論文の概要: Physics-guided Emulators Reveal Resilience and Fragility under Operational Latencies and Outages

• arxiv url: http://arxiv.org/abs/2510.18535v1
• Date: Tue, 21 Oct 2025 11:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.447808
• Title: Physics-guided Emulators Reveal Resilience and Fragility under Operational Latencies and Outages
• Title（参考訳）: 物理誘導型エミュレータによる運転遅延・停止時の抵抗性と脆弱性の検討
• Authors: Sarth Dubey, Subimal Ghosh, Udit Bhatia,
• Abstract要約: 我々はGlobal Flood Awareness System(GloFAS)の運用可能なエミュレータを開発した。 我々はGloFASの水理コアを再生し、情報品質が低下するにつれて滑らかに劣化する。 このフレームワークは、水文機械学習の計測可能な特性として、運用上の堅牢性を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable hydrologic and flood forecasting requires models that remain stable when input data are delayed, missing, or inconsistent. However, most advances in rainfall-runoff prediction have been evaluated under ideal data conditions, emphasizing accuracy rather than operational resilience. Here, we develop an operationally ready emulator of the Global Flood Awareness System (GloFAS) that couples long- and short-term memory networks with a relaxed water-balance constraint to preserve physical coherence. Five architectures span a continuum of information availability: from complete historical and forecast forcings to scenarios with data latency and outages, allowing systematic evaluation of robustness. Trained in minimally managed catchments across the United States and tested in more than 5,000 basins, including heavily regulated rivers in India, the emulator reproduces the hydrological core of GloFAS and degrades smoothly as information quality declines. Transfer across contrasting hydroclimatic and management regimes yields reduced yet physically consistent performance, defining the limits of generalization under data scarcity and human influence. The framework establishes operational robustness as a measurable property of hydrological machine learning and advances the design of reliable real-time forecasting systems.
• Abstract（参考訳）: 信頼性の高い水文学および洪水予測には、入力データが遅延、欠落、一貫性のないときに安定したモデルが必要である。 しかし、降雨流出予測のほとんどの進歩は理想的なデータ条件下で評価され、運用上のレジリエンスよりも精度を重視している。 本稿では,Global Flood Awareness System(GloFAS)の動作可能なエミュレータを開発した。 5つのアーキテクチャは、完全な履歴と予測の強制から、データのレイテンシと停止を伴うシナリオまで、情報の可用性の連続性にまたがる。 インドでは規制の厳しい川を含む5,000以上の流域で訓練され、情報品質の低下に伴い、エミュレータはGloFASの水文学的コアを再現し、滑らかに劣化する。 対照的な温暖化と管理体制の移動は、データ不足と人間の影響の下での一般化の限界を定義することによって、物理的に一貫性のあるパフォーマンスを低下させる。 このフレームワークは、水文機械学習の計測可能な特性として運用ロバスト性を確立し、信頼性の高いリアルタイム予測システムの設計を進める。

関連論文リスト

• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• 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)
• 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)

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。