論文の概要: HydroStartML: A combined machine learning and physics-based approach to reduce hydrological model spin-up time
- arxiv url: http://arxiv.org/abs/2504.17420v1
- Date: Thu, 24 Apr 2025 10:24:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.324865
- Title: HydroStartML: A combined machine learning and physics-based approach to reduce hydrological model spin-up time
- Title（参考訳）: HydroStartML: モデルスピンアップ時間を短縮する機械学習と物理に基づくアプローチ
- Authors: Louisa Pawusch, Stefania Scheurer, Wolfgang Nowak, Reed Maxwell,
- Abstract要約: 漁獲量の初期深度表(DTWT)の設定を見つけることは, 統合モデルによる循環のシミュレーションにおいて重要な課題である。
伝統的に、これは反復的なスピンアップ計算を伴い、定常状態に達するまで一定の大気条件下でモデルが実行される。
モデルスピンアッププロセスの高速化を目的として,定常DTWT構成を訓練した機械学習エミュレータであるHydroStartMLを開発した。
- 参考スコア（独自算出の注目度）: 0.6249768559720122
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Finding the initial depth-to-water table (DTWT) configuration of a catchment is a critical challenge when simulating the hydrological cycle with integrated models, significantly impacting simulation outcomes. Traditionally, this involves iterative spin-up computations, where the model runs under constant atmospheric settings until steady-state is achieved. These so-called model spin-ups are computationally expensive, often requiring many years of simulated time, particularly when the initial DTWT configuration is far from steady state. To accelerate the model spin-up process we developed HydroStartML, a machine learning emulator trained on steady-state DTWT configurations across the contiguous United States. HydroStartML predicts, based on available data like conductivity and surface slopes, a DTWT configuration of the respective watershed, which can be used as an initial DTWT. Our results show that initializing spin-up computations with HydroStartML predictions leads to faster convergence than with other initial configurations like spatially constant DTWTs. The emulator accurately predicts configurations close to steady state, even for terrain configurations not seen in training, and allows especially significant reductions in computational spin-up effort in regions with deep DTWTs. This work opens the door for hybrid approaches that blend machine learning and traditional simulation, enhancing predictive accuracy and efficiency in hydrology for improving water resource management and understanding complex environmental interactions.
- Abstract（参考訳）: 漁獲量の初期深度表(DTWT)構成の発見は, モデル統合による循環シミュレーションにおいて重要な課題であり, シミュレーション結果に大きな影響を及ぼす。
伝統的に、これは反復的なスピンアップ計算を伴い、定常状態に達するまで一定の大気条件下でモデルが実行される。
これらのモデルスピンアップは計算コストが高く、特にDTWT設定が安定状態から程遠い場合、多くのシミュレーション時間を必要とする。
モデルスピンアッププロセスの高速化を目的として,米国全域で定常DTWT構成を訓練した機械学習エミュレータであるHydroStartMLを開発した。
HydroStartMLは、導電率や表面斜面などの利用可能なデータに基づいて、各流域のDTWT構成を予測し、初期DTWTとして使用できる。
以上の結果から,HydroStartML予測によるスピンアップ計算の初期化は,空間定数DTWTなどの初期構成よりも高速に収束することが示された。
エミュレータは、トレーニングで見えない地形構成であっても、定常状態に近い構成を正確に予測し、深いDTWTを持つ領域において、特に計算スピンアップ作業の大幅な削減を可能にする。
この研究は、機械学習と従来のシミュレーションを融合し、水資源管理を改善し、複雑な環境相互作用を理解するために、水文学における予測精度と効率を向上させるハイブリッドアプローチの扉を開く。
関連論文リスト
- AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。
非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。
提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
論文 参考訳（メタデータ） (2025-04-30T23:55:44Z) - Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics [65.72663487116439]
ニューラル・テンポラル・ポイント・プロセスを用いて生成時間生成ダイナミクスをモデル化するnTPP-GMMを提案する。
我々は,nTPP-GMMを用いた3つの実世界のデータセットのシミュレーションによるアプローチの評価を行った。
論文 参考訳（メタデータ） (2025-03-20T18:46:41Z) - 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) - 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) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。
貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。
本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
論文 参考訳（メタデータ） (2024-06-05T02:30:29Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Accelerating hydrodynamic simulations of urban drainage systems with
physics-guided machine learning [0.0]
本研究では,物理誘導機械学習に基づく都市排水系油圧の高速かつ高精度な代理モデル構築手法を提案する。
提案手法は,HiFiモデルと比較してシミュレーション時間を1～2桁に短縮する。
したがって、概念的水理モデルよりも遅いが、全てのノードにおける水位、流れ、電荷のシミュレーションと排水網のリンクを可能にする。
論文 参考訳（メタデータ） (2022-05-24T19:44:46Z) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳（メタデータ） (2021-04-30T21:41:24Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳（メタデータ） (2020-12-16T21:43:38Z)
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。