論文の概要: Distributed Hydrological Modeling in the Feature Space

• arxiv url: http://arxiv.org/abs/2609.32971v1
• Date: Sat, 26 Sep 2026 22:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:31:54.264667
• Title: Distributed Hydrological Modeling in the Feature Space
• Title（参考訳）: 特徴空間における分散水文モデリング
• Abstract要約: 河川力学は、異なる空間的・時間的スケールでの保存、気象学的強制、流れの伝播に影響される。 河川流出の予報には,河川網を流れる上流から下流への流れをグリッドセルや漁獲量で考慮する枠組みが必要である。 トポロジを意識した状態空間演算子を予測力学に直接組み込んだ特徴空間ルーティングを導入する。 提案手法は, 解析データと観測データの両方で最先端の成果を達成し, 河川流出の地図を1分6時間で最大10日間のリードタイムで予測できる。
• 参考スコア（独自算出の注目度）: 20.854476713921716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of river discharge and floods is very challenging. River dynamics are affected by storage, meteorological forcing, and flow propagation at different spatial and temporal scales. Forecasting thus requires a framework that considers the upstream-to-downstream flow through river networks across grid cells and catchments. This modeling is known in hydrology as distributed modeling and routing. Existing deep learning approaches either ignore this topology, operate on lumped catchments, or route predicted physical quantities through a separate graph or physical routing model. We instead introduce feature-space routing: a topology-aware state-space operator embedded directly in the forecasting dynamics. At every forecast step, the operator gathers latent states from upstream grid cells and causally updates the downstream state according to the known river network. This preserves the physical connectivity of the river system while allowing the propagated state itself to be learned end-to-end and allows the model to predict river discharge considering both local dynamics and neighboring upstream contributions. To address uncertainty and provide probabilistic forecasts, we minimize the fair continuous ranked probability score (fCRPS) as a training objective. Our experiments on the European Flood Awareness System (EFAS) and observational data for river discharge forecasting demonstrate that encoding the physical structure of river networks explicitly in the feature space substantially improves the forecasting skill, particularly in an ungauged setting. Our approach achieves state-of-the-art results on both reanalysis and observational data and is able to forecast maps of river discharge at 1 arcminute and 6-hourly resolution up to 10 days lead time.
• Abstract（参考訳）: 河川流出と洪水の正確な予測は非常に困難である。 河川力学は、異なる空間的・時間的スケールでの保存、気象学的強制、流れの伝播に影響される。 したがって、フォアキャスティングは、グリッドセルとキャッチメントをまたいだ川網を流れる上流から下流への流れを考えるフレームワークを必要とする。 このモデリングは水文学において分散モデリングとルーティングとして知られている。 既存のディープラーニングアプローチでは、このトポロジを無視したり、ラップしたキャッチメントを操作したり、別のグラフや物理ルーティングモデルを通じて予測された物理量をルーティングする。 代わりに、トポロジを意識した状態空間演算子を予測力学に直接組み込む機能空間ルーティングを導入する。 予測ステップ毎に、オペレータは上流グリッドセルから潜伏状態を収集し、既知の川ネットワークに従って下流状態を因果的に更新する。 これにより、河川系の物理的接続性を維持しつつ、伝播状態自体をエンドツーエンドに学習し、局所力学と隣接する上流への貢献の両方を考慮して河川流出を予測することができる。 不確実性に対処し、確率予測を提供するため、トレーニング目的として、公正な連続格付け確率スコア(fCRPS)を最小化する。 欧州洪水認識システム(EFAS)と河川流出予測のための観測データを用いた実験により,河川ネットワークの物理的構造を特徴空間に明示的に符号化することで,特に未掘削環境では,予測能力を大幅に向上することが示された。 提案手法は, 解析データと観測データの両方で最先端の成果を達成し, 河川流出の地図を1分6時間で最大10日間のリードタイムで予測できる。

関連論文リスト

• RiverMamba: A State Space Model for Global River Discharge and Flood Forecasting [22.01585992639946]
  近年の河川流出予測の深層学習手法により,洪水予測の精度と効率が向上した。 既存の水文学における深層学習のアプローチは、主に局所的な応用に限られている。 本稿では,長期的再分析データを用いた新しいディープラーニングモデルであるRiverMambaを紹介する。
  論文  参考訳（メタデータ） (2025-05-28T16:21:58Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Spatio-temporal Causal Learning for Streamflow Forecasting [11.820781497467898]
  Causal Streamflow Forecasting (CSF) はテキサス州のブラゾス川流域で実世界の調査を行っている。 提案手法は,通常の計算時間グラフニューラルネットワークより優れていることを示す。 この研究は、高度なニューラルネットワーク技術とドメイン固有の知識を組み合わせる可能性を示す、ストリームフロー予測に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-11-26T23:19:56Z)
• 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)
• The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
  気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。 予測システムは通常、正確な川の排出予測に依存している。 河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-30T08:45:45Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)

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。