論文の概要: Physics-Aware Downsampling with Deep Learning for Scalable Flood Modeling

• arxiv url: http://arxiv.org/abs/2106.07218v1
• Date: Mon, 14 Jun 2021 08:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:45:35.819233
• Title: Physics-Aware Downsampling with Deep Learning for Scalable Flood Modeling
• Title（参考訳）: スケーラブルフラッドモデリングのための深層学習による物理認識ダウンサンプリング
• Authors: Niv Giladi, Zvika Ben-Haim, Sella Nevo, Yossi Matias, Daniel Soudry
• Abstract要約: 我々は深層ニューラルネットワークをトレーニングし、地形図の物理インフォームドダウンサンプリングを行う。 本手法により,正確な解を維持しつつ,計算コストを大幅に削減できることを示す。
• 参考スコア（独自算出の注目度）: 26.744689956865628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Floods are the most common natural disaster in the world, affecting the lives of hundreds of millions. Flood forecasting is therefore a vitally important endeavor, typically achieved using physical water flow simulations, which rely on accurate terrain elevation maps. However, such simulations, based on solving partial differential equations, are computationally prohibitive on a large scale. This scalability issue is commonly alleviated using a coarse grid representation of the elevation map, though this representation may distort crucial terrain details, leading to significant inaccuracies in the simulation. Contributions: We train a deep neural network to perform physics-informed downsampling of the terrain map: we optimize the coarse grid representation of the terrain maps, so that the flood prediction will match the fine grid solution. For the learning process to succeed, we configure a dataset specifically for this task. We demonstrate that with this method, it is possible to achieve a significant reduction in computational cost, while maintaining an accurate solution. A reference implementation accompanies the paper as well as documentation and code for dataset reproduction.
• Abstract（参考訳）: 背景:洪水は世界でもっとも一般的な自然災害であり、数億人の命に影響を与えている。 したがって、洪水予測は重要な取り組みであり、通常は正確な地形標高図に依存する物理水流シミュレーションを用いて達成される。 しかし、偏微分方程式の解法に基づくそのようなシミュレーションは、大規模に計算的に禁止されている。 この拡張性の問題は通常、標高マップの粗いグリッド表現を使って軽減されるが、この表現は重要な地形の詳細を歪め、シミュレーションにおいて重大な不正確性をもたらす可能性がある。 コントリビューション:我々は、物理インフォームドされた地形図のダウンサンプリングを行うために、深層ニューラルネットワークを訓練する:我々は、地形図の粗い格子表現を最適化し、洪水予測が微細格子解に一致するようにする。 学習プロセスが成功するには、このタスク専用のデータセットを設定します。 この方法では, 正確な解法を維持しつつ, 計算コストを大幅に削減できることを示す。 参照実装は、論文とデータセットの再生のためのドキュメントとコードとを伴います。

関連論文リスト

• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Metrically Scaled Monocular Depth Estimation through Sparse Priors for Underwater Robots [0.0]
  三角特徴量からのスパース深度測定を融合して深度予測を改善する深度学習モデルを定式化する。 このネットワークは、前方に見える水中データセットFLSeaで教師ありの方法で訓練されている。 この方法は、ラップトップGPUで160FPS、単一のCPUコアで7FPSで実行することで、リアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:32:31Z)
• On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches [3.555368338253582]
  地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。 本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2023-03-01T17:39:08Z)
• 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)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• RainNet: A Large-Scale Dataset for Spatial Precipitation Downscaling [34.643909161864855]
  我々は、最初のREAL(非シミュレーション)大規模空間降水ダウンスケーリングデータセット、RainNetを紹介します。 このデータセットは17年間、62,424対の低解像度と高解像度の降水マップを含んでいる。 シミュレーションデータとは対照的に、実際のデータセットは様々な種類の気象現象をカバーしている。
  論文  参考訳（メタデータ） (2020-12-17T16:12:17Z)
• Depth Completion using Piecewise Planar Model [94.0808155168311]
  深度マップは一連の学習された基底で表現することができ、閉じた解法で効率的に解ける。 しかし、この方法の1つの問題は、色境界が深さ境界と矛盾する場合にアーチファクトを生成することである。 私たちは、より厳密な深度回復モデルを実行します。
  論文  参考訳（メタデータ） (2020-12-06T07:11:46Z)
• Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
  リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。 水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。 このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T10:59:15Z)
• Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks [0.0]
  本稿では,最大水深の予測を画像から画像への変換問題と考えることを提案する。 結果は、シミュレーションを行うのではなく、データから学習した情報を用いて入力標高から生成される。 提案したニューラルネットワークは、都市レイアウト計画のための洪水予測など、異なるが関連する問題に適用できる可能性がある。
  論文  参考訳（メタデータ） (2020-04-17T16:44:46Z)

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。