論文の概要: RiverScan: Learning to Accumulate on River Networks
- arxiv url: http://arxiv.org/abs/2611.18005v1
- Date: Fri, 13 Nov 2026 10:33:06 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:58.003671
- Title: RiverScan: Learning to Accumulate on River Networks
- Title(参考訳): RiverScan: 川のネットワークに蓄積する学習
- Abstract要約: RiverScanは、領域重み付き選択状態空間再帰に基づく空間演算子である。
ドナウ盆地の608の局での実験では、リバースキャンは総合的な予測性能において、評価された時間的およびグラフ的ベースラインよりも優れていた。
- 参考スコア(独自算出の注目度): 10.768740812445957
- License:
- Abstract: Accurate runoff prediction across large river basins requires models to capture heterogeneous local hydrological responses and their accumulation downstream. River-network connectivity provides a natural structure for this task, but using it effectively requires learning how to combine contributions from subcatchments of different sizes. We frame this challenge as learning to accumulate and introduce RiverScan, a spatial operator based on area-weighted selective state-space recurrence. RiverScan recursively combines local temporal representations with accumulated upstream states in topological order. Contributing-area fractions account for subcatchment size, while learned retention controls how upstream information persists downstream. Experiments on 608 stations in the Danube basin show that RiverScan outperforms the evaluated temporal and graph baselines in overall predictive performance. Structural controls and ablations demonstrate that composing heterogeneous subcatchment representations in a manner aligned with hydrological accumulation substantially improves runoff prediction, with the benefits of correct topology growing along the river-network hierarchy. These findings establish physically structured accumulation as an effective inductive bias for hydrological modeling and motivate finer-grained, fully distributed AI-based hydrological models.
- Abstract(参考訳): 大きな河川流域を横断する正確な流出予測は、不均一な局所的な水文反応と下流への堆積を捉えるモデルを必要とする。
リバーネットワーク接続は、このタスクに自然な構造を提供するが、効果的にそれを使用するには、異なるサイズのサブバッチからコントリビューションを組み合わせる方法を学ぶ必要がある。
我々はこの課題を,領域重み付き選択状態空間再帰に基づく空間演算子であるRiverScanの蓄積と導入の学習として捉えている。
RiverScanは、局所的な時間的表現と、トポロジカルな順序で蓄積された上流状態を再帰的に結合する。
コントリビューション領域の分画はサブキャッシュサイズを考慮し、学習された保持は上流情報が下流でどのように持続するかを制御する。
ドナウ盆地の608の局での実験では、リバースキャンは総合的な予測性能において、評価された時間的およびグラフ的ベースラインよりも優れていた。
構造制御とアブリゲーションにより,河川ネットワークの階層に沿って適切なトポロジが成長することにより,水文的蓄積と整合した方法で不均一なサブキャッシュ表現を構成することにより,流出予測が大幅に向上することが示された。
これらの知見は、水文モデルに有効な誘導バイアスとして物理的に構造化された蓄積を確立し、より微細で完全に分散されたAIベースの水文モデルに動機づける。
関連論文リスト
- Generalizable single-cell perturbation response prediction using energy-guided flow matching [53.501471839336084]
scEGFlowは、制御と摂動した細胞状態をブリッジするエネルギー誘導フローマッチングフレームワークである。
scEGFlowは条件付きフローマッチングを用いて制御セルから摂動状態への連続的な遷移をモデル化する。
次に、これらの予測を補正し、操縦するために条件特異的なエネルギー勾配を適用し、フローモデルを再訓練することなく柔軟な調整を可能にする。
論文 参考訳(メタデータ) (2026-09-27T03:53:41Z) - Distributed Hydrological Modeling in the Feature Space [20.854476713921716]
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。
論文 参考訳(メタデータ) (2026-09-26T22:03:07Z) - Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。
変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。
サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2026-08-07T12:28:45Z) - Topological Flow Matching [56.16372813551555]
フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。
トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。
脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
論文 参考訳(メタデータ) (2026-06-14T16:29:33Z) - Global River Forecasting with a Topology-Informed AI Foundation Model [13.539251724274273]
GraphRiverCast(GRC)は、グローバルな河川システムにおける河川流体力学をシミュレートするために設計されたトポロジーインフォームドAI基盤モデルである。
7日間のグローバルな擬似ヒンドキャストでは、GRC-ColdStartは堅牢なスタンドアロンシミュレータとして機能し、ナッシュ・サトクリフ効率(NSE)はおよそ0.82である。
事前トレーニングと微調整の戦略によって局所的に適応した場合、GRCは物理学ベースのAIベースラインと局所的にトレーニングされたAIベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2026-02-25T15:23:01Z) - Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。
貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。
私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
論文 参考訳(メタデータ) (2026-01-26T23:10:39Z) - 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) - HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction [7.643667076993224]
グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。
そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。
本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
論文 参考訳(メタデータ) (2025-09-02T16:31:40Z) - 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) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z)
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。