論文の概要: A Physically Driven Long Short Term Memory Model for Estimating Snow Water Equivalent over the Continental United States

• arxiv url: http://arxiv.org/abs/2504.20129v1
• Date: Mon, 28 Apr 2025 17:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.616106
• Title: A Physically Driven Long Short Term Memory Model for Estimating Snow Water Equivalent over the Continental United States
• Title（参考訳）: 米国大陸における降水量推定のための物理駆動型長期記憶モデル
• Authors: Arun M. Saranathan, Mahmoud Saeedimoghaddam, Brandon Smith, Deepthi Raghunandan, Grey Nearing, Craig Pelissier,
• Abstract要約: 降雪量の季節推定は、プロセスベースの再分析製品から得られる雪水等価量(SWE)や、in situ測定による局所的な雪水等価量(SWE)として利用できる。 我々は,様々な物理・気象要因の時系列入力に基づいてSWEを推定できるLong Short-Term Memory (LSTM)ネットワークを構築した。 雪が存在する場合のLSTMモデルの分類精度は$geq 93%であり,SWE推定値の相関係数は$sim 0.9$であることを示す。
• 参考スコア（独自算出の注目度）: 0.8030359871216615
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Snow is an essential input for various land surface models. Seasonal snow estimates are available as snow water equivalent (SWE) from process-based reanalysis products or locally from in situ measurements. While the reanalysis products are computationally expensive and available at only fixed spatial and temporal resolutions, the in situ measurements are highly localized and sparse. To address these issues and enable the analysis of the effect of a large suite of physical, morphological, and geological conditions on the presence and amount of snow, we build a Long Short-Term Memory (LSTM) network, which is able to estimate the SWE based on time series input of the various physical/meteorological factors as well static spatial/morphological factors. Specifically, this model breaks down the SWE estimation into two separate tasks: (i) a classification task that indicates the presence/absence of snow on a specific day and (ii) a regression task that indicates the height of the SWE on a specific day in the case of snow presence. The model is trained using physical/in situ SWE measurements from the SNOw TELemetry (SNOTEL) snow pillows in the western United States. We will show that trained LSTM models have a classification accuracy of $\geq 93\%$ for the presence of snow and a coefficient of correlation of $\sim 0.9$ concerning their SWE estimates. We will also demonstrate that the models can generalize both spatially and temporally to previously unseen data.
• Abstract（参考訳）: 雪は様々な陸地モデルに欠かせない入力である。 降雪量の季節推定は、プロセスベースの再分析製品から雪水等価量(SWE)として、あるいはその場での測定から得られる。 再分析製品は計算コストが高く、固定された空間分解能と時間分解能でしか利用できないが、in situ測定は高度に局所化され、希薄である。 これらの問題に対処し、雪の存在と量に及ぼす物理・形態・地質条件の大きな組の影響を解析するために、様々な物理・気象要因の時系列入力と静的空間・地形要因に基づいてSWEを推定できるLong Short-Term Memory (LSTM) ネットワークを構築した。 具体的には、このモデルは、SWE推定を2つの別々のタスクに分解する。 一 特定日の積雪の有無を示す分類業務 (2)積雪時のSWEの高さを特定の日に示す回帰課題。 このモデルは、米国西部のSNOw TELemetry (SNOTEL)雪枕の物理的/その場SWE測定を用いて訓練されている。 雪が存在する場合のLSTMモデルの分類精度は$\geq 93\%$であり,SWE推定値の相関係数は$\sim 0.9$であることを示す。 また、これらのモデルが空間的にも時間的にも、これまで見つからなかったデータに一般化できることを実証する。

関連論文リスト

• A Physics-Constrained Neural Differential Equation Framework for Data-Driven Snowpack Simulation [0.0]
  本稿では,パラメータ化のための物理制約付きニューラル微分方程式フレームワークを提案する。 降雪深は9%の中央値誤差で予測され、ナッシュサトクリフ効果は幅広い雪の気候で0.94以上である。 アプローチの構造は、物理的制約の満足度を保証し、モデルのトレーニング中にこれらの制約を許容し、パラメータ化のさらなる再トレーニングなしに異なる時間分解におけるモデリングを可能にする。
  論文  参考訳（メタデータ） (2024-12-03T20:17:59Z)
• Retrieving snow depth distribution by downscaling ERA5 Reanalysis with ICESat-2 laser altimetry [2.5124917269950324]
  本研究は、ICESat-2衛星レーザー高度計による積雪深度測定を用いて、マイクロスケール(10m)で積雪深度マップを作成する。 積雪深とそれに対応するERA5ランド積雪深との関係を確立するために回帰モデルを適用した。 ERA5時間帯全体を対象とした月次積雪深図の時系列作成方法(1950年以降)
  論文  参考訳（メタデータ） (2024-10-23T14:59:06Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Attention-based Models for Snow-Water Equivalent Prediction [12.340236862664195]
  スノーウォーター等価(SWE、Snow Water-Equivalent)は、水管理機関が灌水、洪水制御、発電、干ばつ管理決定に使用する重要な決定変数である。 本稿では、SWE予測のための一般的な注意に基づくモデリングフレームワークを提案し、空間的注意と時間的注意に適応する。 米国内の323のSNOTEL局での観測結果から、我々の注意に基づくモデルは、他の機械学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-03T23:33:35Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• An Autoencoder-based Snow Drought Index [0.0]
  SnoDRI(Snow Drought Response Index, SnoDRI)は, 降雪の干ばつの発生を識別し, 定量化するために用いられる新しい指標である。 各種積雪変数の最先端MLアルゴリズムを用いて,本指数を算出した。 我々は1981年から2021年までの太平洋地域での再解析データ(NLDAS-2)を用いて,新しい降雪量指数の有効性について検討した。
  論文  参考訳（メタデータ） (2023-05-23T03:41:45Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Capabilities of Deep Learning Models on Learning Physical Relationships: Case of Rainfall-Runoff Modeling with LSTM [0.0]
  本研究では,深層学習手法が入力データと出力データとを識別できる関係について検討する。 日中降水量と平均空気温度をモデル入力として, 日中流量を推定した。 本研究では,入力変数と対象変数との明示的な物理的関係を,深層学習では適切に学習できないことを示す。
  論文  参考訳（メタデータ） (2021-06-15T08:36:16Z)
• Rainfall-Runoff Prediction at Multiple Timescales with a Single Long Short-Term Memory Network [41.33870234564485]
  長期記憶ネットワーク(Long Short-Term Memory Networks, LSTMs)は, 日常の放電予測に顕著な成功を収めている。 しかし、多くの現実的なシナリオはより粒度の細かい時間スケールで予測を必要とする。 本研究では,一つのモデル内で複数の時間スケールを共同で予測する2つのMulti-Timescale LSTMアーキテクチャを提案する。 これらのモデルを米国大陸の516の流域でテストし、米国水モデルに対するベンチマークを行った。
  論文  参考訳（メタデータ） (2020-10-15T17:52:16Z)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。