論文の概要: Pure and Physics-Guided Deep Learning Solutions for Spatio-Temporal Groundwater Level Prediction at Arbitrary Locations

• arxiv url: http://arxiv.org/abs/2603.25779v1
• Date: Thu, 26 Mar 2026 15:57:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.21132
• Title: Pure and Physics-Guided Deep Learning Solutions for Spatio-Temporal Groundwater Level Prediction at Arbitrary Locations
• Title（参考訳）: 任意位置における時空間地下水位予測のための純・物理誘導深層学習法
• Authors: Matteo Salis, Gabriele Sartor, Rosa Meo, Stefano Ferraris, Abdourrahmane M. Atto,
• Abstract要約: 理論に基づくモデルは科学的理解の基盤となっている。 ディープラーニングは、設計の柔軟性と複雑な関係を学習する能力において、主要なアプローチであることが証明されている。
• 参考スコア（独自算出の注目度）: 4.719359584136726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Groundwater represents a key element of the water cycle, yet it exhibits intricate and context-dependent relationships that make its modeling a challenging task. Theory-based models have been the cornerstone of scientific understanding. However, their computational demands, simplifying assumptions, and calibration requirements limit their use. In recent years, data-driven models have emerged as powerful alternatives. In particular, deep learning has proven to be a leading approach for its design flexibility and ability to learn complex relationships. We proposed an attention-based pure deep learning model, named STAINet, to predict weekly groundwater levels at an arbitrary and variable number of locations, leveraging both spatially sparse groundwater measurements and spatially dense weather information. Then, to enhance the model's trustworthiness and generalization ability, we considered different physics-guided strategies to inject the groundwater flow equation into the model. Firstly, in the STAINet-IB, by introducing an inductive bias, we also estimated the governing equation components. Then, by adopting a learning bias strategy, we proposed the STAINet-ILB, trained with additional loss terms adding supervision on the estimated equation components. Lastly, we developed the STAINet-ILRB, leveraging the groundwater body recharge zone information estimated by domain experts. The STAINet-ILB performed the best, achieving overwhelming test performances in a rollout setting (median MAPE 0.16%, KGE 0.58). Furthermore, it predicted sensible equation components, providing insights into the model's physical soundness. Physics-guided approaches represent a promising opportunity to enhance both the generalization ability and the trustworthiness, thereby paving the way to a new generation of disruptive hybrid deep learning Earth system models.
• Abstract（参考訳）: 地下水は水循環の重要な要素であるが、複雑な、文脈に依存した関係を示し、モデリングを困難な課題にしている。 理論に基づくモデルは科学的理解の基盤となっている。 しかし、計算要求、仮定の単純化、キャリブレーション要求は使用を制限する。 近年、データ駆動モデルは強力な代替手段として出現している。 特にディープラーニングは、設計の柔軟性と複雑な関係を学習する能力において、主要なアプローチであることが証明されている。 そこで我々は,空間的に疎水な地下水計測と空間的に密集した気象情報の両方を活かし,任意の地点で毎週地下水位を推定するための,注意に基づく純深度学習モデルSTAINetを提案した。 そこで我々は,モデルの信頼性と一般化能力を高めるために,地下水流方程式をモデルに注入する物理誘導戦略を検討した。 まず、STAINet-IBにおいて、帰納バイアスを導入することにより、支配方程式成分を推定する。 そこで我々は,学習バイアス戦略を採用したSTAINet-ILBを提案する。 最後に,ドメインの専門家が見積もる地下水体貯留帯情報を活用するSTAINet-ILRBを開発した。 STAINet-ILBは最高性能を達成し、ロールアウト環境で圧倒的なテスト性能を達成した(中期MAPE 0.16%、KGE 0.58)。 さらに、感性方程式成分を予測し、モデルの物理的健全性に関する洞察を提供する。 物理誘導型アプローチは、一般化能力と信頼性の両方を高めるための有望な機会であり、それによって、破壊的なハイブリッドな深層学習地球システムモデルへの道を歩むことができる。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye [0.0]
  カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T08:09:55Z)
• Hybrid twinning using PBDW and DeepONet for the effective state estimation and prediction on partially known systems [0.0]
  本研究では,物理に基づくモデリングとデータ駆動学習を組み合わせ,状態推定を強化する効果的なハイブリッド手法を提案する。 ヘルムホルツ方程式を含む代表問題に対する提案手法を検証した。
  論文  参考訳（メタデータ） (2025-12-03T12:19:00Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Finetuning a Weather Foundation Model with Lightweight Decoders for Unseen Physical Processes [25.060915780441086]
  本研究では,水文学変数の予測における最先端のオーロラ基礎モデルの性能評価を行った。 我々は、これらの新しい変数を予測するために、事前訓練されたモデルの潜在表現に基づいて訓練された浅層デコーダを用いた軽量なアプローチを導入する。
  論文  参考訳（メタデータ） (2025-06-23T20:03:53Z)
• Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
  本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。 そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-31T18:53:53Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• 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)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。