論文の概要: An extended watershed-based zonal statistical AHP model for flood risk estimation: Constraining runoff converging related indicators by sub-watersheds

• arxiv url: http://arxiv.org/abs/2107.02043v1
• Date: Mon, 5 Jul 2021 14:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 08:57:29.671973
• Title: An extended watershed-based zonal statistical AHP model for flood risk estimation: Constraining runoff converging related indicators by sub-watersheds
• Title（参考訳）: 洪水リスク推定のための拡張流域型地域統計AHPモデル:亜流域による流出収束指標の抑制
• Authors: Hongping Zhang, Zhenfeng Shao, Jinqi Zhao, Xiao Huang, Jie Yang, Bin Hu and Wenfu Wu
• Abstract要約: 洪水リスク推定において、広く使われている分析階層プロセス(AHP)は、通常、ピクセルを基本単位として採用する。 WZSAHP-Slope & Stream (WZSAHP-Slope & Stream) による流出収束関連指標を制約した流域統計AHPモデルを提案する。 その結果,WZSAHP-Slope & Streamモデルでは,流路と斜面の距離の統計を最大統計法で計算し,他の試験法よりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 13.4714694508058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods are highly uncertain events, occurring in different regions, with varying prerequisites and intensities. A highly reliable flood disaster risk map can help reduce the impact of floods for flood management, disaster decreasing, and urbanization resilience. In flood risk estimation, the widely used analytic hierarchy process (AHP) usually adopts pixel as a basic unit, it cannot capture the similar threaten caused by neighborhood source flooding cells at sub-watershed scale. Thus, an extended watershed-based zonal statistical AHP model constraining runoff converging related indicators by sub-watersheds (WZSAHP-Slope & Stream) is proposed to fill this gap. Taking the Chaohu basin as test case, we validated the proposed method with a real-flood area extracted in July 2020. The results indicate that the WZSAHP-Slope & Stream model using multiple flow direction division watersheds to calculate statistics of distance from stream and slope by maximum statistic method outperformed other tested methods. Compering with pixel-based AHP method, the proposed method can improve the correct ratio by 16% (from 67% to 83%) and fit ratio by 1% (from 13% to 14%) as in validation 1, and improve the correct ratio by 37% (from 23% to 60%) and fit ratio by 6% (from 12% to 18%) as in validation 2.
• Abstract（参考訳）: 洪水は、様々な地域で起こる非常に不確実な出来事であり、様々な前提条件と強度がある。 信頼性の高い洪水災害リスクマップは、洪水管理、災害減少、都市化のレジリエンスに対する洪水の影響を減らすのに役立つ。 洪水危険度推定において、広く使用されている解析階層プロセス(AHP)は、通常、ピクセルを基本単位として採用する。 そこで, このギャップを埋めるために, 部分流域 (WZSAHP-Slope & Stream) による流出収束指標を制約する拡張型流域統計AHPモデルを提案する。 チャオフ盆地を事例として,2020年7月に抽出した実床面積を用いて提案手法を検証した。 その結果,wzsahp-slope & streamモデルにおいて,複数の流れ方向分割流域を用いて最大統計法による流れと斜面の距離の統計値が他の試験手法を上回った。 提案手法は, 画素ベースの ahp 法と比較して, 正しい比率を 16% (67%から83%) に, 適合率を 1% (13%から14%) に, 正しい比率を 37% (23%から60%) に, 適合率を 6% (12%から18%) に向上させる。

関連論文リスト

• Deep Reinforcement Multi-agent Learning framework for Information Gathering with Local Gaussian Processes for Water Monitoring [3.2266662249755025]
  局所ガウス過程と深層強化学習を用いて効果的なモニタリングポリシを共同で取得することが提案されている。 このモデルの平均と分散の観察に基づく決定に基づく、深い畳み込み政策が提案されている。 エージェントはDouble Deep Q-Learningアルゴリズムを用いて、安全な方法で推定誤差を最小限に抑えるように訓練される。
  論文  参考訳（メタデータ） (2024-01-09T15:58:15Z)
• Implementing a new fully stepwise decomposition-based sampling technique for the hybrid water level forecasting model in real-world application [13.763378354141118]
  時変非定常信号は、実世界の水文時系列予測において適切に前処理される必要がある。 分解法は優れた候補であり、そのような前処理問題に広く用いられている。 本研究は, 完全段階分解法 (FSDB) サンプリング手法を, 分解に基づく予測モデルのためによく設計したものである。
  論文  参考訳（メタデータ） (2023-09-19T14:40:13Z)
• MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak Inundation Depth And Decoding Influencing Features [0.8497188292342053]
  本研究は、ハリス郡の物理に基づく流体力学シミュレーションに基づいて訓練された機械学習モデルMaxFloodCastを実証する。 MaxFloodCastは、効率的かつ解釈可能な浸水深度予測を提供する。
  論文  参考訳（メタデータ） (2023-08-11T16:58:57Z)
• 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)
• Robust Bayesian Subspace Identification for Small Data Sets [91.3755431537592]
  分散効果を低減するため,正規化推定器,縮小推定器,ベイズ推定器を提案する。 実験の結果,提案した推定器は従来の部分空間法よりも40%のコストで推定リスクを低減できることがわかった。
  論文  参考訳（メタデータ） (2022-12-29T00:29:04Z)
• Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
  本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。 ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。 本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
  論文  参考訳（メタデータ） (2021-08-30T14:25:58Z)
• Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
  ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
  論文  参考訳（メタデータ） (2021-08-03T12:15:25Z)
• Evaluating the weight sensitivity in AHP-based flood risk estimation models [7.5018313661999985]
  決定行列定義による洪水危険度推定の感度について, 画素ベースおよびサブ流域ベースAHPモデルの性能について検討した。 その結果, 画素ベース AHP モデルの性能は, 判定行列の異なる定義により大きく変動することが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T13:56:43Z)
• Human Pose Regression with Residual Log-likelihood Estimation [48.30425850653223]
  本稿では,Residual Log-likelihood Estimation (RLE) を用いた新たな回帰パラダイムを提案する。 RLEは、トレーニングプロセスを容易にするために、未参照の基盤となる分布ではなく、分布の変化を学習する。 従来の回帰パラダイムと比較して、RLEによる回帰はテスト時間オーバーヘッドを伴わずに、MSCOCOに12.4mAPの改善をもたらす。
  論文  参考訳（メタデータ） (2021-07-23T15:06:31Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)

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。