Fugu-MT 論文翻訳(概要): A Comparative Study of Convolutional and Recurrent Neural Networks for Storm Surge Prediction in Tampa Bay

論文の概要: A Comparative Study of Convolutional and Recurrent Neural Networks for Storm Surge Prediction in Tampa Bay

arxiv url: http://arxiv.org/abs/2408.05797v1
Date: Sun, 11 Aug 2024 15:12:21 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 15:27:01.099107
Title: A Comparative Study of Convolutional and Recurrent Neural Networks for Storm Surge Prediction in Tampa Bay
Title（参考訳）: タンパ湾における嵐サージ予測のための畳み込みニューラルネットワークと繰り返しニューラルネットワークの比較検討
Authors: Mandana Farhang Ghahfarokhi, Seyed Hossein Sonbolestan, Mahta Zamanizadeh,
Abstract要約: 本稿では,3つのディープラーニングアーキテクチャ,CNN-LSTM,LSTM,3D-CNNの性能を比較した。 CNN-LSTMモデルは他のアーキテクチャよりも優れており、テスト損失は0.010、R-squared(R2)スコアは0.84である。 3D-CNNモデルでは、テスト損失0.011とR2が0.82と妥当な性能を示したが、極端な条件下では不安定であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we compare the performance of three common deep learning architectures, CNN-LSTM, LSTM, and 3D-CNN, in the context of surrogate storm surge modeling. The study site for this paper is the Tampa Bay area in Florida. Using high-resolution atmospheric data from the reanalysis models and historical water level data from NOAA tide stations, we trained and tested these models to evaluate their performance. Our findings indicate that the CNN-LSTM model outperforms the other architectures, achieving a test loss of 0.010 and an R-squared (R2) score of 0.84. The LSTM model, although it achieved the lowest training loss of 0.007 and the highest training R2 of 0.88, exhibited poorer generalization with a test loss of 0.014 and an R2 of 0.77. The 3D-CNN model showed reasonable performance with a test loss of 0.011 and an R2 of 0.82 but displayed instability under extreme conditions. A case study on Hurricane Ian, which caused a significant negative surge of -1.5 meters in Tampa Bay indicates the CNN-LSTM model's robustness and accuracy in extreme scenarios.
Abstract（参考訳）: 本稿では,3つのディープラーニングアーキテクチャ,CNN-LSTM,LSTM,および3D-CNNの性能を,代理嵐サージモデリングの文脈で比較する。本研究の拠点はフロリダ州タンパベイ地域である。また,NOAA潮位観測所から得られた解析モデルによる高分解能大気データと過去の水位データを用いて,これらのモデルを用いて実験を行い,その性能評価を行った。以上の結果から,CNN-LSTMモデルは他のアーキテクチャよりも優れており,テスト損失は0.010,R2スコアは0.84であった。 LSTMモデルは0.007のトレーニング損失と0.88のトレーニングR2を達成したが、0.014の試験損失と0.77のR2の試験損失でより低い一般化を示した。 3D-CNNモデルでは、テスト損失0.011とR2が0.82と妥当な性能を示したが、極端な条件下では不安定であった。タンパ湾で約1.5mの負の上昇を引き起こしたハリケーン・イアンのケーススタディは、CNN-LSTMモデルが極端なシナリオで頑丈で精度が高いことを示している。

関連論文リスト

Comparative Analysis on Snowmelt-Driven Streamflow Forecasting Using Machine Learning Techniques [0.20971479389679332]
我々は、時相畳み込みネットワーク(TCN)を利用した、最先端(SOTA)深層学習シーケンシャルモデルを提案する。提案モデルの性能を評価するため,SVR(Support Vector Regression),LSTM(Long Short Term Memory),Transformer(Transformer)など,他の一般的なモデルとの比較分析を行った。平均値では、TNが他のモデルより優れており、MAEは0.011、RMSEは0.023、R2$は0.991、KGEは0.992、NSEは0.991である。
論文参考訳（メタデータ） (2024-04-20T09:02:50Z)
Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion [7.790241122137617]
本研究では,都市洪水予測のためのCNN-RNNハイブリッド機能融合モデリング手法を提案する。空間的特徴の処理におけるCNNの長所と、時系列の異なる次元の分析におけるRNNの長所を統合した。
論文参考訳（メタデータ） (2023-04-19T22:00:04Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文参考訳（メタデータ） (2022-04-14T15:14:08Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Continental-scale streamflow modeling of basins with reservoirs: a demonstration of effectiveness and a delineation of challenges [4.834945446235863]
主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
論文参考訳（メタデータ） (2021-01-12T11:49:54Z)
Explanation and Use of Uncertainty Quantified by Bayesian Neural Network Classifiers for Breast Histopathology Images [0.0]
ベイジアンCNNは, 自動正規化と不確実性を定量化することで, 限界を克服できることを示す。データを低次元空間に投影することで不確実性を説明する。我々は,ベイジアンCNNが最先端の伝達学習CNN(TL-CNN)よりも優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2020-10-07T23:20:26Z)
From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-27T17:30:49Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
A deep convolutional neural network model for rapid prediction of fluvial flood inundation [0.0]
深部畳み込み型ニューラルネットワーク (CNN) を用いて, フラビアル・フラッド・インダクションの迅速予測を行う。 CNNモデルは2次元油圧モデル(LISFLOOD-FP)からの出力を用いて、水深を予測する。 CNNモデルは、いくつかの定量的評価行列によって示されるように、浸水した細胞を捕捉するのに非常に正確である。
論文参考訳（メタデータ） (2020-06-20T11:37:54Z)

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。