論文の概要: Machine Learning for Proactive Groundwater Management: Early Warning and Resource Allocation
- arxiv url: http://arxiv.org/abs/2506.22461v1
- Date: Wed, 18 Jun 2025 00:41:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-07 02:47:44.359096
- Title: Machine Learning for Proactive Groundwater Management: Early Warning and Resource Allocation
- Title(参考訳): 積極的地下水管理のための機械学習:早期警戒と資源配分
- Authors: Chuan Li, Ruoxuan Yang,
- Abstract要約: 我々は,気候データ,水文気象記録,生理特性を用いて地下水位を推定する機械学習パイプラインを開発した。
我々のアプローチは、地理空間前処理、ドメイン駆動機能エンジニアリング、監視制限を克服する自動モデル選択を統合している。
- 参考スコア(独自算出の注目度): 1.372066170415575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Groundwater supports ecosystems, agriculture, and drinking water supplies worldwide, yet effective monitoring remains challenging due to sparse data, computational constraints, and delayed outputs from traditional approaches. We develop a machine learning pipeline that predicts groundwater level categories using climate data, hydro-meteorological records, and physiographic attributes processed through AutoGluon's automated ensemble framework. Our approach integrates geospatial preprocessing, domain-driven feature engineering, and automated model selection to overcome conventional monitoring limitations. Applied to a large-scale French dataset (n $>$ 3,440,000 observations from 1,500+ wells), the model achieves weighted F\_1 scores of 0.927 on validation data and 0.67 on temporally distinct test data. Scenario-based evaluations demonstrate practical utility for early warning systems and water allocation decisions under changing climate conditions. The open-source implementation provides a scalable framework for integrating machine learning into national groundwater monitoring networks, enabling more responsive and data-driven water management strategies.
- Abstract(参考訳): 地下水は世界中の生態系、農業、飲料水の供給を支えているが、データ不足、計算の制約、伝統的なアプローチからの出力の遅れなど、効果的なモニタリングは依然として困難である。
我々は,AutoGluonの自動アンサンブルフレームワークによって処理された気候データ,水文気象記録,物理特性を用いて地下水位を推定する機械学習パイプラインを開発した。
提案手法は,地理空間前処理,ドメイン駆動機能エンジニアリング,自動モデル選択を統合し,従来の監視制限を克服する。
大規模フランスのデータセット(1500以上の井戸からの3,440,000ドルの観測)に適用すると、検証データで0.927点、時間的に異なるテストデータで0.67点の重み付けされたF\_1スコアが得られる。
シナリオに基づく評価は、気候条件の変化による早期警戒システムや配水決定に実用的有用性を示す。
オープンソースの実装は、マシンラーニングを全国的な地下水モニタリングネットワークに統合するためのスケーラブルなフレームワークを提供する。
関連論文リスト
- ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳(メタデータ) (2025-06-12T06:27:22Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳(メタデータ) (2025-04-09T15:13:26Z) - DiTEC-WDN: A Large-Scale Dataset of Hydraulic Scenarios across Multiple Water Distribution Networks [41.94295877935867]
このデータセットは、短期(24時間)または長期(1年)でシミュレートされた36,000のユニークなシナリオで構成されている。
DiTEC-WDNは、グラフレベル、ノードレベル、リンクレベルの回帰、時系列予測など、さまざまな機械学習タスクをサポートすることができる。
この貢献は、公的なライセンスの下でリリースされ、クリティカルウォーターセクターにおけるオープンな科学研究を奨励し、センシティブなデータを露出するリスクを排除し、研究比較とシナリオ分析のための大規模な配水ネットワークベンチマークの必要性を満たす。
論文 参考訳(メタデータ) (2025-03-21T14:14:03Z) - Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。
車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。
ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文 参考訳(メタデータ) (2024-10-08T10:35:32Z) - 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) - A Graph-Based Modeling Framework for Tracing Hydrological Pollutant
Transport in Surface Waters [0.0]
本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。
グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。
我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
論文 参考訳(メタデータ) (2023-02-10T00:30:38Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
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。