論文の概要: C-STRIDE: An Observation-Driven AI Digital Twin for Predicting Basin-Wide Flood Fields from Sparse Stream-Gauge Histories

• arxiv url: http://arxiv.org/abs/2609.39005v1
• Date: Wed, 30 Sep 2026 05:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.2266
• Title: C-STRIDE: An Observation-Driven AI Digital Twin for Predicting Basin-Wide Flood Fields from Sparse Stream-Gauge Histories
• Title（参考訳）: C-STRIDE: スパース・ストリーム・ゲージ・ヒストリーから盆地流水場を予測するための観測駆動型AIデジタルツイン
• Abstract要約: 我々は、観測駆動型AIデジタルツインであるC-STRIDEを紹介します。 2次元の流体力学モデルからシミュレーションを訓練し、別のデータ同化ステップを必要としない。 シカゴ近郊のデスプレーンズ川流域では、6つの計器が4200万個以上の格子状細胞を予測している。
• 参考スコア（独自算出の注目度）: 6.500780078443362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency managers need to know where floodwater is, how deep it is, and how it will change over the coming hours across an entire river basin. During a flood, however, real-time measurements come from only a handful of stream gauges, and high-resolution hydrodynamic models are too costly to rerun each time new data arrive or to run as large ensembles. We present C-STRIDE, an observation-driven AI digital twin that turns short records from a few stream gauges, together with terrain and rainfall, into basin-wide maps of water depth and extends these predictions up to a day ahead. It is trained on simulations from a calibrated two-dimensional hydrodynamic model and needs no separate data-assimilation step. In the Des Plaines River basin near Chicago, six gauges inform predictions over 4.2 million 30-m grid cells. Terrain improves the predictions most, rainfall keeps errors from growing over longer horizons, and together they reduce errors by about 40% compared with gauge records alone. When future rainfall is known, errors remain near 15% one day ahead, compared with nearly 40% without rainfall. Given real instead of simulated gauge records, the model shifts its predictions toward the observed hydrographs at three of six gauges without retraining, and it runs about 150 times faster than the hydrodynamic model. These results show how sparse gauges, terrain, and rainfall can be combined into fast, continuously updated flood predictions, a step toward operational flood digital twins that still requires testing with real-time data and rainfall forecasts.
• Abstract（参考訳）: 緊急の管理者は、洪水水がどこにあるのか、どのくらい深いのか、そして今後数時間のうちに川流域全体にどのように変化するのかを知る必要がある。 しかし、洪水の間は、リアルタイムの測定はほんのわずかのストリームゲージからしか得られず、新しいデータが到着する度に、あるいは大きなアンサンブルを走らせるには高解像度の流体力学モデルが高価すぎる。 我々は、観測駆動のAIデジタルツインであるC-STRIDEを、地形や降水量とともに、いくつかの流速から短い記録を流域全体の水深の地図に変換し、これらの予測を1日先まで拡張する。 キャリブレーションされた2次元流体力学モデルからシミュレーションを訓練し、別のデータ同化ステップを必要としない。 シカゴ近郊のデスプレーンズ川流域では、6つの計器が4200万個以上の格子状細胞を予測している。 テランは予測を最も改善し、降雨は長い地平線上での誤差の増加を防ぎ、計器記録だけでは誤差を約40%削減する。 将来の降雨が分かっているとき、誤差は1日で15%近くであり、降雨のないものは40%近くである。 シミュレーションされたゲージ記録の代わりに実測値が与えられると、モデルは6つのゲージのうち3つで観測されたハイドログラフにシフトし、流体力学モデルよりも約150倍速く走る。 これらの結果は、スパークゲージ、地形、降雨が、高速で継続的に更新された洪水予測とどのように組み合わされるかを示している。

関連論文リスト

• Hapi: A Multivariable Land-Surface Transformer for Medium-Range Hydrological Forecasting at Continental Scale [3.335368455894024]
  Hapiは、学習したLaplacianタスクの重みをトレーニングに対する各変数の貢献を調整することで、24-72時間の予測を0.05円の解像度で生成する。 2024年、ERA5-Landからの再建された気象と地上からの入力を用いたテストデータにより、ハピは、洪水検出における操作物理学に基づくモデルと最先端のAIモデルより優れていた。
  論文  参考訳（メタデータ） (2026-09-19T02:29:47Z)
• Riverine Flood Prediction and Early Warning in Mountainous Regions using Artificial Intelligence [0.9320657506524149]
  本研究は,パキスタンとアフガニスタンの間を流れるカブール川を,越境流域における洪水予報の複雑さを反映したケーススタディとして用いた。 本研究は,衛星を用いた気候データを用いて,多くの高度な機械学習モデルと深層学習モデルを適用し,日・多段河川流の予測を行った。 LSTMネットワークは他のモデルよりも優れており、最高R2値は0.96、最低RMSEは140.96 m3/secである。
  論文  参考訳（メタデータ） (2025-05-24T11:10:09Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• Inductive Predictions of Extreme Hydrologic Events in The Wabash River Watershed [15.963061568077567]
  我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。 また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。 この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
  論文  参考訳（メタデータ） (2021-04-25T02:26:09Z)

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。