論文の概要: Process-Aware AI for Rainfall-Runoff Modeling: A Mass-Conserving Neural Framework with Hydrological Process Constraints

• arxiv url: http://arxiv.org/abs/2603.25093v1
• Date: Thu, 26 Mar 2026 06:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.146056
• Title: Process-Aware AI for Rainfall-Runoff Modeling: A Mass-Conserving Neural Framework with Hydrological Process Constraints
• Title（参考訳）: 降雨流出モデリングのためのプロセス対応AI:水文プロセス制約付き大量保存ニューラルネットワークフレームワーク
• Authors: Mohammad A. Farmani, Hoshin V. Gupta, Ali Behrangi, Muhammad Jawad, Sadaf Moghisi, Guo-Yue Niu,
• Abstract要約: 機械学習モデルは、水文学的な応用において高い予測精度を達成することができるが、しばしば物理的解釈性に欠ける。 MCP(Mass-Conserving Perceptron)は、物理を意識した人工知能フレームワークである。 本研究では, 降雨・流出モデルにおいて, 水文プロセスの物理的意味表現を単一のMSP記憶装置に段階的に組み込むことによって, 予測能力と解釈性が向上するかを考察する。
• 参考スコア（独自算出の注目度）: 0.34287093027458554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models can achieve high predictive accuracy in hydrological applications but often lack physical interpretability. The Mass-Conserving Perceptron (MCP) provides a physics-aware artificial intelligence (AI) framework that enforces conservation principles while allowing hydrological process relationships to be learned from data. In this study, we investigate how progressively embedding physically meaningful representations of hydrological processes within a single MCP storage unit improves predictive skill and interpretability in rainfall-runoff modeling. Starting from a minimal MCP formulation, we sequentially introduce bounded soil storage, state-dependent conductivity, variable porosity, infiltration capacity, surface ponding, vertical drainage, and nonlinear water-table dynamics. The resulting hierarchy of process-aware MCP models is evaluated across 15 catchments spanning five hydroclimatic regions of the continental United States using daily streamflow prediction as the target. Results show that progressively augmenting the internal physical structure of the MCP unit generally improves predictive performance. The influence of these process representations is strongly hydroclimate dependent: vertical drainage substantially improves model skill in arid and snow-dominated basins but reduces performance in rainfall-dominated regions, while surface ponding has comparatively small effects. The best-performing MCP configurations approach the predictive skill of a Long Short-Term Memory benchmark while maintaining explicit physical interpretability. These results demonstrate that embedding hydrological process constraints within AI architectures provides a promising pathway toward interpretable and process-aware rainfall-runoff modeling.
• Abstract（参考訳）: 機械学習モデルは、水文学的な応用において高い予測精度を達成することができるが、しばしば物理的解釈性に欠ける。 Mass-Conserving Perceptron (MCP)は、物理を意識した人工知能(AI)フレームワークを提供する。 本研究では, 降雨・流出モデルにおいて, 1つのMSPストレージユニットに, 物理的に意味のある水文プロセスの表現を段階的に組み込むことによって, 予測能力と解釈性が向上するかを考察した。 最小限のMSP定式化から始まり, 境界土壌の貯留, 状態依存性の導電率, 可変ポーシティ, 浸透能力, 表面沈降量, 垂直排水量, 非線形水位力学を順次導入する。 プロセス認識型MPPモデルの階層構造を,日次流量予測を目標として,米国大陸の5つの温暖域にまたがる15の漁獲量にわたって評価した。 その結果, MCPユニットの内部構造を徐々に増大させることで, 予測性能が向上することが示唆された。 垂直排水は乾燥盆地と積雪盆地のモデル技術を大幅に改善するが、降雨支配地域では性能を低下させる一方、表面の沈降は比較的小さな効果を持つ。 最も優れたMPP構成は、明示的な物理的解釈可能性を維持しながら、Long Short-Term Memoryベンチマークの予測スキルにアプローチする。 これらの結果は、AIアーキテクチャに水文プロセスの制約を埋め込むことで、解釈可能でプロセス対応の降雨・流出モデリングへの有望な経路を提供することを示している。

関連論文リスト

• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• 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)
• 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)
• Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
  本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
  論文  参考訳（メタデータ） (2024-01-25T21:26:49Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)

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。