論文の概要: Unsupervised Detection of Groundwater Storage Anomalies in Ghana Using GRACE Satellite Data

• arxiv url: http://arxiv.org/abs/2608.10233v1
• Date: Mon, 10 Aug 2026 21:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.812212
• Title: Unsupervised Detection of Groundwater Storage Anomalies in Ghana Using GRACE Satellite Data
• Title（参考訳）: GRACE衛星データを用いたガーナの地下水貯留異常の教師なし検出
• Abstract要約: 2004-2024年のGRACEデータを用いた地下水貯留異常について検討した。 その結果,2004～2009年は地下水不足が持続し,2018年以降は正の異常が増加した。
• 参考スコア（独自算出の注目度）: 1.1661238776379117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Groundwater variability in Ghana remains poorly characterized due to limited long-term in-situ observations. This study investigates groundwater storage anomalies using GRACE-derived data from 2004-2024 combined with statistical analysis and unsupervised machine learning. Groundwater anomalies were standardized using Z-scores, while an ensemble-based Isolation Forest framework was applied for anomaly detection. The results revealed substantial temporal variability, with persistent groundwater deficits during 2004-2009 followed by increasing positive anomalies after 2018. A total of 12 anomalous months were identified, comprising 5 deficit and 7 surplus events, with the strongest anomalies associated with groundwater deficits. Spatial analysis showed more frequent deficit anomalies in northern Ghana and stronger surplus occurrence in southern regions. Comparison with statistical thresholds further indicated that the machine learning framework captured additional subtle deviations beyond conventional threshold-based methods. Overall, the integration of GRACE observations with unsupervised anomaly detection provides a practical framework for groundwater monitoring in data-scarce environments.
• Abstract（参考訳）: ガーナの地下水の変動は、長期間の観測が限られており、その特徴が乏しいままである。 本研究では,2004-2024年のGRACEデータと統計解析と教師なし機械学習を組み合わせた地下水貯留異常について検討した。 地下水の異常はZスコアを用いて標準化され, アンサンブルをベースとした孤立林の枠組みが異常検出に応用された。 その結果,2004～2009年は地下水不足が持続し,2018年以降は正の異常が増加した。 5つの障害と7つの余剰事象を含む合計12の異常月が同定された。 空間分析の結果,ガーナ北部では異常が頻発し,南部地域では余剰が増加していた。 統計的しきい値との比較により、機械学習フレームワークが従来のしきい値に基づく手法以上の微妙な偏差を捉えたことが示されている。 総じて、GRACE観測と教師なし異常検出の統合は、データスカース環境における地下水モニタリングの実践的な枠組みを提供する。

関連論文リスト

• Unsupervised Consensus-Based Anomaly Detection for Spatiotemporal Malaria Incidence in Ghana [0.0]
  ガーナの月次マラリア監視データにコンセンサス異常検出フレームワークを適用した。 アシャンティ地方と北部地域は、タマル、クマシ、アクラで持続的なホットスポットを持つ、最も頻繁な異常の原因となっている。
  論文  参考訳（メタデータ） (2026-07-23T17:40:51Z)
• Oya: Deep Learning for Accurate Global Precipitation Estimation [0.2621533844622817]
  本研究は、静止衛星(GEO)からの可視・赤外観測の全スペクトルを利用した、新しいリアルタイム降水探索アルゴリズムであるOyaを紹介する。 Oyaは2段階の深層学習アプローチを採用し、降水検知と量的降水推定(QPE)という2つのU-Netモデルを組み合わせて、雨と無雨のイベントの固有のデータ不均衡に対処している。
  論文  参考訳（メタデータ） (2025-11-13T18:01:08Z)
• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• Unraveling Anomalies in Time: Unsupervised Discovery and Isolation of Anomalous Behavior in Bio-regenerative Life Support System Telemetry [43.90503061403169]
  南極のEDEN ISS宇宙温室から得られたテレメトリデータから得られた異常を解析した。 我々は,異常検出結果に時系列クラスタリングを適用し,様々な種類の異常を分類する。 本稿では, MDI と DAMP の異常検出手法が相補的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-06-14T08:29:34Z)
• DeepQC: A Deep Learning System for Automatic Quality Control of In-situ Soil Moisture Sensor Time Series Data [1.0432302605566328]
  本研究では,土壌水分データ中の異常を識別するために,二方向長短期記憶(LSTM)モデル(DeepQC)を開発した。 DeepQCは正確な観測の99.7%と異常の95.6%をかなり少ない時間で正確にフラグ付けし、フラジット法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-11-12T04:58:20Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。