論文の概要: Advancing Spatio-temporal Storm Surge Prediction with Hierarchical Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2410.12823v1
• Date: Tue, 01 Oct 2024 15:09:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 06:14:33.400215
• Title: Advancing Spatio-temporal Storm Surge Prediction with Hierarchical Deep Neural Networks
• Title（参考訳）: 階層型ディープニューラルネットワークによる時空間ストームサージ予測の高速化
• Authors: Saeed Saviz Naeini, Reda Snaiki, Teng Wu,
• Abstract要約: 北アメリカの沿岸地域は、ハリケーンや非東海岸で発生した暴風雨による大きな脅威に直面している。 従来の数値モデルは正確ではあるが計算コストが高く、リアルタイム予測の実用性に限界がある。 本研究では,階層型ディープニューラルネットワーク(HDNN)と畳み込みオートエンコーダ(CAE)を組み合わせることで,嵐発生時系列を高精度かつ効率的に予測する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: Coastal regions in North America face major threats from storm surges caused by hurricanes and nor'easters. Traditional numerical models, while accurate, are computationally expensive, limiting their practicality for real-time predictions. Recently, deep learning techniques have been developed for efficient simulation of time-dependent storm surge. To resolve the small scales of storm surge in both time and space over a long duration and a large area, these simulations typically need to employ oversized neural networks that struggle with the accumulation of prediction errors over successive time steps. To address these challenges, this study introduces a hierarchical deep neural network (HDNN) combined with a convolutional autoencoder (CAE) to accurately and efficiently predict storm surge time series. The CAE reduces the dimensionality of storm surge data, streamlining the learning process. HDNNs then map storm parameters to the low-dimensional representation of storm surge, allowing for sequential predictions across different time scales. Specifically, the current-level neural network is utilized to predict future states with a relatively large time step, which are passed as inputs to the next-level neural network for smaller time-step predictions. This process continues sequentially for all time steps. The results from different-level neural networks across various time steps are then stacked to acquire the entire time series of storm surge. The simulated low-dimensional representations are finally decoded back into storm surge time series. The proposed model was trained and tested using synthetic data from the North Atlantic Comprehensive Coastal Study. Results demonstrate its excellent performance to effectively handle high-dimensional surge data while mitigating the accumulation of prediction errors over time, making it a promising tool for advancing storm surge prediction.
• Abstract（参考訳）: 北アメリカの沿岸地域は、ハリケーンや非東海岸で発生した暴風雨による大きな脅威に直面している。 従来の数値モデルは正確ではあるが計算コストが高く、リアルタイム予測の実用性に限界がある。 近年,時間依存型暴風雨の効率的なシミュレーションのための深層学習技術が開発されている。 長い時間と広い時間と空間の両方で小さな嵐の急増を解決するために、これらのシミュレーションは通常、連続する時間ステップの予測エラーの蓄積に苦労する過大なニューラルネットワークを使用する必要がある。 これらの課題に対処するために,コンボリューショナルオートエンコーダ(CAE)と組み合わされた階層型ディープニューラルネットワーク(HDNN)を導入し,ストームサージ時系列を正確かつ効率的に予測する。 CAEは、ストームサージデータの次元性を減らし、学習プロセスを合理化している。 次に、HDNNは嵐のパラメータを低次元の嵐サージの表現にマッピングし、異なる時間スケールでの逐次予測を可能にする。 具体的には、現在のレベルニューラルネットワークを使用して、比較的大きな時間ステップで将来の状態を予測し、次のレベルニューラルネットワークへの入力として渡されて、より小さな時間ステップ予測を行う。 このプロセスは、すべての時間ステップで順次継続します。 さまざまな時間ステップにわたる異なるレベルのニューラルネットワークの結果を積み重ねて、一連の嵐のサージ全体を取得する。 シミュレーションされた低次元表現は最終的にストームサージ時系列に復号される。 提案したモデルは、北大西洋総合沿岸研究の合成データを用いて訓練され、試験された。 その結果,高次元サージデータを効果的に処理する上で,時間とともに予測誤差の蓄積を軽減し,ストームサージ予測を推し進める上で有望なツールであることを示す。

関連論文リスト

• Temporal Convolution Derived Multi-Layered Reservoir Computing [5.261277318790788]
  貯水池の状態空間への入力データの新たなマッピングを提案する。 ニューラルネットワークの並列化性,深さ,予測能力を向上する2つの新しいネットワークアーキテクチャにこの手法を組み込む。 カオス時系列では、Echo State Networksと比較して最大85.45%、Gated Recurrent Unitsと比較して90.72%のエラー削減が観察される。
  論文  参考訳（メタデータ） (2024-07-09T11:40:46Z)
• TensorFlow Chaotic Prediction and Blow Up [0.0]
  我々は高次元非線形系のカオス力学を予測することを目指している。 結果は励まされていますが、図書館の予期せぬ、望ましくない振る舞いも間接的に見つけました。 より具体的には、システムのカオス的振る舞いの長期的な予測は、ライブラリの非決定論的振る舞いによって急速に悪化し、爆発する。
  論文  参考訳（メタデータ） (2023-09-14T06:22:48Z)
• 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 predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
  既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。 本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-06T13:18:31Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• A computationally efficient neural network for predicting weather forecast probabilities [0.0]
  ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。 これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。 このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
  論文  参考訳（メタデータ） (2021-03-26T12:28:15Z)
• Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
  熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。 我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。 この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。