論文の概要: Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning

• arxiv url: http://arxiv.org/abs/2412.04764v1
• Date: Fri, 06 Dec 2024 04:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:56:59.201980
• Title: Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning
• Title（参考訳）: グラフ畳み込みリカレントニューラルネットワークと残差学習に基づく短期ストリームフローと洪水予測
• Authors: Xiyu Pan, Neda Mohammadi, John E. Taylor,
• Abstract要約: 機械学習ベースのストリームフロー予測は、評価曲線からの大規模なストリームフローデータセットに依存する。 評価曲線モデリングの不確かさは、ストリームフローデータにエラーをもたらす可能性がある。 本研究では,これらのデータエラーに対処するストリームフロー予測手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8434042562191815
• License:
• Abstract: Accurate short-term streamflow and flood forecasting are critical for mitigating river flood impacts, especially given the increasing climate variability. Machine learning-based streamflow forecasting relies on large streamflow datasets derived from rating curves. Uncertainties in rating curve modeling could introduce errors to the streamflow data and affect the forecasting accuracy. This study proposes a streamflow forecasting method that addresses these data errors, enhancing the accuracy of river flood forecasting and flood modeling, thereby reducing flood-related risk. A convolutional recurrent neural network is used to capture spatiotemporal patterns, coupled with residual error learning and forecasting. The neural network outperforms commonly used forecasting models over 1-6 hours of forecasting horizons, and the residual error learners can further correct the residual errors. This provides a more reliable tool for river flood forecasting and climate adaptation in this critical 1-6 hour time window for flood risk mitigation efforts.
• Abstract（参考訳）: 正確な短期流水量予測と洪水予測は、特に気候の変動が増大しているため、河川の洪水の影響を緩和するために重要である。 機械学習ベースのストリームフロー予測は、評価曲線から派生した大きなストリームフローデータセットに依存する。 評価曲線モデリングの不確かさは、ストリームフローデータに誤差を導入し、予測精度に影響を与える可能性がある。 本研究では,これらのデータエラーに対処し,洪水予測と洪水モデリングの精度を高め,洪水に伴うリスクを低減できる流水予測手法を提案する。 畳み込みリカレントニューラルネットワークは、残差学習と予測を組み合わせた時空間パターンのキャプチャに使用される。 ニューラルネットワークは、水平線を1～6時間にわたって予測するモデルよりも優れており、残差学習者はさらに残差を補正することができる。 これは、洪水リスク軽減のための重要な1-6時間の時間窓において、洪水予測と気候適応のためのより信頼性の高いツールを提供する。

関連論文リスト

• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
  気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。 予測システムは通常、正確な川の排出予測に依存している。 河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-30T08:45:45Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• 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)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk [0.0]
  本稿では,ニューラルネットワークと極値理論を組み合わせたEQRNモデルを提案する。 本研究では,スイス・アーレ流域の洪水リスク予測に本手法を適用した。
  論文  参考訳（メタデータ） (2022-08-16T08:02:49Z)
• Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach [0.0]
  ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。 モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
  論文  参考訳（メタデータ） (2021-10-30T00:31:48Z)
• Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks [0.0]
  資産被害と死者の点で、その影響を準備し緩和するためには、流水、その結果の洪水を予測することが不可欠である。 本稿では,上流河川網を用いたセンサ位置における36時間の流速予測のためのグラフ畳み込みGRUモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-07T20:26:39Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• On the use of recurrent neural networks for predictions of turbulent flows [1.95992742032823]
  適切に訓練された長期記憶ネットワークを用いて乱流統計の優れた予測を得ることが可能である。 瞬時に予測されるだけでなく、流れの平均的な振る舞いを含むより洗練された損失関数は、より高速なニューラルネットワークトレーニングにつながる可能性がある。
  論文  参考訳（メタデータ） (2020-02-04T11:01:43Z)

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。