical challenge. We present an ensemble-based machine learning approach that addresses large-scale extreme flooding challenges using a switching mechanism motivated by extreme-value theory for long-short-term-memory (LSTM) deep learning models. We use a multivariate and multi-step time-series prediction approach to predict streamflow for multiple days ahead in the major catchments of Australia. The ensemble framework also employs static information to enrich the time-series information, allowing for regional modelling across catchments. Our results demonstrate enhanced prediction of streamflow extremes, with notable efficacy for large flooding scenarios in the selected Australian catchments. Through comparative analysis, our methodology underscores the potential for deep learning models to revolutionise flood forecasting across diverse regions.
- Abstract（参考訳）: 近年、洪水のような気候の極端はオーストラリアにとって重要な環境と経済の危険をもたらし、環境と経済に損害を与え、人間や動物の生活が失われた。
この被害を抑えるため、洪水の効率的な予測方法が不可欠である。
洪水予測技術は現在、水文学、流体力学(物理モデル)の数値モデルに基づいている。
ディープラーニングを含む機械学習手法は、柔軟性や正確性など、従来の物理的アプローチよりも一定の利点がある。
深層学習手法は、短時間で小規模から中規模の極端なイベントを予測できると約束されてきたが、大規模な洪水は重要な課題である。
本研究では,長期記憶(LSTM)深層学習モデルに対する極値理論を動機としたスイッチング機構を用いて,大規模な極端な浸水問題に対処するアンサンブルベースの機械学習手法を提案する。
我々は,多変量および多段階の時系列予測手法を用いて,オーストラリアの主要漁獲量において,数日間にわたってストリームフローを予測する。
アンサンブルフレームワークはまた、静的情報を使用して時系列情報を強化し、キャッチメントをまたいだ地域モデリングを可能にする。
以上の結果から,選抜されたオーストラリア漁獲地の大規模な洪水シナリオに顕著な有効性を示すとともに,河川流出極端の予測の高度化が示された。
比較分析により,深層学習モデルが様々な地域での洪水予測に革命をもたらす可能性を明らかにした。
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) - Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。
また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。
開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
論文 参考訳（メタデータ） (2024-06-06T19:54:34Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - 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) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳（メタデータ） (2022-08-02T03:59:43Z) - 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) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳（メタデータ） (2021-03-17T16:10:06Z)
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。