論文の概要: Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models

• arxiv url: http://arxiv.org/abs/2502.16444v1
• Date: Sun, 23 Feb 2025 05:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:43.220293
• Title: Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models
• Title（参考訳）: 最新水理状態と気象強制力 : 異なる水理モデルにおけるデータ同化法の比較
• Authors: Amirmoez Jamaat, Yalan Song, Farshid Rahmani, Jiangtao Liu, Kathryn Lawson, Chaopeng Shen,
• Abstract要約: データ同化(DA)は、より正確な予測のために、ほぼリアルタイムな観測によって水理モデルの内部状態を更新することを可能にする。 そこで我々は,降水データのみに対する調整器の最適化を含む,微分可能なモデルに対する変分DA法を開発した。 我々のDAフレームワークは、体系的な訓練データを必要としないため、河川網全体のDAスキームとして機能する可能性がある。
• 参考スコア（独自算出の注目度）: 0.923607423080658
• License:
• Abstract: Data assimilation (DA) enables hydrologic models to update their internal states using near-real-time observations for more accurate forecasts. With deep neural networks like long short-term memory (LSTM), using either lagged observations as inputs (called "data integration") or variational DA has shown success in improving forecasts. However, it is unclear which methods are performant or optimal for physics-informed machine learning ("differentiable") models, which represent only a small amount of physically-meaningful states while using deep networks to supply parameters or missing processes. Here we developed variational DA methods for differentiable models, including optimizing adjusters for just precipitation data, just model internal hydrological states, or both. Our results demonstrated that differentiable streamflow models using the CAMELS dataset can benefit strongly and equivalently from variational DA as LSTM, with one-day lead time median Nash-Sutcliffe efficiency (NSE) elevated from 0.75 to 0.82. The resulting forecast matched or outperformed LSTM with DA in the eastern, northwestern, and central Great Plains regions of the conterminous United States. Both precipitation and state adjusters were needed to achieve these results, with the latter being substantially more effective on its own, and the former adding moderate benefits for high flows. Our DA framework does not need systematic training data and could serve as a practical DA scheme for whole river networks.
• Abstract（参考訳）: データ同化(DA)は、より正確な予測のために、ほぼリアルタイムな観測によって水理モデルの内部状態を更新することを可能にする。 長い短期記憶(LSTM)のようなディープニューラルネットワークでは、ラタグされた観測を入力として使用する("データ統合"と呼ばれる)か、あるいは変動DAが予測を改善することに成功している。 しかし、物理インフォームド・機械学習(微分可能)モデルにはどの手法が最適であるかは定かではない。 そこで我々は, 降水量の調整器の最適化, 内部水文状態のモデル化など, 微分可能なモデルに対する変分DA法を開発した。 以上の結果から, CAMELSデータセットを用いた分散ストリームフローモデルでは, LSTMとして変分DAが有効であり, 1日間のリードタイム中央値Nash-Sutcliffe効率(NSE)は0.75から0.82に向上した。 その結果、アメリカ合衆国東部、北西部、および中部グレートプレーンズ地域でのLSTMの予測は、LSTMと一致または上回った。 降水量調整器と州調整器の両方がこれらの結果を達成するために必要であり、後者は単独でより効果的であり、前者は高流量に適度な利点を付加した。 我々のDAフレームワークは、体系的な訓練データを必要としないため、河川網全体のDAスキームとして機能する可能性がある。

関連論文リスト

• Exploring the Use of Machine Learning Weather Models in Data Assimilation [0.0]
  GraphCastとNeuralGCMは、MLベースの有望な2つの気象モデルであるが、データ同化への適合性はまだ未定である。 GraphCast と NeuralGCM の TL/AD 結果と,既存の数値天気予報モデルである Model for Prediction Across Scales - Atmosphere (MPAS-A) との比較を行った。 GraphCastとNeuralGCMの隣り合わせの結果はMPAS-Aのものと多少似ているが、様々な垂直レベルの非物理的ノイズも示し、運用DAシステムに対する堅牢性への懸念を提起している。
  論文  参考訳（メタデータ） (2024-11-22T02:18:28Z)
• 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)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems [4.634606500665259]
  マルチスケールプロセスのモデリングのための知識誘導機械学習(KGML)フレームワークを提案する。 本研究では,水文学における流れ予測の文脈におけるその性能について検討する。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Towards Generalized Hydrological Forecasting using Transformer Models for 120-Hour Streamflow Prediction [0.34530027457862006]
  本研究では,米国アイオワ州における120時間流速予測のためのTransformerモデルの有効性について検討した。 我々はTransformerモデルの性能を3つのディープラーニングモデル(LSTM, GRU, Seq2Seq)とPersistenceアプローチと比較した。 本研究はトランスフォーマーモデルの優れた性能を示し、高い中央値のNSEおよびKGEスコアを維持し、最も低いNRMSE値を示す。
  論文  参考訳（メタデータ） (2024-06-11T17:26:14Z)
• Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [81.78901060731269]
  テスト時間適応(TTA)は、これまで見つからなかった、シフトしたターゲットドメイン上でのソースドメイン事前訓練モデルの性能を改善することを目的としている。 従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。 最近提案された拡散駆動型TTA法は、モデル入力を重みに代えて適応することでこれを緩和し、ソースドメイン上で訓練された無条件拡散モデルにより、ターゲットドメインデータをソースドメインに近似する合成ドメインに変換する。
  論文  参考訳（メタデータ） (2024-06-06T17:39:09Z)
• Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
  陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。 観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。 我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、過去の流れの測定を用いて検証する。
  論文  参考訳（メタデータ） (2024-04-22T14:21:37Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Hyperparameter-free Continuous Learning for Domain Classification in Natural Language Understanding [60.226644697970116]
  ドメイン分類は自然言語理解(NLU)の基本課題である 既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。 本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:46:16Z)
• 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)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。