論文の概要: How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades

• arxiv url: http://arxiv.org/abs/2505.01415v1
• Date: Fri, 02 May 2025 17:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.097646
• Title: How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades
• Title（参考訳）: 水文学における大規模時系列モデルの有効性 : エバーグレーズにおける水位予測に関する研究
• Authors: Rahuul Rangaraj, Jimeng Shi, Azam Shirali, Rajendra Paudel, Yanzhao Wu, Giri Narasimhan,
• Abstract要約: エバーグレーズは洪水と干ばつ規制、水資源計画、生態系管理において重要な役割を果たしている。 従来の物理に基づく、水位を予測する統計的手法は、しばしば重大な課題に直面している。 大規模時系列モデルの最近の進歩は、これらの制限に対処する可能性を示している。
• 参考スコア（独自算出の注目度）: 1.147912082971675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Everglades play a crucial role in flood and drought regulation, water resource planning, and ecosystem management in the surrounding regions. However, traditional physics-based and statistical methods for predicting water levels often face significant challenges, including high computational costs and limited adaptability to diverse or unforeseen conditions. Recent advancements in large time series models have demonstrated the potential to address these limitations, with state-of-the-art deep learning and foundation models achieving remarkable success in time series forecasting across various domains. Despite this progress, their application to critical environmental systems, such as the Everglades, remains underexplored. In this study, we fill the gap by investigating twelve task-specific models and five time series foundation models across six categories for a real-world application focused on water level prediction in the Everglades. Our primary results show that the foundation model, Chronos, significantly outperforms all other models while the remaining foundation models exhibit relatively poor performance. Moreover, the performance of task-specific models varies with the model architectures. Lastly, we discuss the possible reasons for the varying performance of models.
• Abstract（参考訳）: エバーグレーズは、洪水と干ばつ規制、水資源計画、周辺地域の生態系管理において重要な役割を果たしている。 しかし、従来の物理学に基づく水位予測の統計学的手法は、高い計算コストや、様々な、あるいは予期せぬ条件への適応性の制限など、しばしば重大な課題に直面している。 大規模時系列モデルの最近の進歩は、様々な領域にわたる時系列予測において、最先端のディープラーニングと基礎モデルによって、これらの制限に対処する可能性を実証している。 この進歩にもかかわらず、エバーグレーズのような重要な環境システムへの応用は未調査のままである。 本研究では,エバーグレーズにおける水位予測に着目した実世界のアプリケーションを対象とした,12のタスク固有モデルと5つの時系列基礎モデルを用いてギャップを埋める。 基礎モデルであるChronosが他のモデルよりも優れており,残りのモデルでは比較的低い性能を示した。 さらに、タスク固有のモデルの性能はモデルアーキテクチャによって異なります。 最後に,モデルの性能変化の可能性について論じる。

関連論文リスト

• 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)
• Deep Learning Foundation and Pattern Models: Challenges in Hydrological Time Series [1.4854797901022863]
  本稿では,水文学データを用いて時系列における重要な特徴を特定することを目的とする。 本研究では, CAMELS と Caravan のグローバルデータセットから水文学時系列を解析する。
  論文  参考訳（メタデータ） (2024-10-19T21:23:48Z)
• Ensemble quantile-based deep learning framework for streamflow and flood prediction in Australian catchments [0.31666540219908274]
  近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。 深層学習の手法は、極端な気候現象を予測することを約束しているが、大規模な洪水は重要な課題である。 大規模ストリームフロー予測に対処するアンサンブル量子化に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-20T23:45:04Z)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• 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)
• 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)
• Forecasting Soil Moisture Using Domain Inspired Temporal Graph Convolution Neural Networks To Guide Sustainable Crop Management [0.0]
  本研究の目的は,農業経営の意思決定にドメイン知識と機械学習を用いて土壌水分を予測することである。 このドメイン知識にインスパイアされた我々は、新しいドメインインスパイアされた時間グラフ畳み込みニューラルネットワークを構築した。 我々は,40年間にわたる約99,000個の水文応答ユニットからなるフィールドスケール時系列データに対して,本手法を訓練し,検証し,検証した。
  論文  参考訳（メタデータ） (2022-12-12T14:36:39Z)

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。