論文の概要: RiverMamba: A State Space Model for Global River Discharge and Flood Forecasting

• arxiv url: http://arxiv.org/abs/2505.22535v2
• Date: Thu, 29 May 2025 08:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 13:10:25.802507
• Title: RiverMamba: A State Space Model for Global River Discharge and Flood Forecasting
• Title（参考訳）: RiverMamba: 地球温暖化と洪水予報のための国家空間モデル
• Authors: Mohamad Hakam Shams Eddin, Yikui Zhang, Stefan Kollet, Juergen Gall,
• Abstract要約: 本稿では,長期的再分析データを用いた新しいディープラーニングモデルであるRiverMambaを紹介する。 これを実現するために、RiverMambaは効率的なMambaブロックを活用し、モデルがグローバルスケールのチャネルルーティングをキャプチャできるようにする。 解析の結果,リヴァーマンバは流出時期やリード時間など,河川流出の確実な予測を行うことが明らかとなった。
• 参考スコア（独自算出の注目度）: 11.045126693185377
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent deep learning approaches for river discharge forecasting have improved the accuracy and efficiency in flood forecasting, enabling more reliable early warning systems for risk management. Nevertheless, existing deep learning approaches in hydrology remain largely confined to local-scale applications and do not leverage the inherent spatial connections of bodies of water. Thus, there is a strong need for new deep learning methodologies that are capable of modeling spatio-temporal relations to improve river discharge and flood forecasting for scientific and operational applications. To address this, we present RiverMamba, a novel deep learning model that is pretrained with long-term reanalysis data and that can forecast global river discharge and floods on a $0.05^\circ$ grid up to 7 days lead time, which is of high relevance in early warning. To achieve this, RiverMamba leverages efficient Mamba blocks that enable the model to capture global-scale channel network routing and enhance its forecast capability for longer lead times. The forecast blocks integrate ECMWF HRES meteorological forecasts, while accounting for their inaccuracies through spatio-temporal modeling. Our analysis demonstrates that RiverMamba delivers reliable predictions of river discharge, including extreme floods across return periods and lead times, surpassing both operational AI- and physics-based models.
• Abstract（参考訳）: 近年,河川流出予測のための深層学習手法により,洪水予測の精度と効率が向上し,より信頼性の高い早期警戒システムを実現している。 それでも、水文学における既存の深層学習のアプローチは、主に局所的な応用に限られており、水域の空間的なつながりを生かしていない。 このように,河川の流出と洪水予測を改善するため,時空間関係をモデル化できる新たな深層学習手法が求められている。 そこで本研究では,長期的再分析データを用いて事前学習した新たな深層学習モデルであるRiverMambaを提案する。 これを実現するために、RiverMambaは効率的なMambaブロックを活用し、モデルがグローバルスケールのチャネルネットワークルーティングをキャプチャし、より長いリードタイムで予測能力を向上する。 予測ブロックは、時空間モデリングによって不正確さを考慮しつつ、ECMWF HRES気象予報を統合している。 我々の分析は、リバーマンバがリターン期間とリードタイムの極端な洪水を含む河川流出の確実な予測を行い、AIと物理モデルの両方を上回ります。

関連論文リスト

• Riverine Flood Prediction and Early Warning in Mountainous Regions using Artificial Intelligence [0.9320657506524149]
  本研究は,パキスタンとアフガニスタンの間を流れるカブール川を,越境流域における洪水予報の複雑さを反映したケーススタディとして用いた。 本研究は,衛星を用いた気候データを用いて,多くの高度な機械学習モデルと深層学習モデルを適用し,日・多段河川流の予測を行った。 LSTMネットワークは他のモデルよりも優れており、最高R2値は0.96、最低RMSEは140.96 m3/secである。
  論文  参考訳（メタデータ） (2025-05-24T11:10:09Z)
• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning [1.8434042562191815]
  機械学習ベースのストリームフロー予測は、評価曲線からの大規模なストリームフローデータセットに依存する。 評価曲線モデリングの不確かさは、ストリームフローデータにエラーをもたらす可能性がある。 本研究では,これらのデータエラーに対処するストリームフロー予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T04:16:35Z)
• Spatio-temporal Causal Learning for Streamflow Forecasting [11.820781497467898]
  Causal Streamflow Forecasting (CSF) はテキサス州のブラゾス川流域で実世界の調査を行っている。 提案手法は,通常の計算時間グラフニューラルネットワークより優れていることを示す。 この研究は、高度なニューラルネットワーク技術とドメイン固有の知識を組み合わせる可能性を示す、ストリームフロー予測に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-11-26T23:19:56Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
  気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。 予測システムは通常、正確な川の排出予測に依存している。 河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-30T08:45:45Z)
• 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)
• 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)

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。