論文の概要: Physics-Informed Machine Learning for Short-Term Flood Prediction

• arxiv url: http://arxiv.org/abs/2606.04143v1
• Date: Tue, 02 Jun 2026 19:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.333247
• Title: Physics-Informed Machine Learning for Short-Term Flood Prediction
• Title（参考訳）: 短期洪水予測のための物理インフォーム機械学習
• Authors: Tewodros Syum Gebre, Jagrati Talreja, Leila Hashemi-Beni,
• Abstract要約: 本研究では,LSTMモデルの損失関数に直接,水文学的な知識を組み込むフレームワークを提案する。 特に、トレンドアライメント制約は、降水と放電の傾向の方向性の不整合を罰する。 この正規化は、限られた訓練データであっても、物理的に妥当なヒドログラフの振る舞いを学ぶことを奨励する。
• 参考スコア（独自算出の注目度）: 0.3186130813218338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate flood forecasting is essential for mitigating disaster risks and protecting communities. However, purely data-driven machine learning models often struggle in data-scarce environments and may violate fundamental hydrological principles. Standard Long Short-Term Memory (LSTM) networks can generate physically inconsistent predictions, particularly when extrapolating to extreme weather conditions. To address these limitations, we propose a Physics-Informed Machine Learning (PIML) framework that incorporates hydrological knowledge directly into the loss function of an LSTM model. Specifically, a Trend Alignment constraint penalizes directional inconsistencies between precipitation and discharge trends, improving model robustness without requiring complex hydrodynamic equations. This regularization encourages the model to learn physically plausible hydrograph behavior, even with limited training data, while enhancing reliability during peak flood events. Experimental results show that the proposed physics-informed model outperforms a standard LSTM baseline in data-scarce settings, increasing the Nash-Sutcliffe Efficiency (NSE) from 0.20 to 0.23 when trained on only 5% of the available data. Additional stress tests under simulated extreme climate scenarios demonstrate that the baseline model exhibits unstable behavior, whereas the physics-informed model maintains directional consistency and physical plausibility. Although accurately predicting extreme peak magnitudes remains challenging with limited data, the proposed approach substantially reduces unphysical fluctuations common in purely data-driven models. These findings demonstrate that simple physical constraints can significantly improve the reliability of deep learning models for real-time flood forecasting, offering a practical solution for ungauged basins and evolving climate conditions.
• Abstract（参考訳）: 正確な洪水予報は、災害リスクの軽減と地域保護に不可欠である。 しかし、純粋にデータ駆動機械学習モデルは、しばしばデータスキャン環境で苦労し、基本的な水文学の原則に反する可能性がある。 LSTM(Standard Long Short-Term Memory)ネットワークは、特に極度の気象条件を外挿する場合に、物理的に矛盾する予測を生成することができる。 これらの制約に対処するため、LSTMモデルの損失関数に水文知識を直接組み込む物理情報機械学習(PIML)フレームワークを提案する。 特に、トレンドアライメント制約は、降水と放電の傾向の方向性の不整合を罰し、複雑な流体力学方程式を必要としないモデルロバスト性を改善する。 この正規化は、ピーク洪水時の信頼性を高めながら、限られた訓練データであっても、物理的に可塑性なヒドログラフの挙動を学ぶことを奨励する。 実験結果から,提案した物理インフォームドモデルはデータスカース設定において標準LSTMベースラインよりも優れており,利用可能なデータの5%しかトレーニングしていない場合,ナッシュ・サトクリフ効率(NSE)は0.20から0.23に向上することがわかった。 シミュレーションされた極端気候シナリオ下でのさらなるストレステストでは、ベースラインモデルが不安定な振る舞いを示すのに対し、物理インフォームドモデルは方向性の整合性と物理的妥当性を維持する。 極端ピークスケールを正確に予測することは、限られたデータでは難しいが、提案手法は純粋にデータ駆動モデルに共通する非物理的変動を著しく低減する。 これらの結果から, 簡易な物理的制約は, リアルタイム洪水予測のための深層学習モデルの信頼性を著しく向上させ, 未掘削盆地の実用的解法や, 気候条件の発達に寄与することが示唆された。

関連論文リスト

• Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator [42.95123707634075]
  本稿では,ニューラルネットワークのトレーニングに直接,微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を提案する。 ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。 提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。
  論文  参考訳（メタデータ） (2026-04-14T20:52:45Z)
• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• 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)
• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
  本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。 具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。 実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
  論文  参考訳（メタデータ） (2025-07-01T14:48:22Z)
• 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 Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• 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)
• 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)
• Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting [0.0]
  歴史的データに基づく生産予測は、炭化水素資源の開発に不可欠な価値を提供する。 生産予測のためのグリッドフリーな物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T23:28:40Z)

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。