論文の概要: Physics-informed GANs for Coastal Flood Visualization
- arxiv url: http://arxiv.org/abs/2010.08103v2
- Date: Fri, 12 Feb 2021 06:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 20:46:36.740434
- Title: Physics-informed GANs for Coastal Flood Visualization
- Title(参考訳): 物理インフォームGANによる沿岸洪水の可視化
- Authors: Bj\"orn L\"utjens, Brandon Leshchinskiy, Christian Requena-Mesa,
Farrukh Chishtie, Natalia D\'iaz-Rodriguez, Oc\'eane Boulais, Aaron Pi\~na,
Dava Newman, Alexander Lavin, Yarin Gal, Chedy Ra\"issi
- Abstract要約: 我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
- 参考スコア(独自算出の注目度): 65.54626149826066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As climate change increases the intensity of natural disasters, society needs
better tools for adaptation. Floods, for example, are the most frequent natural
disaster, but during hurricanes the area is largely covered by clouds and
emergency managers must rely on nonintuitive flood visualizations for mission
planning. To assist these emergency managers, we have created a deep learning
pipeline that generates visual satellite images of current and future coastal
flooding. We advanced a state-of-the-art GAN called pix2pixHD, such that it
produces imagery that is physically-consistent with the output of an
expert-validated storm surge model (NOAA SLOSH). By evaluating the imagery
relative to physics-based flood maps, we find that our proposed framework
outperforms baseline models in both physical-consistency and photorealism.
While this work focused on the visualization of coastal floods, we envision the
creation of a global visualization of how climate change will shape our earth.
- Abstract(参考訳): 気候変動が自然災害の激しさを増すにつれ、社会は適応のためのより良いツールを必要としている。
例えば、洪水は最も頻繁な自然災害であるが、ハリケーンのとき、地域は主に雲に覆われており、緊急管理官はミッション計画のために直観的な洪水の可視化に頼る必要がある。
これらの緊急管理を支援するため,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
我々は,Pix2pixHDと呼ばれる最先端のGANを開発し,NOAA SLOSH(NoAA SLOSH)の出力と物理的に一致した画像を生成する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
この研究は沿岸の洪水の可視化に焦点を絞ったものであるが、気候変動が地球をどのように形成するかをグローバルに可視化することを目指している。
関連論文リスト
- Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-28T03:11:33Z) - 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) - Transformer-based Flood Scene Segmentation for Developing Countries [1.7499351967216341]
洪水は大規模な自然災害であり、しばしば大量の死者、大規模な材料被害、経済的混乱を引き起こす。
早期警戒システム(EWS)は洪水を予測するための水位やその他の要因を常に評価し、被害を最小限に抑える。
FloodTransformerは、災害現場の空中画像から浸水した領域を検出し、セグメンテーションする最初のビジュアルトランスフォーマーベースのモデルである。
論文 参考訳(メタデータ) (2022-10-09T10:29:41Z) - Learning to restore images degraded by atmospheric turbulence using
uncertainty [93.72048616001064]
大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。
本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-07-07T17:24:52Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - Feasibility study of urban flood mapping using traffic signs for route
optimization [9.973554387848257]
水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。
アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
論文 参考訳(メタデータ) (2021-09-24T02:13:23Z) - Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization [60.690929022840685]
合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
地球観測における画像と画像の翻訳を研究するために、25k以上の画像ペアのデータセットを公開する。
論文 参考訳(メタデータ) (2021-04-10T15:00:15Z) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。
この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。
本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
論文 参考訳(メタデータ) (2020-12-15T21:30:19Z)
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。