論文の概要: Forecasting Drought Using Machine Learning in California

• arxiv url: http://arxiv.org/abs/2502.08622v1
• Date: Wed, 12 Feb 2025 18:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:47:34.761817
• Title: Forecasting Drought Using Machine Learning in California
• Title（参考訳）: カリフォルニアにおける機械学習による干ばつ予測
• Authors: Nan K. Li, Angela Chang, David Sherman,
• Abstract要約: 干ばつはカリフォルニアで頻繁で費用がかかる自然災害であり、農業生産や水資源の入手に悪影響を及ぼしている。 本研究では,カリフォルニアにおける米国干ばつモニターの分類を予測するために,異なる機械学習手法を適用した性能について検討した。
• 参考スコア（独自算出の注目度）: 0.16385815610837165
• License:
• Abstract: Drought is a frequent and costly natural disaster in California, with major negative impacts on agricultural production and water resource availability, particularly groundwater. This study investigated the performance of applying different machine learning approaches to predicting the U.S. Drought Monitor classification in California. Four approaches were used: a convolutional neural network (CNN), random forest, XGBoost, and long short term memory (LSTM) recurrent neural network, and compared to a baseline persistence model. We evaluated the models' performance in predicting severe drought (USDM drought category D2 or higher) using a macro F1 binary classification metric. The LSTM model emerged as the top performer, followed by XGBoost, CNN, and random forest. Further evaluation of our results at the county level suggested that the LSTM model would perform best in counties with more consistent drought patterns and where severe drought was more common, and the LSTM model would perform worse where drought scores increased rapidly. Utilizing 30 weeks of historical data, the LSTM model successfully forecasted drought scores for a 12-week period with a Mean Absolute Error (MAE) of 0.33, equivalent to less than half a drought category on a scale of 0 to 5. Additionally, the LSTM achieved a macro F1 score of 0.9, indicating high accuracy in binary classification for severe drought conditions. Evaluation of different window and future horizon sizes in weeks suggested that at least 24 weeks of data would result in the best performance, with best performance for shorter horizon sizes, particularly less than eight weeks.
• Abstract（参考訳）: 干ばつはカリフォルニアで頻繁で費用がかかる自然災害であり、農業生産や水資源、特に地下水に悪影響を及ぼしている。 本研究では,カリフォルニアにおける米国干ばつモニターの分類を予測するために,異なる機械学習手法を適用した性能について検討した。 畳み込みニューラルネットワーク(CNN)、ランダムフォレスト、XGBoost、長期記憶(LSTM)の4つのアプローチが使用され、ベースラインの永続化モデルと比較された。 マクロF1バイナリ分類法を用いて,重症干ばつ(USDM干ばつカテゴリーD2以上)の予測におけるモデルの性能を評価した。 LSTMモデルはトップパフォーマーとして登場し、続いてXGBoost、CNN、ランダムフォレストが続いた。 以上の結果から, LSTMモデルの方が干ばつパターンが整った郡で, 厳しい干ばつが多く, 干ばつスコアが急速に増加する地域では, LSTMモデルの方が良くなる可能性が示唆された。 LSTMモデルは30週間の歴史的データを利用して、平均絶対誤差(MAE)0.33の干ばつスコアを、0から5のスケールで半分以下の干ばつカテゴリに匹敵する12週間の干ばつスコアを予測した。 さらにLSTMのマクロF1スコアは0.9で, 厳しい干ばつ条件下でのバイナリ分類の精度が高かった。 数週間で異なるウィンドウサイズと将来の地平線サイズを評価すると、少なくとも24週間のデータが最高のパフォーマンスをもたらし、特に8週間未満の短い地平線サイズに最高のパフォーマンスをもたらすことが示唆された。

関連論文リスト

• LLMs & XAI for Water Sustainability: Seasonal Water Quality Prediction with LIME Explainable AI and a RAG-based Chatbot for Insights [0.0]
  本稿では,複数の水質パラメータを持つ小さなデータセットを用いて,ネパールの季節的な水質を予測するためのハイブリッドディープラーニングモデルを提案する。 CatBoost、XGBoost、Extra Trees、LightGBMは、CNN層とRNN層を組み合わせたニューラルネットワークとともに、データの時間的および空間的パターンをキャプチャするために使用される。 このモデルは顕著な精度の向上を示し、プロアクティブな水質管理を支援した。
  論文  参考訳（メタデータ） (2024-09-17T05:26:59Z)
• Modeling groundwater levels in California's Central Valley by hierarchical Gaussian process and neural network regression [9.816891579613628]
  中央バレー帯水層の3次元岩相テクスチャモデルから学習し,地下水位をモデル化するための新しい機械学習手法を考案した。 本研究では,不規則な井戸データを持つ流域における帯水層応答に対する水文学的理解を補うためにモデル予測がどのように用いられるかを示す。 以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,前回の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
  論文  参考訳（メタデータ） (2023-10-23T04:21:26Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model [9.7723814375467]
  本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。 環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
  論文  参考訳（メタデータ） (2023-04-12T10:31:03Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• 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。