論文の概要: A Gated Catchment Hydrology Model (GCHM) for Physically-Interpretable Rainfall-Evapotranspiration-Runoff Simulation Across Diverse Hydroclimatic Regimes

• arxiv url: http://arxiv.org/abs/2610.14493v1
• Date: Sat, 10 Oct 2026 02:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 13:16:19.864351
• Title: A Gated Catchment Hydrology Model (GCHM) for Physically-Interpretable Rainfall-Evapotranspiration-Runoff Simulation Across Diverse Hydroclimatic Regimes
• Title（参考訳）: 多様な気候レジームを横断する物理的に解釈可能な降雨・蒸発・流出シミュレーションのためのGCHMモデル
• Abstract要約: 我々は、大量保存パーセプトロン(MCP)に基づく大量保存アーキテクチャであるGated Catchment Hydrology Model(GCHM)を提案する。 GCHMは、天蓋のインターセプション、雪、土壌水分、地下水、流れの発生を表す5つの貯蔵状態を使用する。 融雪量,近年の降水量,歴史的な降水量,乾燥状態にまたがる50個のCAMELS漁獲量のGCHMを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in machine learning have improved rainfall-runoff prediction, yet most data-driven models remain difficult to interpret and do not explicitly enforce physical conservation laws. We present the Gated Catchment Hydrology Model (GCHM), a mass-conserving architecture based on the Mass-Conserving Perceptron (MCP). GCHM uses five storage states representing canopy interception, snow, soil moisture, groundwater, and streamflow generation. Constrained gates govern precipitation partitioning, evapotranspiration, infiltration, seepage, runoff, and baseflow while learning context-dependent process relationships. We evaluate GCHM across 50 CAMELS catchments spanning snowmelt-dominated, recent-rainfall, historical-rainfall, and arid regimes, using NOAA AORC meteorological forcing and remotely sensed vegetation and land-surface data. Performance is assessed using the Jawad-Kling-Gupta Efficiency (JKGE) metric, which accounts for stationary and non-stationary hydrologic behavior. We compare the full architecture with ablated variants and recurrent neural network benchmarks. GCHM reproduces streamflow dynamics across diverse hydroclimatic regimes, including arid catchments, while maintaining interpretable states and fluxes. Ablation experiments show that simplified architectures may perform adequately under wet conditions but struggle to represent flow persistence and recession during dry periods, when groundwater storage sustains low flows. Learned gates recover hydrologically plausible relationships governing snowmelt, runoff, seepage, and evapotranspiration. GCHM combines competitive predictive performance with mass conservation and interpretability, providing a foundation for hydrologic modeling and counterfactual analysis.
• Abstract（参考訳）: 機械学習の最近の進歩は降雨流出予測を改善しているが、ほとんどのデータ駆動モデルは解釈が困難であり、物理的保存法を明示的に強制していない。 本稿では,MCP(Mass-Conserving Perceptron)に基づく大量保存型アーキテクチャであるGated Catchment Hydrology Model(GCHM)を提案する。 GCHMは、天蓋のインターセプション、雪、土壌水分、地下水、流れの発生を表す5つの貯蔵状態を使用する。 制約されたゲートは、コンテキストに依存したプロセス関係を学習しながら、降水分割、蒸発散、浸透、浸透、流出、ベースフローを管理する。 我々はNOAA AORC気象強制法とリモートセンシングされた植生・地表面データを用いて,融雪量,近年の降雨量,過去の降雨量,乾燥状態の50カ所にわたるGCHMを評価した。 Jawad-Kling-Gupta efficiency (JKGE) 測定値を用いて, 定常および非定常な水理挙動を考慮した性能評価を行った。 完全なアーキテクチャと、改善された変種と、繰り返し発生するニューラルネットワークベンチマークを比較します。 GCHMは、解釈可能な状態とフラックスを維持しながら、乾燥した捕獲を含む様々な温暖なレジームを流れる流れのダイナミクスを再現する。 アブレーション実験により, 簡易構造は湿潤条件下では適切に機能するが, 地下水貯留が低流量を維持した場合に, 乾燥期における流れの持続性や不況を表現するのに苦慮していることが示された。 学習ゲートは, 融雪, 流出, 浸透, 蒸発, 蒸発といった水文学的に妥当な関係を回復する。 GCHMは、競合する予測性能と大量保存と解釈可能性を組み合わせることで、水理モデリングと反事実分析の基礎を提供する。

関連論文リスト

• MZ-Rain: Moisture-Budget-Guided Zero-Inflated Model for Station-Level Precipitation Nowcasting [18.922294934481464]
  MZ-Rainは, 局面降水流用湿式誘導型ゼロインフレーションSLSTMフレームワークである。 MZ-Rainは、降水生成過程を、水分貯蔵、水分輸送、表面蒸発、降水持続性に対応するプロセス固有の経路に分解する。 CSI、FAR、MSE、MAEなど、複数の評価指標において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-09-04T08:24:52Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Process-Aware AI for Rainfall-Runoff Modeling: A Mass-Conserving Neural Framework with Hydrological Process Constraints [0.34287093027458554]
  機械学習モデルは、水文学的な応用において高い予測精度を達成することができるが、しばしば物理的解釈性に欠ける。 MCP(Mass-Conserving Perceptron)は、物理を意識した人工知能フレームワークである。 本研究では, 降雨・流出モデルにおいて, 水文プロセスの物理的意味表現を単一のMSP記憶装置に段階的に組み込むことによって, 予測能力と解釈性が向上するかを考察する。
  論文  参考訳（メタデータ） (2026-03-26T06:58:31Z)
• Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings [48.54230513143053]
  本研究は,AlphaEarth Foundationの埋設物が,流域特性を説明するためのより有益な方法であるかどうかを考察する。 トレーニングに使用しない流域内の流れを予測した場合, 精度の高いモデルが得られた。
  論文  参考訳（メタデータ） (2026-01-04T15:14:16Z)
• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling [19.028024402759467]
  HydroTraceは、ストリームフローを予測するアルゴリズム駆動のデータに依存しないモデルである。 ナッシュ・サトクリフ効率は98%に達し、目に見えないデータに対して強い一般化を示す。
  論文  参考訳（メタデータ） (2025-01-07T18:59:53Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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。