論文の概要: Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics

• arxiv url: http://arxiv.org/abs/2510.02605v1
• Date: Thu, 02 Oct 2025 22:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.198797
• Title: Towards CONUS-Wide ML-Augmented Conceptually-Interpretable Modeling of Catchment-Scale Precipitation-Storage-Runoff Dynamics
• Title（参考訳）: CONUS-Wide ML拡張概念解釈モデルの構築に向けて
• Authors: Yuan-Heng Wang, Yang Yang, Fabio Ciulla, Hoshin V. Gupta, Charuleka Varadharajan,
• Abstract要約: 本研究は,Mass-Conserving Perceptron(MCP)に基づく,様々なキャッチメント複雑性のML拡張物理解釈スケールモデルを用いた。 その結果,積雪,森林被覆,気候帯などの属性マスクを用いて評価した。 ベンチマーク比較により、物理的に解釈可能な大量保存型MPPベースのモデルでは、Long Short-Term Memory Network (LSTM)アーキテクチャに基づくデータベースモデルに匹敵する性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 3.442981587977714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While many modern studies are dedicated to ML-based large-sample hydrologic modeling, these efforts have not necessarily translated into predictive improvements that are grounded in enhanced physical-conceptual understanding. Here, we report on a CONUS-wide large-sample study (spanning diverse hydro-geo-climatic conditions) using ML-augmented physically-interpretable catchment-scale models of varying complexity based in the Mass-Conserving Perceptron (MCP). Results were evaluated using attribute masks such as snow regime, forest cover, and climate zone. Our results indicate the importance of selecting model architectures of appropriate model complexity based on how process dominance varies with hydrological regime. Benchmark comparisons show that physically-interpretable mass-conserving MCP-based models can achieve performance comparable to data-based models based in the Long Short-Term Memory network (LSTM) architecture. Overall, this study highlights the potential of a theory-informed, physically grounded approach to large-sample hydrology, with emphasis on mechanistic understanding and the development of parsimonious and interpretable model architectures, thereby laying the foundation for future models of everywhere that architecturally encode information about spatially- and temporally-varying process dominance.
• Abstract（参考訳）: 多くの近代的な研究はMLに基づく大規模サンプル水理モデリングに特化しているが、これらの試みは必ずしも物理的な概念理解の強化に基礎を置いている予測的改善に変換されたわけではない。 本稿では, ML強化物理的解釈可能なキャプメントスケールモデルを用いて, 質量保存パーセプトロン (MCP) に基づく, CONUS 全体にわたる大規模サンプル調査(多様な水文地質気候条件の拡大)について報告する。 その結果,積雪,森林被覆,気候帯などの属性マスクを用いて評価した。 以上の結果から,プロセスの優位性が水文構造とどのように異なるかに基づいて,適切なモデル複雑性のモデルアーキテクチャを選択することの重要性が示唆された。 ベンチマーク比較により、物理的に解釈可能な大量保存型MPPベースのモデルでは、Long Short-Term Memory Network (LSTM)アーキテクチャに基づくデータベースモデルに匹敵する性能が得られることが示された。 本研究は, 機械的理解と相似的・解釈可能なモデルアーキテクチャの開発を重視し, 空間的・時間的に変化するプロセス支配に関する情報をアーキテクチャ的にエンコードする, 将来的なモデルの基礎を築き上げた, 大規模水文学に対する理論的, 物理的基盤的アプローチの可能性を強調した。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics [1.1510009152620668]
  機械学習の未調査の側面は、システム機能に関するより良い洞察を促進するために、最小限の最適表現を開発する方法である。 我々の見解では、MLに基づくモデリングは、物理的概念的意味において本質的に容易に解釈できる計算単位をベースとすべきである。 ラムプ・モデリングの文脈では、物理的解釈可能性と予測性能は、相対的に類似した分散状態のマルチフロー・パス・ネットワークを用いて達成可能であることを示す。
  論文  参考訳（メタデータ） (2024-12-06T08:30:01Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
  本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
  論文  参考訳（メタデータ） (2024-01-25T21:26:49Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。