論文の概要: Towards Operational Streamflow Forecasting in the Limpopo River Basin using Long Short-Term Memory Networks

• arxiv url: http://arxiv.org/abs/2601.06941v1
• Date: Sun, 11 Jan 2026 15:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.081529
• Title: Towards Operational Streamflow Forecasting in the Limpopo River Basin using Long Short-Term Memory Networks
• Title（参考訳）: 長期記憶ネットワークを用いたリンポポ川流域の河川流動予測に向けて
• Authors: James Tlhomole, Edoardo Borgomeo, Karthikeyan Matheswaran, Mariangel Garcia Andarcia,
• Abstract要約: ランポポ川流域における水文放電シミュレーションにおけるLSTMを含む深層学習モデルの応用について検討した。 その結果、データ制約は、アフリカの河川流域におけるディープラーニングアプリケーションにとって最大の障害であり続けていることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust hydrological simulation is key for sustainable development, water management strategies, and climate change adaptation. In recent years, deep learning methods have been demonstrated to outperform mechanistic models at the task of hydrological discharge simulation. Adoption of these methods has been catalysed by the proliferation of large sample hydrology datasets, consisting of the observed discharge and meteorological drivers, along with geological and topographical catchment descriptors. Deep learning methods infer rainfall-runoff characteristics that have been shown to generalise across catchments, benefitting from the data diversity in large datasets. Despite this, application to catchments in Africa has been limited. The lack of adoption of deep learning methodologies is primarily due to sparsity or lack of the spatiotemporal observational data required to enable downstream model training. We therefore investigate the application of deep learning models, including LSTMs, for hydrological discharge simulation in the transboundary Limpopo River basin, emphasising application to data scarce regions. We conduct a number of computational experiments primarily focused on assessing the impact of varying the LSTM model input data on performance. Results confirm that data constraints remain the largest obstacle to deep learning applications across African river basins. We further outline the impact of human influence on data-driven modelling which is a commonly overlooked aspect of data-driven large-sample hydrology approaches and investigate solutions for model adaptation under smaller datasets. Additionally, we include recommendations for future efforts towards seasonal hydrological discharge prediction and direct comparison or inclusion of SWAT model outputs, as well as architectural improvements.
• Abstract（参考訳）: 持続的な開発、水管理戦略、気候変動適応のためのロバストな水文シミュレーションが重要である。 近年, 深層学習法は, 流体放電シミュレーションの課題において, 力学モデルより優れていることが実証されている。 これらの手法の採用は、地質学的および地形学的捕集記述子とともに、観測された放出と気象学的要因からなる大規模なサンプル水文学データセットの拡散によってもたらされた。 深層学習手法は,大規模なデータセットにおけるデータ多様性の恩恵を受けながら,降雨・流出特性の一般化を図った。 しかし、アフリカでの漁獲は制限されている。 深層学習手法の採用の欠如は、主に、下流モデルのトレーニングを可能にするのに必要な時空間観測データの空間性や欠如に起因する。 そこで我々は, LSTMsを含む深層学習モデルを用いて, 陸水流域における水文放電シミュレーションを行い, データ不足地域への適用を強調した。 LSTMモデル入力データの変化が性能に与える影響を主に評価する計算実験を多数実施する。 その結果、データ制約は、アフリカの河川流域におけるディープラーニングアプリケーションにとって最大の障害であり続けていることが確認された。 さらに、データ駆動型大規模水文学アプローチの概ね見過ごされている側面であるデータ駆動型モデリングに対する人間の影響を概説し、より小さなデータセット下でのモデル適応のソリューションについて検討する。 さらに,SWATモデル出力の季節的流出予測と直接比較・含意,アーキテクチャ改善に向けた今後の取り組みについても提案する。

関連論文リスト

• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling [19.028024402759467]
  HydroTraceは、ストリームフローを予測するアルゴリズム駆動のデータに依存しないモデルである。 ナッシュ・サトクリフ効率は98%に達し、目に見えないデータに対して強い一般化を示す。
  論文  参考訳（メタデータ） (2025-01-07T18:59:53Z)
• Approaches for enhancing extrapolability in process-based and data-driven models in hydrology [0.16735447464058464]
  本稿では,プロセスベースおよびデータ駆動型水文モデルにおける外挿可能性の評価・向上手法をレビューし,比較する。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。
  論文  参考訳（メタデータ） (2024-08-13T17:59:24Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
  本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。 本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。 本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T14:52:53Z)
• 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)

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。