論文の概要: Basin2Vec: Learning Basin-Centric Embeddings for Scalable Hydrological Modeling
- arxiv url: http://arxiv.org/abs/2611.05164v1
- Date: Tue, 03 Nov 2026 16:36:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:58:53.133217
- Title: Basin2Vec: Learning Basin-Centric Embeddings for Scalable Hydrological Modeling
- Title(参考訳): Basin2Vec: スケーラブルな水文モデリングのための盆地中心の埋め込み学習
- Abstract要約: 既存の方法は、固定された手作りの属性や、盆地構造に適合しない汎用的な地球観測の埋め込みに依存している。
水温や生理学のデータから流路を観察せずにコンパクトな盆地表現を学習する自己教師型フレームワークであるBassen2Vecを紹介した。
- 参考スコア(独自算出の注目度): 11.577461680098324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable streamflow prediction across time and in ungauged basins requires representations that capture hydrologically relevant basin characteristics. Existing methods rely on either fixed handcrafted attributes or general-purpose Earth observation embeddings not tailored to basin structure. We introduce \textbf{Basin2Vec}, a self-supervised framework that learns compact basin representations from hydroclimatic and physiographic data without observed streamflow. Basin2Vec organizes representation learning around basin scale and relationships across space and time. Across multiple forecasting architectures, it consistently outperforms predefined attributes and general-purpose geospatial embeddings in temporal generalization and zero-shot spatial transfer. Basin2Vec provides average relative gains of up to 8.3% temporally and achieves 3.5x the median predictive performance of the strongest baselines on unseen basins. These results demonstrate the effectiveness of basin-centric pretraining for transferable hydrologic prediction. Code is available at https://github.com/Muhammad-Talha-MT/basin2vec
- Abstract(参考訳): 時間的および未掘削盆地における信頼性の高い流量予測には,水文学的に関連する流域特性を捉えた表現が必要である。
既存の方法は、固定された手作りの属性や、盆地構造に適合しない汎用的な地球観測の埋め込みに依存している。
本研究では, 河川流を観測することなく, 気候や生理学的なデータからコンパクトな盆地表現を学習する, 自己教師型フレームワークである「textbf{Basin2Vec}」を紹介する。
Basin2Vecは、盆地スケールと空間と時間にわたる関係に関する表現学習を組織している。
複数の予測アーキテクチャ全体において、時間的一般化とゼロショット空間移動において、予め定義された属性と汎用的な地理空間埋め込みを一貫して上回る。
ベースン2Vecは、時間的に最大8.3%の相対的な利得を提供し、目に見えない盆地における最強のベースラインの中央値の3.5倍の予測性能を達成している。
これらの結果は,移動可能な水理予測のための流域中心プレトレーニングの有効性を示した。
コードはhttps://github.com/Muhammad-Talha-MT/basin2vecで入手できる。
関連論文リスト
- Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。
衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文 参考訳(メタデータ) (2026-07-08T18:14:24Z) - 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) - Adaptive Graph Learning with Transformer for Multi-Reservoir Inflow Prediction [10.706083691833248]
我々は,多貯留層流入予測のための適応的・時間変化グラフ学習フレームワークとしてAdaTripを紹介した。
AdaTripは動的グラフを構築し、貯水池は水文学的な接続を反映する方向のエッジを持つノードである。
論文 参考訳(メタデータ) (2025-11-10T21:53:32Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳(メタデータ) (2025-09-10T05:33:28Z) - Towards Scalable and Structured Spatiotemporal Forecasting [67.74910348499974]
本稿では,時間的予測のための空間バランス注意ブロックを提案する。
空間グラフを集合部分グラフとインスタントグラフに分割し,各部分グラフ内の局所空間相関を学習する。
サブグラフの規模を徐々に増やし,マルチスケールの予測モデルを構築した。
論文 参考訳(メタデータ) (2025-09-10T03:25:24Z) - Well2Flow: Reconstruction of reservoir states from sparse wells using score-based generative models [0.22499166814992438]
本研究では,貯水池シミュレーションシナリオにおけるスコアベース生成モデルの利用について検討した。
塩水帯水層における空間的に多孔質で飽和度の高いフィールドの再構築に焦点が当てられ、2つの井戸でのスパース観測から推測される。
物理制約とウェルログガイダンスを生成モデルに組み込む新しい手法を導入し、再構成された地下状態の精度と物理的妥当性を著しく向上させる。
論文 参考訳(メタデータ) (2025-04-07T20:12:19Z) - Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
論文 参考訳(メタデータ) (2024-01-25T21:26:49Z) - 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) - Continental-scale streamflow modeling of basins with reservoirs: a
demonstration of effectiveness and a delineation of challenges [4.834945446235863]
主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。
ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。
アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
論文 参考訳(メタデータ) (2021-01-12T11:49:54Z)
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。