論文の概要: KNOU-Flood: Advancing global streamflow forecasting with lead-aware probabilistic machine learning

• arxiv url: http://arxiv.org/abs/2610.20640v1
• Date: Fri, 02 Oct 2026 14:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.552408
• Title: KNOU-Flood: Advancing global streamflow forecasting with lead-aware probabilistic machine learning
• Title（参考訳）: KNOU-Flood: リード認識確率型機械学習によるグローバルストリームフロー予測の改善
• Abstract要約: KNOU-Floodはオープンレシピのコントロールされた拡張であり、新しいアーキテクチャではない。 我々は,KNOU-FloodとAIFLレシピの再実装を比較した。 KNOU-Flood は LT1 では 0.65 、LT10 では 0.48 となり、0.62 と 0.34 となった。
• 参考スコア（独自算出の注目度）: 3.993449663756884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Global streamflow forecasting supports flood preparedness, yet data-driven models trained on reanalysis lose skill when driven by operational forecasts, increasingly so with lead time. AIFL addresses this shift with a two-stage transfer-learning recipe and a deterministic LSTM, but it feeds one forecast lead time into the whole input window and gives no uncertainty. We ask how far this open recipe can be extended without changing its recurrent core. KNOU-Flood keeps a single-layer LSTM and the two-stage training and changes the information around it: a longer input window (424 days), lead-aware forecast inputs, GraphCast as a second forecast source next to ECMWF HRES, and a latent-noise ensemble trained with the fair CRPS. We compare against a re-implementation of the AIFL recipe (its code is not public) under identical data, stations, splits and metrics. Our contributions are threefold. First, over three seeds and 2,099 test basins (2021-2023), KNOU-Flood reaches a median KGE' of 0.65 at LT1 and 0.48 at LT10 against 0.62 and 0.34, with significant gains at all ten lead times under two scoring protocols, also against a 1024-unit baseline and on held-out basins (one seed each). Second, identical weights give an LT10 KGE' of 0.18 or 0.34 depending on how forecasts are fed, so much of the lead-time decay reported for AIFL is an input-protocol effect; the probabilistic head contributes most to the gain, followed by the raw GraphCast channels, the longer window and mixed fine-tuning. Third, the ensembles reach lower CRPS than probabilistic versions of the baseline, are nearly calibrated with inference-time dropout, and detect 1.5- and 2-year floods better than all baselines; the benefit for rarer floods depends on the seed, and an exploratory tail-weighted variant improves 10-year and larger events. KNOU-Flood is a controlled extension of an open recipe, not a new architecture.
• Abstract（参考訳）: グローバルストリームフロー予測は、洪水の準備性をサポートするが、リアナリシスでトレーニングされたデータ駆動モデルは、運用予測によって駆動されるとスキルを失う。 AIFLはこのシフトに、2段階のトランスファーラーニングレシピと決定論的LSTMで対処するが、入力ウィンドウ全体に1つの予測リードタイムを与え、不確実性を与えない。 このオープンレシピが、リカレントコアを変更することなく、どこまで拡張できるかを問う。 KNOU-FloodはシングルレイヤーLSTMと2段階のトレーニングを保持し、より長い入力ウィンドウ(424日)、リード・アウェアの予測入力、ECMWF HRESに隣接する第2の予測ソースとしてのGraphCast、公正CRPSでトレーニングされた潜在ノイズアンサンブルなどの情報を変更している。 我々は、同じデータ、ステーション、分割、メトリクスの下で、AIFLレシピの再実装(コードが公開されていない)と比較する。 私たちの貢献は3倍です。 まず、3つの種子と2,099の試験用盆地(2021-2023)で、KNOU-FloodはLT1で0.65、LT10で0.48、LT2で0.62、0.34と中央値のKGEに達する。 第2に、同一重量のLT10 KGE'は、予測の供給方法によって0.18または0.34となるため、AIFLで報告されるリードタイム崩壊の多くは入力プロトコール効果であり、確率的ヘッドはゲインに最も寄与し、続いて生のGraphCastチャネル、より長いウィンドウ、混合微調整が続く。 第三に、アンサンブルはベースラインの確率バージョンよりも低いCRPSに達し、推論時降水量でほぼ調整され、全てのベースラインよりも1.5年と2年の洪水を検知する。 KNOU-Floodはオープンレシピのコントロールされた拡張であり、新しいアーキテクチャではない。

関連論文リスト

• DIAL: Dynamic and Informed Adjustment of the Native Stochastic Law for Reliable Weather Ensembles [42.90707214502006]
  予測中のランダムな適応は誤りを修正できるが、トレーニングは事前に動作を修正し、出力校正はその後に行われる。 推論ガイダンスは予測中にも機能するが、通常はアンサンブル全体ではなく、別のアンサンブルメンバーをスコアする。 凍結モデルのネイティブ性を制御するDIAL(Dynamic Informed Adjustment of the Native Law)を導入する。 DIALは過去の予測から学び、各変数とスケールが多かれ少なかれ広がる必要があるかを予測します。
  論文  参考訳（メタデータ） (2026-10-15T10:21:37Z)
• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning [59.34593956287438]
  我々は,事前学習信号ファミリーが変化した後,メソッド固有の構成が再利用されない場合にSSLレシピがどのように振る舞うかを検討する。 我々は遅延ユークリッド次世代予測アーキテクチャ(LeNEPA)を紹介する。 LeNEPAは、バニラNEPAが使用する停止段階/EMA安定化をSIGRegベースのイソトロピー正則化に置き換える。
  論文  参考訳（メタデータ） (2026-07-01T13:56:21Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
  我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。 既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
  論文  参考訳（メタデータ） (2026-03-05T04:13:57Z)
• A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS [0.410492188035848]
  本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
  論文  参考訳（メタデータ） (2025-12-09T19:23:27Z)
• Outcome-based Reinforcement Learning to Predict the Future [1.4313866885019229]
  コンパクトな(14B)推論モデルは、o1のようなフロンティアモデルの予測精度に適合または超えるように訓練可能であることを示す。 ポリマーケットのトレーディングシミュレーションでは、その賭けが10%以上の投資のリターンをもたらすと見積もっている。
  論文  参考訳（メタデータ） (2025-05-23T14:56:07Z)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)

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。