論文の概要: Distinct hydrologic response patterns and trends worldwide revealed by physics-embedded learning
- arxiv url: http://arxiv.org/abs/2504.10707v1
- Date: Mon, 14 Apr 2025 20:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 22:06:13.191823
- Title: Distinct hydrologic response patterns and trends worldwide revealed by physics-embedded learning
- Title（参考訳）: 物理埋め込み学習による世界的水文反応パターンとトレンド
- Authors: Haoyu Ji, Yalan Song, Tadd Bindas, Chaopeng Shen, Yuan Yang, Ming Pan, Jiangtao Liu, Farshid Rahmani, Ather Abbas, Hylke Beck, Yoshihide Wada, Kathryn Lawson,
- Abstract要約: 本稿では, 物理埋め込み型ビッグデータ学習モデルについて, 特徴的水文応答パターン(「署名」)とそのシフトを確実に把握するためのブレークスルーとして紹介する。
長期の水収支を現実的に表現することで、このモデルは世界中の基本的な緑-青-水分配とベースフロー比において、20年間で最大20%の広範な変化を明らかにした。
- 参考スコア（独自算出の注目度）: 2.784303921367749
- License:
- Abstract: To track rapid changes within our water sector, Global Water Models (GWMs) need to realistically represent hydrologic systems' response patterns - such as baseflow fraction - but are hindered by their limited ability to learn from data. Here we introduce a high-resolution physics-embedded big-data-trained model as a breakthrough in reliably capturing characteristic hydrologic response patterns ('signatures') and their shifts. By realistically representing the long-term water balance, the model revealed widespread shifts - up to ~20% over 20 years - in fundamental green-blue-water partitioning and baseflow ratios worldwide. Shifts in these response patterns, previously considered static, contributed to increasing flood risks in northern mid-latitudes, heightening water supply stresses in southern subtropical regions, and declining freshwater inputs to many European estuaries, all with ecological implications. With more accurate simulations at monthly and daily scales than current operational systems, this next-generation model resolves large, nonlinear seasonal runoff responses to rainfall ('elasticity') and streamflow flashiness in semi-arid and arid regions. These metrics highlight regions with management challenges due to large water supply variability and high climate sensitivity, but also provide tools to forecast seasonal water availability. This capability newly enables global-scale models to deliver reliable and locally relevant insights for water management.
- Abstract（参考訳）: 地球水モデル(GWM)は,我々の水分野における急速な変化を追跡するため,データから学習する能力が限られているため,水文系の反応パターン(ベースフロー分数など)を現実的に表現する必要がある。
本稿では, 物理埋め込み型ビッグデータ学習モデルについて, 特徴的水文応答パターン(「署名」)とそのシフトを確実に把握するためのブレークスルーとして紹介する。
長期の水収支を現実的に表現することで、このモデルは世界中の基本的な緑-青-水分配とベースフロー比において、20年間で最大20%の広範な変化を明らかにした。
これらの反応パターンの変化は、以前は静的と考えられていたが、北中緯度での洪水リスクの増加、南亜熱帯地域の水供給ストレスの増大、ヨーロッパの多くの河口への淡水流入の減少に寄与した。
この次世代モデルでは, 降雨(「弾性」)と半乾燥・乾燥地帯の流水フラッシュネスに対する大規模で非線形な季節流出応答を, 月々, 日毎のシミュレーションでより正確に行うことができる。
これらの指標は、大きな水供給変動と高い気候感度による管理上の課題のある地域を強調し、また季節的な水利用率を予測するツールも提供する。
この能力により、グローバルスケールのモデルは、水管理に信頼性があり、局所的に関連する洞察を提供することができる。
関連論文リスト
- AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling [19.028024402759467]
HydroTraceは、ストリームフローを予測するアルゴリズム駆動のデータに依存しないモデルである。
ナッシュ・サトクリフ効率は98%に達し、目に見えないデータに対して強い一般化を示す。
論文 参考訳（メタデータ） (2025-01-07T18:59:53Z) - Deep Learning for Hydroelectric Optimization: Generating Long-Term River Discharge Scenarios with Ensemble Forecasts from Global Circulation Models [0.0]
水力発電は世界のエネルギーマトリックスの重要な構成要素であり、特にブラジルのような国々ではエネルギー供給の大半を占めている。
しかし、気候の変動により本質的に不確実な河川流出への強い依存は、大きな課題を招いている。
伝統的に、統計モデルは、エネルギー最適化において河川の排出を表すために使われてきたが、しかしながら、これらのモデルは、気候の挙動が構造的に変化しているため、現実的なシナリオを生み出すことがますます困難になっている。
論文 参考訳（メタデータ） (2024-12-16T16:37:27Z) - Data-driven Modeling of Combined Sewer Systems for Urban Sustainability: An Empirical Evaluation [1.0499611180329806]
気候変動は複雑な問題を引き起こし、極端な気象現象が頻繁になり、モデル化が困難になる。
降雨時の過バーデンド複合下水道は未処理排水を水面に流し込む。
ディープラーニング(DL)モデルは、下水道システムの複雑な力学をモデル化するためのコスト効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-21T13:46:58Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-01-28T13:23:25Z) - 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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z) - HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。
川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
論文 参考訳（メタデータ） (2020-07-01T16:32:07Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。