Fugu-MT 論文翻訳(概要): Interpretable Machine Learning for Reservoir Water Temperatures in the U.S. Red River Basin of the South

論文の概要: Interpretable Machine Learning for Reservoir Water Temperatures in the U.S. Red River Basin of the South

arxiv url: http://arxiv.org/abs/2511.01837v1
Date: Mon, 03 Nov 2025 18:45:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:27.37557
Title: Interpretable Machine Learning for Reservoir Water Temperatures in the U.S. Red River Basin of the South
Title（参考訳）: 南アメリカのレッド川流域における貯留層水温の解釈型機械学習
Authors: Isabela Suaza-Sierra, Hernan A. Moreno, Luis A De la Fuente, Thomas M. Neeson,
Abstract要約: 我々は,貯留層水温(RWT)の動的要因を明らかにするために,説明可能な機械学習(ML)とシンボリックモデリングを統合した。我々は、ランダムフォレスト(RF)、エクストリームグラディエントブースティング(XGBoost)、マルチレイヤーパーセプトロン(MLP)を含むアンサンブルとニューラルモデルを採用している。データ駆動による洞察をコンパクトな解析式に変換するため,我々はKAN(Kolmogorov Arnold Networks)を開発し,RWTを記号的に近似した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Accurate prediction of Reservoir Water Temperature (RWT) is vital for sustainable water management, ecosystem health, and climate resilience. Yet, prediction alone offers limited insight into the governing physical processes. To bridge this gap, we integrated explainable machine learning (ML) with symbolic modeling to uncover the drivers of RWT dynamics across ten reservoirs in the Red River Basin, USA, using over 10,000 depth-resolved temperature profiles. We first employed ensemble and neural models, including Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Multilayer Perceptron (MLP), achieving high predictive skill (best RMSE = 1.20 degree Celsius, R^2 = 0.97). Using SHAP (SHapley Additive exPlanations), we quantified the contribution of physical drivers such as air temperature, depth, wind, and lake volume, revealing consistent patterns across reservoirs. To translate these data-driven insights into compact analytical expressions, we developed Kolmogorov Arnold Networks (KANs) to symbolically approximate RWT. Ten progressively complex KAN equations were derived, improving from R^2 = 0.84 using a single predictor (7-day antecedent air temperature) to R^2 = 0.92 with ten predictors, though gains diminished beyond five, highlighting a balance between simplicity and accuracy. The resulting equations, dominated by linear and rational forms, incrementally captured nonlinear behavior while preserving interpretability. Depth consistently emerged as a secondary but critical predictor, whereas precipitation had limited effect. By coupling predictive accuracy with explanatory power, this framework demonstrates how KANs and explainable ML can transform black-box models into transparent surrogates that advance both prediction and understanding of reservoir thermal dynamics.
Abstract（参考訳）: 貯留層水温(RWT)の正確な予測は、持続可能な水管理、生態系の健全性、気候の回復に不可欠である。しかし、予測だけでは、物理的なプロセスの管理に関する洞察は限られている。このギャップを埋めるために、我々は1万以上の深度分解温度プロファイルを用いて、米国レッドリバー盆地の10の貯水池にまたがるRWTダイナミクスのドライバを明らかにするために、説明可能な機械学習(ML)とシンボリックモデリングを統合した。我々はまず,ランダムフォレスト (RF), エクストリームグラディエントブースティング (XGBoost), マルチレイヤーパーセプトロン (MLP) などのアンサンブルとニューラルモデルを用い,高い予測能力(RMSE = 1.20° Celsius, R^2 = 0.97)を実現した。 SHAP (SHapley Additive exPlanations) を用いて, 大気温度, 深度, 風量, 湖水量などの物理要因の寄与を定量化し, 貯水池間の一貫したパターンを明らかにした。データ駆動による洞察をコンパクトな解析式に変換するため,我々はKAN(Kolmogorov Arnold Networks)を開発し,RWTを記号的に近似した。 10個の複雑なカン方程式が導出され、R^2 = 0.84が1つの予測器(7日間の先行空気温度)で改善され、R^2 = 0.92が10個の予測器で改善されたが、利得は5つを超えて減少し、単純さと精度のバランスが強調された。線形および有理形式に支配される結果の方程式は、解釈可能性を維持しながら漸進的に非線形挙動を捉えた。深さは常に二次的ではあるが重要な予測因子として現れ、降水は限られた効果を示した。この枠組みは、予測精度と説明力とを結合することにより、カンと説明可能なMLがブラックボックスモデルを透明なサロゲートに変換する方法を示し、貯水池の熱力学の予測と理解を前進させる。

論文の概要: Interpretable Machine Learning for Reservoir Water Temperatures in the U.S. Red River Basin of the South

関連論文リスト