論文の概要: Satellite-Surface-Area Machine-Learning Models for Reservoir Storage Estimation: Regime-Sensitive Evaluation and Operational Deployment at Loskop Dam, South Africa

• arxiv url: http://arxiv.org/abs/2502.19989v3
• Date: Mon, 28 Jul 2025 12:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 22:32:02.301445
• Title: Satellite-Surface-Area Machine-Learning Models for Reservoir Storage Estimation: Regime-Sensitive Evaluation and Operational Deployment at Loskop Dam, South Africa
• Title（参考訳）: 貯留層貯留量推定のための衛星表面積機械学習モデル:南アフリカのロスコップダムにおけるレジーム感度評価と運用展開
• Authors: Hugo Retief, Kayathri, Vigneswaran, Surajit Ghosh, Mariangel Garcia Andarcia, Chris Dickens,
• Abstract要約: 予測誤差は、低(250 x 106立方メートル)と高(250 x 106立方メートル)の2つの状態に分解された。 リッジ回帰はRMSE (12.3×106立方メートル) が最も低く、GBが16%、RFが7%向上した。 i)日常的な作業に毎日GBの再訓練を,ii)干ばつ早期警告にリッジを,iii)すべての気象ダッシュボードに積み重ねたブレンドを推奨する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable daily estimates of reservoir storage are pivotal for water allocation and drought response decisions in semiarid regions. Conventional rating curves at Loskop Dam, the primary storage on South Africa's Olifants River, have become increasingly uncertain owing to sedimentation and episodic drawdown. A 40 year Digital Earth Africa (DEA) surface area archive (1984-2024) fused with gauged water levels to develop data driven volume predictors that operate under a maximum 9.14%, a 90 day drawdown constraint. Four nested feature sets were examined: (i) raw water area, (ii) +a power law "calculated volume" proxy, (iii) +six river geometry metrics, and (iv) +full supply elevation. Five candidate algorithms, Gradient Boosting (GB), Random Forest (RF), Ridge (RI), Lasso (LA) and Elastic Net (EN), were tuned using a 20 draw random search and assessed with a five fold Timeseries Split to eliminate look ahead bias. Prediction errors were decomposed into two regimes: Low (<250 x 10^6 cubic meters) and High (>250 x 10^6 cubic meters) storage regimes. Ridge regression achieved the lowest cross validated RMSE (12.3 x 10^6 cubic meters), outperforming GB by 16% and RF by 7%. In regime terms, Ridge was superior in the Low band (18.0 ver. 22.7 MCM for GB) and tied RF in the High band (~12 MCM). In sample diagnostics showed GB's apparent dominance (6.8-5.4 MCM) to be an artefact of overfitting. A Ridge meta stacked ensemble combining GB, RF, and Ridge reduced full series RMSE to ~ 11 MCM (~ 3% of live capacity). We recommend (i) GB retrained daily for routine operations, (ii) Ridge for drought early warning, and (iii) the stacked blend for all weather dashboards. Quarterly rolling retraining and regime specific metrics are advised to maintain operational accuracy below the 5% threshold mandated by the Department of Water and Sanitation.
• Abstract（参考訳）: 貯水池の日量推定は半乾燥地域での水配分と干ばつ対策に重要である。 南アフリカのオリファンツ川の主要な貯水池であるロスコップ・ダムの従来の格付け曲線は、堆積とエピソードの減少により、ますます不確実になっている。 40年にわたるデジタル地球アフリカ (DEA) の表面積アーカイブ (1984-2024) は、最大9.14%で稼働するデータ駆動の体積予測器を開発するために、計器の水位と融合した。 ネストした4つの特徴セットについて検討した。 (i)生水域 (ii)電力法「計算体積」プロキシ (三)六川測度、及び (4)+フルサプライ上昇。 5つの候補アルゴリズム、グラディエントブースティング(GB)、ランダムフォレスト(RF)、リッジ(RI)、ラッソ(LA)、弾性ネット(EN)を20個のランダム探索を用いて調整し、5倍のタイムズスプリットで評価した。 予測誤差は, 低 (250 x 10^6 立方メートル) と高 (>250 x 10^6 立方メートル) の2つの状態に分解された。 リッジ回帰はRMSE (12.3 x 10^6 立方メートル) が最も低く、GBを16%、RFを7%上回った。 政権の観点では、リッジはローバンド(GBは18.0 ver. 22.7 MCM)で優位であり、ハイバンド(〜12 MCM)でRFを結び付けていた。 サンプル診断では、GBの明らかな優位性(6.8-5.4 MCM)は過剰適合の人工物であった。 GB、RF、リッジを組み合わせたリッジメタ積み重ねアンサンブルは、RMSEの全シリーズを約11MCM(ライブキャパシティの約3%)に削減した。 おすすめする (i)日常運転で毎日GBをリトレーニング。 (二)干ばつ早期警報用リッジ、及び (三)全ての気象ダッシュボードに積み重ねたブレンド。 転がりリトレーニングとレギュレーション固有のメトリクスは、水衛生省が課した5%の閾値以下で運用の正確性を維持するために推奨される。

関連論文リスト

• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Well2Flow: Reconstruction of reservoir states from sparse wells using score-based generative models [0.22499166814992438]
  本研究では,貯水池シミュレーションシナリオにおけるスコアベース生成モデルの利用について検討した。 塩水帯水層における空間的に多孔質で飽和度の高いフィールドの再構築に焦点が当てられ、2つの井戸でのスパース観測から推測される。 物理制約とウェルログガイダンスを生成モデルに組み込む新しい手法を導入し、再構成された地下状態の精度と物理的妥当性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-07T20:12:19Z)
• Uncertainty-Driven Modeling of Microporosity and Permeability in Clastic Reservoirs Using Random Forest [3.4137115855910762]
  本研究の目的は,複雑な貯水池特性を予測するための費用効率のよい機械学習モデルを開発することである。 このモデルは、マイクロポーシティ(93%)と透過性(88%)の予測において高い精度を達成した。
  論文  参考訳（メタデータ） (2025-03-21T09:05:04Z)
• Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study [0.0]
  合衆国の老朽化した下水道インフラは210万キロメートルをカバーしており、構造的な問題に直面している。 年間約75,000の衛生用下水道が深刻な経済、環境、公衆衛生の危険を生じさせている。 本研究は,機械学習モデルを用いて下水道パイプラインの状態の予測精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2025-02-01T08:16:08Z)
• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。 我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。 我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• Understanding Fine-tuning in Approximate Unlearning: A Theoretical Perspective [39.958103832214135]
  ファインチューニング(FT)手法は、未学習を近似するための基本的なアプローチの1つとなっている。 本稿では,線形回帰フレームワーク内での機械学習のためのFT法に関する最初の理論的解析を行う。 本稿では,残りのデータセットに基づいて重量分布マップを構築するRBM(Retention-Based Masking)戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:01:52Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Towards Machine Learning-based Fish Stock Assessment [0.0]
  本稿では,機械学習モデルを用いたストックパラメータの推定と予測の改善について検討する。 本稿では,古典統計ストックアセスメントモデルと教師付きMLを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:44:15Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• 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)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Continental-scale streamflow modeling of basins with reservoirs: a demonstration of effectiveness and a delineation of challenges [4.834945446235863]
  主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。 ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。 アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
  論文  参考訳（メタデータ） (2021-01-12T11:49:54Z)
• Deep Reinforcement Learning with Weighted Q-Learning [43.823659028488876]
  Q-learningに基づく強化学習アルゴリズムは、複雑な問題の解決に向けて、Deep Reinforcement Learning (DRL)研究を推進している。 Q-Learningは、期待値の雑音の最大過度推定を用いて学習するため、正の偏りがあることが知られている。 提案手法は, 提案手法により, バイアスw.r.t.関連ベースラインを減らし, その優位性を示す実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2020-03-20T13:57:40Z)

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。