論文の概要: Approaches for enhancing extrapolability in process-based and data-driven models in hydrology

• arxiv url: http://arxiv.org/abs/2408.07071v1
• Date: Tue, 13 Aug 2024 17:59:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 16:45:31.920232
• Title: Approaches for enhancing extrapolability in process-based and data-driven models in hydrology
• Title（参考訳）: 水文学におけるプロセスベースおよびデータ駆動モデルにおける外挿可能性向上へのアプローチ
• Authors: Haiyang Shi,
• Abstract要約: 本稿では,プロセスベースおよびデータ駆動型水文モデルにおける外挿可能性の評価・向上手法をレビューし,比較する。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。
• 参考スコア（独自算出の注目度）: 0.16735447464058464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of process-based and data-driven hydrological models is crucial in modern hydrological research, especially for predicting key water cycle variables such as runoff, evapotranspiration (ET), and soil moisture. These models provide a scientific basis for water resource management, flood forecasting, and ecological protection. Process-based models simulate the physical mechanisms of watershed hydrological processes, while data-driven models leverage large datasets and advanced machine learning algorithms. This paper reviewed and compared methods for assessing and enhancing the extrapolability of both model types, discussing their prospects and limitations. Key strategies include the use of leave-one-out cross-validation and similarity-based methods to evaluate model performance in ungauged regions. Deep learning, transfer learning, and domain adaptation techniques are also promising in their potential to improve model predictions in data-sparse and extreme conditions. Interdisciplinary collaboration and continuous algorithmic advancements are also important to strengthen the global applicability and reliability of hydrological models.
• Abstract（参考訳）: プロセスベースおよびデータ駆動型水文科学モデルの応用は、特に流出、蒸発散(ET)、土壌水分といった主要な水循環の変動を予測するために、現代の水文科学研究において重要である。 これらのモデルは、水資源管理、洪水予報、生態保護のための科学的基盤を提供する。 プロセスベースのモデルは流域の水文プロセスの物理的メカニズムをシミュレートし、データ駆動モデルは大規模なデータセットと高度な機械学習アルゴリズムを活用する。 本稿では,両モデルタイプの外挿可能性の評価・向上手法について検討・比較し,その可能性と限界について論じる。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。 学際的な協調と連続的なアルゴリズムの進歩は、水文学モデルのグローバルな適用性と信頼性を高めるためにも重要である。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Methods to improve run time of hydrologic models: opportunities and challenges in the machine learning era [0.0]
  機械学習(ML)を水理モデルに応用することは、未熟である。 物理ベースのモデルよりもMLアルゴリズムを採用する主な理由の1つは、計算効率の優位性と様々なデータセットを扱う柔軟性である。 本稿では,水文モデルにMLを採用する機会と課題について述べる。その後,物理モデルによるシミュレーション時間の改善と今後の課題について述べる。
  論文  参考訳（メタデータ） (2024-08-05T05:27:19Z)
• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。 ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。 以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
  本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。 そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-31T18:53:53Z)
• Towards Biologically Plausible and Private Gene Expression Data Generation [47.72947816788821]
  差分プライバシー(DP)で訓練された生成モデルは、下流アプリケーションのための合成データの作成において、ますます顕著になりつつある。 しかし、既存の文献は主に基本的なベンチマークデータセットに焦点を当てており、基本的なメトリクスと比較的単純なデータ分布にのみ有望な結果を報告する傾向にある。 本研究では,DP生成モデルが自然応用シナリオにおいてどのように機能するかを系統的に分析し,実世界の遺伝子発現データに焦点をあてる。
  論文  参考訳（メタデータ） (2024-02-07T14:39:11Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Generative Models for Lumped Rainfall-Runoff Modeling [3.69758875412828]
  本研究は, 降雨流出時系列の合成に着目した, 降雨流出モデリングのための新しい生成モデル手法を提案する。 従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出過程を特徴づける。 本研究では,3000以上のグローバルキャッチメントのデータからニューラルネットワークを用いた生成モデルを訓練し,現在のディープラーニングモデルに匹敵する予測精度を達成した。
  論文  参考訳（メタデータ） (2023-09-18T16:07:41Z)
• 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 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)
• Knowledge-Guided Dynamic Systems Modeling: A Case Study on Modeling River Water Quality [8.110949636804774]
  実世界の現象をモデル化することは、エコロジーモデリングや財務予測など、多くの科学と工学の取り組みの焦点である。 複雑な動的システムのための正確なモデルの構築は、基盤となるプロセスの理解を改善し、リソース効率に繋がる。 反対の極端に、データ駆動モデリングはデータから直接モデルを学び、広範囲なデータと潜在的に過剰なフィッティングを生成する。 中間的アプローチであるモデルリビジョンに注目し,事前知識とデータを組み合わせることで,両世界のベストを達成する。
  論文  参考訳（メタデータ） (2021-03-01T06:31:38Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。