論文の概要: QDeepGR4J: Quantile-based ensemble of deep learning and GR4J hybrid rainfall-runoff models for extreme flow prediction with uncertainty quantification
- arxiv url: http://arxiv.org/abs/2510.05453v1
- Date: Mon, 06 Oct 2025 23:36:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.02884
- Title: QDeepGR4J: Quantile-based ensemble of deep learning and GR4J hybrid rainfall-runoff models for extreme flow prediction with uncertainty quantification
- Title（参考訳）: QDeepGR4J: 深層学習の量子的アンサンブルとGR4Jハイブリッド降雨流出モデル
- Authors: Arpit Kapoor, Rohitash Chandra,
- Abstract要約: 我々は、ストリームフロー予測における不確実性を定量化するために、量子回帰に基づくアンサンブル学習フレームワークを用いてDeepGR4Jを拡張した。
我々はまた、洪水につながる可能性のある極端な流れの事象を特定するために、不確実性境界を利用する。
その結果,提案するQuantile DeepGR4Jフレームワークは,ベースライン深層学習モデルと比較して予測精度と不確実区間品質(インターバルスコア)を向上させることがわかった。
- 参考スコア（独自算出の注目度）: 3.8883540444516598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conceptual rainfall-runoff models aid hydrologists and climate scientists in modelling streamflow to inform water management practices. Recent advances in deep learning have unravelled the potential for combining hydrological models with deep learning models for better interpretability and improved predictive performance. In our previous work, we introduced DeepGR4J, which enhanced the GR4J conceptual rainfall-runoff model using a deep learning model to serve as a surrogate for the routing component. DeepGR4J had an improved rainfall-runoff prediction accuracy, particularly in arid catchments. Quantile regression models have been extensively used for quantifying uncertainty while aiding extreme value forecasting. In this paper, we extend DeepGR4J using a quantile regression-based ensemble learning framework to quantify uncertainty in streamflow prediction. We also leverage the uncertainty bounds to identify extreme flow events potentially leading to flooding. We further extend the model to multi-step streamflow predictions for uncertainty bounds. We design experiments for a detailed evaluation of the proposed framework using the CAMELS-Aus dataset. The results show that our proposed Quantile DeepGR4J framework improves the predictive accuracy and uncertainty interval quality (interval score) compared to baseline deep learning models. Furthermore, we carry out flood risk evaluation using Quantile DeepGR4J, and the results demonstrate its suitability as an early warning system.
- Abstract（参考訳）: 概念的な降雨流出モデルは、水学者や気候科学者が流水の流れをモデル化し、水管理の実践を伝えるのに役立つ。
深層学習の最近の進歩は、より優れた解釈可能性と予測性能向上のために、水文学モデルと深層学習モデルを組み合わせる可能性を誇示している。
前回の研究で我々はDeepGR4Jを導入し、ディープラーニングモデルを用いてGR4Jの概念降雨モデルを拡張し、ルーティングコンポーネントのサロゲートとして機能させた。
DeepGR4Jは降雨・流出予測の精度が向上し、特に乾燥した獲物が検出された。
量子回帰モデルは、極端な値予測を補助しながら不確実性を定量化するために広く利用されている。
本稿では,ストリームフロー予測における不確実性を定量化するために,量子回帰に基づくアンサンブル学習フレームワークを用いてDeepGR4Jを拡張した。
我々はまた、洪水につながる可能性のある極端な流れの事象を特定するために、不確実性バウンダリを利用する。
さらに、不確実性境界に対するマルチステップストリームフロー予測にモデルを拡張します。
CAMELS-Ausデータセットを用いて提案フレームワークの詳細な評価実験を設計する。
その結果,提案するQuantile DeepGR4Jフレームワークは,ベースライン深層学習モデルと比較して予測精度と不確実区間品質(インターバルスコア)を向上させることがわかった。
さらに,Quantile DeepGR4Jを用いた洪水危険度評価を行い,早期警戒システムとしての有効性を実証した。
関連論文リスト
- Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。
本研究では,高分解能アンサンブル降水予測のための物理に着想を得た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） (2025-01-06T10:29:38Z) - 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) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - 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) - Probabilistic Inverse Modeling: An Application in Hydrology [5.221546270391291]
本研究では,頑健な流域特性を再構築可能な確率的逆モデルフレームワークを提案する。
より説明可能な逆モデルの構築,不確実性推定,堅牢性という2つの側面に対処する。
論文 参考訳（メタデータ） (2022-10-12T14:00:37Z) - Rainfall-runoff prediction using a Gustafson-Kessel clustering based
Takagi-Sugeno Fuzzy model [0.0]
降雨流出モデルは、物理的アプローチまたはシステムベースのアプローチを用いて表面流出を予測する。
本稿では,Gustafson-Kesselクラスタリングに基づくTS Fuzzyモデルを用いた降雨流出モデルを提案する。
論文 参考訳（メタデータ） (2021-08-22T10:02:51Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Calibration and Uncertainty Quantification of Bayesian Convolutional
Neural Networks for Geophysical Applications [0.0]
このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。
一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。
ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
論文 参考訳（メタデータ） (2021-05-25T17:54:23Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Uncertainty Estimation with Deep Learning for Rainfall-Runoff Modelling [4.080450230687111]
不確実性推定は水文予測に不可欠である。
深層学習では正確で正確で確実な不確実性推定が可能であることを示す。
論文 参考訳（メタデータ） (2020-12-15T20:52:19Z)
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。