長短期記憶(LSTM)ネットワークを用いた高時間分解能降雨流出モデリング【JST・京大機械翻訳】

Li Wei; Kiaghadi Amin; Dawson Clint N.

プレプリント

J-GLOBAL ID：202202219462402259 整理番号：22P0108936

長短期記憶(LSTM)ネットワークを用いた高時間分解能降雨流出モデリング【JST・京大機械翻訳】

High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年02月06日プレプリントサーバーでの情報更新日： 2020年06月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

降雨流出(RR)シミュレーションのための正確で効率的なモデルは洪水リスク管理にとって重要である。今日のほとんどの降雨モデルはプロセス駆動である。即ち,それらは単純化された経験式またはSt.Venant(浅水)方程式のいくつかの変化のいずれかを解く。機械学習技法の開発により,例えばニューラルネットワークを用いて降雨モデルをエミュレートできる。本研究では,シーケンスツーシーケンスLong-Term-Memory(LSTM)ネットワークを用いたデータ駆動RRモデルを構築した。このモデルを,厳しい洪水事象で知られているHouston,TXの流域で試験した。ネットワークの入出力間の長期依存性の学習におけるLSTMネットワーク能力は,時間(15分)で高分解能でRRのモデリングを可能にした。153の雨量計と河川水路流出データ(5.3百万以上のデータ点)からの10年間の降水を用いて,いくつかの数値試験を設計することによって,河川流出を予測する際に開発したモデル性能を試験した。また,モデル結果を,プロセス駆動モデルグリッド表面サブ表面水文解析(GSSHA)の出力と比較した。さらに,LSTMモデルの物理的整合性を調べた。モデル結果は,LSTMモデルが効率的に放電を予測し,良好なモデル性能を達成できることを示した。GSSHAと比較して,データ駆動モデルは予測とキャリブレーションに関してより効率的でロバストであった。面白いことに,LSTMモデルの性能は,モデル性能に基づく降雨ゲージの選択部分集合が,すべての降雨ゲージの代わりに入力として使用されたとき,改善された(試験Nash-Sutcliffeモデル効率0.666から0.942)。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

ニューロコンピュータ , 人工知能

, , ,

前のページに戻る