論文の概要: A Deep State Space Model for Rainfall-Runoff Simulations

• arxiv url: http://arxiv.org/abs/2501.14980v1
• Date: Fri, 24 Jan 2025 23:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:57:56.357208
• Title: A Deep State Space Model for Rainfall-Runoff Simulations
• Title（参考訳）: 降雨・流出シミュレーションのための深部状態空間モデル
• Authors: Yihan Wang, Lujun Zhang, Annan Yu, N. Benjamin Erichson, Tiantian Yang,
• Abstract要約: 降雨・流出シミュレーションのための周波数可変対角空間系列(S4D-FT)モデルを提案する。 提案したS4D-FTは、確立されたLong Short-Term Memory (LSTM) と物理ベースのSacramento Soil Moisture Accountingモデルとをベンチマークする。 その結果,S4D-FTは多様な領域でLSTMモデルより優れていることがわかった。
• 参考スコア（独自算出の注目度）: 17.449047573672082
• License:
• Abstract: The classical way of studying the rainfall-runoff processes in the water cycle relies on conceptual or physically-based hydrologic models. Deep learning (DL) has recently emerged as an alternative and blossomed in hydrology community for rainfall-runoff simulations. However, the decades-old Long Short-Term Memory (LSTM) network remains the benchmark for this task, outperforming newer architectures like Transformers. In this work, we propose a State Space Model (SSM), specifically the Frequency Tuned Diagonal State Space Sequence (S4D-FT) model, for rainfall-runoff simulations. The proposed S4D-FT is benchmarked against the established LSTM and a physically-based Sacramento Soil Moisture Accounting model across 531 watersheds in the contiguous United States (CONUS). Results show that S4D-FT is able to outperform the LSTM model across diverse regions. Our pioneering introduction of the S4D-FT for rainfall-runoff simulations challenges the dominance of LSTM in the hydrology community and expands the arsenal of DL tools available for hydrological modeling.
• Abstract（参考訳）: 水循環における降雨流出過程の古典的な研究方法は、概念的または物理的に水理モデルに依存している。 深層学習 (DL) は近年, 降雨・流出シミュレーションのための水文科学コミュニティに花を咲かせている。 しかし、数十年前のLong Short-Term Memory(LSTM)ネットワークはこのタスクのベンチマークのままであり、Transformerのような新しいアーキテクチャよりも優れている。 本研究では、降雨・流出シミュレーションのための状態空間モデル(SSM)、特に周波数可変対角状態空間シーケンス(S4D-FT)モデルを提案する。 提案したS4D-FTは、確立されたLSTMと、アメリカ合衆国(CONUS)の531の流域にまたがる物理的基盤を持つScramento Soil Moisture Accountingモデルとをベンチマークする。 その結果,S4D-FTは多様な領域でLSTMモデルより優れていることがわかった。 降雨・流出シミュレーションのためのS4D-FTの先駆的な導入は、水文学コミュニティにおけるLSTMの優位性に挑戦し、水理モデリングで利用可能なDLツールの武器を拡大する。

関連論文リスト

• DiffESM: Conditional Emulation of Temperature and Precipitation in Earth System Models with 3D Diffusion Models [0.7776497736451751]
  地球系モデル(Earth System Models、ESM)は、人間の活動と地球の気候の間の相互作用を理解するために不可欠である。 ESMは、しばしば実行可能なシミュレーションの数を制限し、極端な気象イベントに関連するリスクのロバストな分析を妨げる。 生成型ディープラーニングモデルのクラスである拡散モデルを用いて、毎月のESM出力を1日あたりの周波数に効果的にダウンスケールする。
  論文  参考訳（メタデータ） (2024-09-17T23:20:05Z)
• Can AI be enabled to dynamical downscaling? A Latent Diffusion Model to mimic km-scale COSMO5.0\_CLM9 simulations [0.0]
  ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。 本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。 我々のゴールは、最近の生成モデリングの進歩により、DLが数値力学モデルに匹敵する結果をもたらすことを実証することである。
  論文  参考訳（メタデータ） (2024-06-19T15:20:28Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
  ConvS5は、長距離時間モデリングのための効率的な変種である。 トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-10-30T16:11:06Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• 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)
• 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)
• Differentiable, learnable, regionalized process-based models with physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
  地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。 我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
  論文  参考訳（メタデータ） (2022-03-28T15:06:53Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
  本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
  論文  参考訳（メタデータ） (2020-08-20T17:27:59Z)
• High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
  このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。 LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
  論文  参考訳（メタデータ） (2020-02-07T00:38:03Z)

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。