論文の概要: HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction

• arxiv url: http://arxiv.org/abs/2509.02481v1
• Date: Tue, 02 Sep 2025 16:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.105615
• Title: HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction
• Title（参考訳）: 時空間洪水予測のための分散不均一グラフ注意変換器HydroGAT
• Authors: Aishwarya Sarkar, Autrin Hakimi, Xiaoqiong Chen, Hai Huang, Chaoqun Lu, Ibrahim Demir, Ali Jannesari,
• Abstract要約: グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。 そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。 本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
• 参考スコア（独自算出の注目度）: 7.643667076993224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate flood forecasting remains a challenge for water-resource management, as it demands modeling of local, time-varying runoff drivers (e.g., rainfall-induced peaks, baseflow trends) and complex spatial interactions across a river network. Traditional data-driven approaches, such as convolutional networks and sequence-based models, ignore topological information about the region. Graph Neural Networks (GNNs) propagate information exactly along the river network, which is ideal for learning hydrological routing. However, state-of-the-art GNN-based flood prediction models collapse pixels to coarse catchment polygons as the cost of training explodes with graph size and higher resolution. Furthermore, most existing methods treat spatial and temporal dependencies separately, either applying GNNs solely on spatial graphs or transformers purely on temporal sequences, thus failing to simultaneously capture spatiotemporal interactions critical for accurate flood prediction. We introduce a heterogenous basin graph where every land and river pixel is a node connected by physical hydrological flow directions and inter-catchment relationships. We propose HydroGAT, a spatiotemporal network that adaptively learns local temporal importance and the most influential upstream locations. Evaluated in two Midwestern US basins and across five baseline architectures, our model achieves higher NSE (up to 0.97), improved KGE (up to 0.96), and low bias (PBIAS within $\pm$5%) in hourly discharge prediction, while offering interpretable attention maps that reveal sparse, structured intercatchment influences. To support high-resolution basin-scale training, we develop a distributed data-parallel pipeline that scales efficiently up to 64 NVIDIA A100 GPUs on NERSC Perlmutter supercomputer, demonstrating up to 15x speedup across machines. Our code is available at https://github.com/swapp-lab/HydroGAT.
• Abstract（参考訳）: 正確な洪水予報は、河川網を横断する複雑な空間的相互作用と、局地的かつ時間的に変化する流出ドライバ(例えば、降雨によるピーク、ベースフロートレンド)のモデリングを必要とするため、水資源管理にとって依然として課題である。 畳み込みネットワークやシーケンスベースモデルといった従来のデータ駆動アプローチは、地域に関する位相情報を無視する。 グラフニューラルネットワーク(GNN)は、水文ルーティングを学ぶのに理想的な川網に沿って情報を伝播する。 しかし、現在のGNNベースの洪水予測モデルは、グラフサイズと高解像度でトレーニングコストが爆発するにつれて、粗い捕集ポリゴンに崩壊する。 さらに、既存のほとんどの手法は、空間グラフのみにGNNを適用するか、時間列に純粋に変換器を適用することで、正確な洪水予測に不可欠な時空間的相互作用を同時に捉えることができない、空間的および時間的依存関係を別々に扱う。 そこで本研究では, 河川と河川のすべてのピクセルが, 物理的流動方向と流域間関係によって接続されたノードである異種盆地グラフを提案する。 本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時空間ネットワークであるHydroGATを提案する。 米国中西部の2つの盆地と5つのベースラインアーキテクチャで評価され、我々のモデルはより高いNSE(最大0.97)、改善されたKGE(最大0.96)、低バイアス(PBIAS:$\pm$5%)を達成するとともに、スパースで構造化された干渉効果を示す解釈可能な注意マップを提供する。 NERSC Perlmutterスーパーコンピュータ上で64個のNVIDIA A100 GPUを効率よくスケールアップし,最大15倍の高速化を実現する分散データ並列パイプラインを開発した。 私たちのコードはhttps://github.com/swapp-lab/HydroGAT.comで利用可能です。

関連論文リスト

• Accelerating Flood Warnings by 10 Hours: The Power of River Network Topology in AI-enhanced Flood Forecasting [30.106533909897102]
  グラフニューラルネットワーク(GNN)は、高ノード抵抗距離から過度に流れ込む木のような構造により、河川ネットワークのトポロジーを弱めている。 本研究では、トポロジカルな接続を密度化し、抵抗距離を減らすために、到達可能性に基づくグラフ変換を導入する。 極度の洪水予測では、変換GNNはEA-LSTMよりも優れており、EA-LSTMの14時間予測と同等の24時間水位精度を実現している。
  論文  参考訳（メタデータ） (2024-10-07T22:25:37Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
  そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。 格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。 トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
  論文  参考訳（メタデータ） (2023-09-11T21:14:55Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Fast Temporal Wavelet Graph Neural Networks [7.477634824955323]
  時系列データに基づくタスク学習のためのFTWGNN(Fast Temporal Wavelet Graph Neural Networks)を提案する。 我々は高密度グラフ構造を分解し、対応するスパースウェーブレット基底を計算するために、MMF(Multi resolution Matrix Factorization)を用いる。 実世界のPEMS-BAY, METR-LAトラフィックデータセット, AJILE12 ECoGデータセットによる実験結果から,FTWGNNは最先端技術と競合していることが示された。
  論文  参考訳（メタデータ） (2023-02-17T01:21:45Z)
• Accelerating Domain-aware Deep Learning Models with Distributed Training [0.8164433158925593]
  モデル性能を改善したドメイン固有知識を利用した分散ドメイン認識ネットワークを提案する。 以上の結果から,最大4.1倍の速さで流出口の流出ピークを効果的に予測した。 提案手法は全体の12.6倍の高速化を実現し,平均予測性能は16%向上した。
  論文  参考訳（メタデータ） (2023-01-25T22:59:47Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。