論文の概要: HydroAgent: Formalizing Forecaster Expertise into Skill-Orchestrated Flood Forecasting Workflows
- arxiv url: http://arxiv.org/abs/2607.23983v1
- Date: Mon, 27 Jul 2026 04:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.306075
- Title: HydroAgent: Formalizing Forecaster Expertise into Skill-Orchestrated Flood Forecasting Workflows
- Title（参考訳）: hydroAgent: フォーマルなフォアキャスターの専門知識を,スキルを組織化したFlood Forecastingワークフローに
- Abstract要約: HydroAgentは、Large Language Models(LLM)をモデル駆動の洪水予測ワークフローに組み込む、スキルオーケストレーションエージェントフレームワークである。
我々は,南ヤムヒル川流域の5つの最先端LCMを用いて,その有効性を検証した。
高ベースラインのスキームライブラリ上に構築されたガイド付きスキーム選択により,14件中14件,13件の判定範囲内において,模擬ピークフローと洪水水量が減少し,KGEが0.023-0.154向上する。
- 参考スコア（独自算出の注目度）: 18.671721005774852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Operational flood forecasting depends on tacit forecaster expertise that is difficult to formalize, audit, and transfer. Although artificial intelligence methods have advanced flood prediction and model-error correction, most existing studies have not explicitly represented the tacit expert rules, review checkpoints, and workflow constraints that connect model outputs to operational warning decisions. To address this issue, we propose HydroAgent, a skill-orchestrated agent framework that embeds Large Language Models (LLMs) into a model-driven flood forecasting workflow, where each skill encodes explicit rules to bound LLM reasoning. We validated its effectiveness using five state-of-the-art LLMs in the South Yamhill River basin. Our results demonstrate that prior judgment captures observed peak flow and flood volume within 5% tolerance in 10 and 11 out of 14 events, with 5-fold cross-validation over 129 events yielding Pearson correlations of 0.62 and 0.84. Building on a high-baseline scheme library (average KGE 0.890), the guided scheme selection further improves KGE by 0.023-0.154, with simulated peak flow and flood volume falling within the prior judgment ranges for 14 and 13 out of 14 events. All five tested LLMs successfully execute the HydroAgent workflow with comparable judgment accuracy (40%-80%), while showing moderate performance variation and substantial cost differences. HydroAgent does not aim to replace human forecasters; instead, it translates their tacit expertise into an auditable and reproducible workflow, streamlining analytical steps and supporting more informed decision-making. This skill-orchestrated paradigm demonstrates how explicit rule boundaries can guide language model reasoning to complement physically based simulation in next-generation flood forecasting.
- Abstract（参考訳）: 運用上の洪水予報は、形式化、監査、移転が難しい暗黙の予報官の専門知識に依存している。
人工知能の手法には高度な洪水予測とモデルエラー訂正があるが、既存の研究の多くは、モデル出力と運用上の警告決定を結びつける、暗黙のエキスパートルール、レビューチェックポイント、ワークフロー制約を明示的に表現していない。
この問題に対処するために,大規模言語モデル(LLM)をモデル駆動型洪水予測ワークフローに組み込む,スキル調整型エージェントフレームワークであるHydroAgentを提案する。
我々は,南ヤムヒル川流域の5つの最先端LCMを用いて,その有効性を検証した。
以上の結果から,14件中10件,11件で観測されたピークフローと洪水容積を5%に抑え,129件で5倍のクロスバリデーションを行い,パーソン相関は0.62件,0.84件であった。
高ベースラインのスキームライブラリ(平均KGE 0.890)上に構築され、14イベント中14イベント中13イベントにおいて、模擬ピークフローと洪水量により、KGEをさらに0.023-0.154改善する。
5つの試験されたLLMはいずれも、同等の判定精度(40%-80%)でHydroAgentワークフローの実行に成功した。
HydroAgentは、人間の予測を置き換えることではなく、彼らの暗黙の専門知識を聴覚的で再現可能なワークフローに変換し、分析ステップを合理化し、より情報的な意思決定をサポートする。
このスキル体系化パラダイムは,次世代洪水予測における物理シミュレーションを補完する言語モデル推論において,明示的なルール境界がいかに導出できるかを示すものである。
関連論文リスト
- HydroAgent: Closing the Gap Between Frontier LLMs and Human Experts in Hydrologic Model Calibration via Simulator-Grounded RL [6.680830184790049]
分散水理モデルの校正は、運用水資源管理における重要なボトルネックである。
我々は、フロンティア大言語モデル(LLM)エージェントが人間の水理モデルに取って代わることができ、そうでなければ何が必要かと尋ねる。
我々は,アメリカ国立気象局がフラッシュフロード予測のために使用しているCREST分散水理モデル上で,9つのフロンティアLSMエージェントをベンチマークした。
論文 参考訳（メタデータ） (2026-05-18T03:17:38Z) - On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。
本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。
実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
論文 参考訳（メタデータ） (2026-05-12T11:33:49Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - How Robustly do LLMs Understand Execution Semantics? [3.2717315277334706]
LLMは驚くべき推論能力を示しているが、それらが内的世界モデルを利用するのか、高度なパターンマッチングに依存しているのかは未解決のままである。
我々は,標準的なプログラム出力予測タスクを用いて,LLMをそのコード理解の堅牢性のレンズを通して研究する。
私たちの発見は、すべてのモデルがコードを理解する方法の限界を示し、コードモデルを評価するために摂動を使うことの価値を確立します。
論文 参考訳（メタデータ） (2026-02-24T19:07:25Z) - AIFL: A Global Daily Streamflow Forecasting Model Using Deterministic LSTM Pre-trained on ERA5-Land and Fine-tuned on IFS [0.39918810815847444]
本稿では,グローバルな日次ストリームフロー予測のための決定論的LSTMモデルであるAIFL(Artificial Intelligence for Floods)を紹介する。
CARAVANデータセットから算出された18,588の盆地で訓練されている。
ベンチマークの結果は、AIFLが現在の最先端のグローバルシステムと非常に競合していることを示している。
論文 参考訳（メタデータ） (2026-02-18T16:26:36Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - HyPER: Bridging Exploration and Exploitation for Scalable LLM Reasoning with Hypothesis Path Expansion and Reduction [4.0252071077178]
マルチパスチェーンによるテスト時間計算のスケーリングは推論精度を向上する。
既存のアプローチは、このトレードオフを厳格な方法で解決している。
動的拡張還元制御問題としてテスト時間スケーリングを再構成する。
論文 参考訳（メタデータ） (2026-02-06T09:27:54Z) - QDeepGR4J: Quantile-based ensemble of deep learning and GR4J hybrid rainfall-runoff models for extreme flow prediction with uncertainty quantification [3.8883540444516598]
我々は、ストリームフロー予測における不確実性を定量化するために、量子回帰に基づくアンサンブル学習フレームワークを用いてDeepGR4Jを拡張した。
我々はまた、洪水につながる可能性のある極端な流れの事象を特定するために、不確実性境界を利用する。
その結果,提案するQuantile DeepGR4Jフレームワークは,ベースライン深層学習モデルと比較して予測精度と不確実区間品質(インターバルスコア)を向上させることがわかった。
論文 参考訳（メタデータ） (2025-10-06T23:36:40Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - SEAL: Steerable Reasoning Calibration of Large Language Models for Free [58.931194824519935]
大規模言語モデル(LLM)は、拡張チェーン・オブ・ソート(CoT)推論機構を通じて複雑な推論タスクに魅力的な機能を示した。
最近の研究では、CoT推論トレースにかなりの冗長性が示されており、これはモデル性能に悪影響を及ぼす。
我々は,CoTプロセスをシームレスに校正し,高い効率性を示しながら精度を向上する,トレーニング不要なアプローチであるSEALを紹介した。
論文 参考訳（メタデータ） (2025-04-07T02:42:07Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z)
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。