論文の概要: Global River Forecasting with a Topology-Informed AI Foundation Model

• arxiv url: http://arxiv.org/abs/2602.22293v1
• Date: Wed, 25 Feb 2026 15:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.361531
• Title: Global River Forecasting with a Topology-Informed AI Foundation Model
• Title（参考訳）: トポロジインフォームドAIファンデーションモデルによるグローバルな河川予測
• Authors: Hancheng Ren, Gang Zhao, Shuo Wang, Louise Slater, Dai Yamazaki, Shu Liu, Jingfang Fan, Shibo Cui, Ziming Yu, Shengyu Kang, Depeng Zuo, Dingzhi Peng, Zongxue Xu, Bo Pang,
• Abstract要約: GraphRiverCast(GRC)は、グローバルな河川システムにおける河川流体力学をシミュレートするために設計されたトポロジーインフォームドAI基盤モデルである。 7日間のグローバルな擬似ヒンドキャストでは、GRC-ColdStartは堅牢なスタンドアロンシミュレータとして機能し、ナッシュ・サトクリフ効率(NSE)はおよそ0.82である。 事前トレーニングと微調整の戦略によって局所的に適応した場合、GRCは物理学ベースのAIベースラインと局所的にトレーニングされたAIベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 13.539251724274273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: River systems operate as inherently interconnected continuous networks, meaning river hydrodynamic simulation ought to be a systemic process. However, widespread hydrology data scarcity often restricts data-driven forecasting to isolated predictions. To achieve systemic simulation and reduce reliance on river observations, we present GraphRiverCast (GRC), a topology-informed AI foundation model designed to simulate multivariate river hydrodynamics in global river systems. GRC is capable of operating in a "ColdStart" mode, generating predictions without relying on historical river states for initialization. In 7-day global pseudo-hindcasts, GRC-ColdStart functions as a robust standalone simulator, achieving a Nash-Sutcliffe Efficiency (NSE) of approximately 0.82 without exhibiting the significant error accumulation typical of autoregressive paradigms. Ablation studies reveal that topological encoding serves as indispensable structural information in the absence of historical states, explicitly guiding hydraulic connectivity and network-scale mass redistribution to reconstruct flow dynamics. Furthermore, when adapted locally via a pre-training and fine-tuning strategy, GRC consistently outperforms physics-based and locally-trained AI baselines. Crucially, this superiority extends from gauged reaches to full river networks, underscoring the necessity of topology encoding and physics-based pre-training. Built on a physics-aligned neural operator architecture, GRC enables rapid and cross-scale adaptive simulation, establishing a collaborative paradigm bridging global hydrodynamic knowledge with local hydrological reality.
• Abstract（参考訳）: 河川システムは本質的に相互接続された連続的なネットワークとして機能し、河川流体力学シミュレーションはシステム的なプロセスであるべきである。 しかし、広範な水文学データ不足は、データ駆動予測を孤立した予測に制限することが多い。 本稿では,大域河川システムにおける多変量河川流動のシミュレーションを目的としたトポロジインフォームドAI基盤モデルであるGraphRiverCast(GRC)を提案する。 GRCは"ColdStart"モードで動作可能で、初期化に歴史的な川の状態に頼ることなく予測を生成する。 7日間のグローバルな擬似ヒンドキャストでは、GRC-ColdStartは堅牢なスタンドアロンシミュレータとして機能し、自己回帰パラダイムの典型的な大きなエラー蓄積を示すことなく、およそ0.82のナッシュ・サトクリフ効率(NSE)を達成する。 アブレーション研究により、トポロジカルエンコーディングは歴史的状態がない場合に必要不可欠な構造情報として機能し、水圧接続とネットワークスケールの質量再分配を明示的に導く。 さらに、事前トレーニングと微調整の戦略によって局所的に適応する場合、GRCは物理学ベースのAIベースラインと局所的にトレーニングされたAIベースラインを一貫して上回る。 重要な点として、この優位性はゲージされた範囲から完全な川網まで広がり、トポロジーエンコーディングと物理に基づく事前訓練の必要性を強調している。 物理に整合したニューラルオペレーターアーキテクチャに基づいて構築されたGRCは、迅速かつクロススケールな適応シミュレーションを可能にし、局所的な流体学的現実とグローバルな流体力学的知識をブリッジする協調パラダイムを確立する。

関連論文リスト

• RiverMamba: A State Space Model for Global River Discharge and Flood Forecasting [22.01585992639946]
  近年の河川流出予測の深層学習手法により,洪水予測の精度と効率が向上した。 既存の水文学における深層学習のアプローチは、主に局所的な応用に限られている。 本稿では,長期的再分析データを用いた新しいディープラーニングモデルであるRiverMambaを紹介する。
  論文  参考訳（メタデータ） (2025-05-28T16:21:58Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Deep Learning for Hydroelectric Optimization: Generating Long-Term River Discharge Scenarios with Ensemble Forecasts from Global Circulation Models [0.0]
  水力発電は世界のエネルギーマトリックスの重要な構成要素であり、特にブラジルのような国々ではエネルギー供給の大半を占めている。 しかし、気候の変動により本質的に不確実な河川流出への強い依存は、大きな課題を招いている。 伝統的に、統計モデルは、エネルギー最適化において河川の排出を表すために使われてきたが、しかしながら、これらのモデルは、気候の挙動が構造的に変化しているため、現実的なシナリオを生み出すことがますます困難になっている。
  論文  参考訳（メタデータ） (2024-12-16T16:37:27Z)
• Spatio-temporal Causal Learning for Streamflow Forecasting [11.820781497467898]
  Causal Streamflow Forecasting (CSF) はテキサス州のブラゾス川流域で実世界の調査を行っている。 提案手法は,通常の計算時間グラフニューラルネットワークより優れていることを示す。 この研究は、高度なニューラルネットワーク技術とドメイン固有の知識を組み合わせる可能性を示す、ストリームフロー予測に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-11-26T23:19:56Z)
• 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)
• 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)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• 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)

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。