論文の概要: Fine Flood Forecasts: Incorporating local data into global models through fine-tuning

• arxiv url: http://arxiv.org/abs/2504.12559v1
• Date: Thu, 17 Apr 2025 01:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:35:27.074416
• Title: Fine Flood Forecasts: Incorporating local data into global models through fine-tuning
• Title（参考訳）: Flood Forecasts: 微調整によるローカルデータをグローバルモデルに組み込む
• Authors: Emil Ryd, Grey Nearing,
• Abstract要約: 洪水は自然災害の最も一般的な形態であり、早期警戒システムには正確な洪水予報が不可欠である。 これまでの研究によると、機械学習(ML)モデルは、大規模で地理的に異なるデータセットでトレーニングされた場合の洪水予測を改善するための有望な方法である。 このグローバルトレーニングの要件は、地域のパフォーマンスを改善するためにモデルを容易に適応できない国家の予測者にとって、所有権の喪失につながる可能性がある。 我々は、MLベースの水文予測システムの運用上の障壁を低くすることを目的として、独自のデータを用いてグローバルモデルのオーナシップを欲しがる国家予測者のロードマップを提供する。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License:
• Abstract: Floods are the most common form of natural disaster and accurate flood forecasting is essential for early warning systems. Previous work has shown that machine learning (ML) models are a promising way to improve flood predictions when trained on large, geographically-diverse datasets. This requirement of global training can result in a loss of ownership for national forecasters who cannot easily adapt the models to improve performance in their region, preventing ML models from being operationally deployed. Furthermore, traditional hydrology research with physics-based models suggests that local data -- which in many cases is only accessible to local agencies -- is valuable for improving model performance. To address these concerns, we demonstrate a methodology of pre-training a model on a large, global dataset and then fine-tuning that model on data from individual basins. This results in performance increases, validating our hypothesis that there is extra information to be captured in local data. In particular, we show that performance increases are most significant in watersheds that underperform during global training. We provide a roadmap for national forecasters who wish to take ownership of global models using their own data, aiming to lower the barrier to operational deployment of ML-based hydrological forecast systems.
• Abstract（参考訳）: 洪水は自然災害の最も一般的な形態であり、早期警戒システムには正確な洪水予報が不可欠である。 これまでの研究によると、機械学習(ML)モデルは、大規模で地理的に異なるデータセットでトレーニングされた場合の洪水予測を改善するための有望な方法である。 このグローバルトレーニングの要件は、地域のパフォーマンス向上のためにモデルを容易に適応できない国家予測者の所有権を失うこととなり、MLモデルが運用的にデプロイされるのを防ぐことができる。 さらに、物理モデルを用いた従来の水文学研究は、現地のデータ(多くの場合、現地の機関にしかアクセスできない)がモデルの性能を向上させるのに価値があることを示唆している。 これらの懸念に対処するために、我々は大規模なグローバルデータセット上でモデルを事前学習し、そのモデルを個々の流域のデータに基づいて微調整する手法を実証する。 これにより性能が向上し、ローカルデータで取得すべき余分な情報が存在するという仮説が検証される。 特に,グローバルトレーニングにおいて性能が低下する流域において,性能向上が最も重要であることを示す。 我々は、MLベースの水文予測システムの運用上の障壁を低くすることを目的として、独自のデータを用いてグローバルモデルのオーナシップを欲しがる国家予測者のロードマップを提供する。

関連論文リスト

• 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)
• Habaek: High-performance water segmentation through dataset expansion and inductive bias optimization [4.198865250277024]
  本研究では,ADE20K や RIWA などのデータセットを用いたデータ拡張によるセグメンテーションのためのセグフォーマーモデルの改良を提案する。 提案するHabaekモデルは, 0.9 1986 から 0.94397 までの IoU (Intersection over Union) で, 現在のモデルよりも高い性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-10-21T09:06:13Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• 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)
• 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)
• 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)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• Flood forecasting with machine learning models in an operational framework [0.0]
  Googleによる運用中の洪水予報システムは、機関や一般大衆に正確なリアルタイムの洪水警報を提供するために開発された。 予測システムは、データ検証、ステージ予測、浸水モデル、警報分布の4つのサブシステムから構成される。 2021年のモンスーンシーズンの間、洪水警報システムはインドとバングラデシュで運用され、総面積は287,000 km2で、350万人以上が居住していた。
  論文  参考訳（メタデータ） (2021-11-04T11:58:31Z)
• MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images [4.7791671364702575]
  土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。 我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-02-18T11:21:55Z)

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。