Fugu-MT 論文翻訳(概要): Evaluating the weight sensitivity in AHP-based flood risk estimation models

論文の概要: Evaluating the weight sensitivity in AHP-based flood risk estimation models

arxiv url: http://arxiv.org/abs/2107.13368v1
Date: Wed, 28 Jul 2021 13:56:43 GMT
ステータス: 処理完了
システム内更新日: 2023-03-20 17:12:49.284796
Title: Evaluating the weight sensitivity in AHP-based flood risk estimation models
Title（参考訳）: AHPを用いた洪水リスク推定モデルにおける重量感度の評価
Authors: Hongping Zhang, Zhenfeng Shao, Bin Hua, Xiao Huang, Jinqi Zhao, Wenfu Wu, Yewen Fan
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.5018313661999985
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the analytic hierarchy process (AHP) based flood risk estimation models, it is widely acknowledged that different weighting criteria can lead to different results. In this study, we evaluated and discussed the sensitivity of flood risk estimation brought by judgment matrix definition by investigating the performance of pixel-based and sub-watershed-based AHP models. Taking a flood event that occurred in July 2020 in Chaohu basin, Anhui province, China, as a study case, we used the flood areas extracted from remote sensing images to construct ground truth for validation purposes. The results suggest that the performance of the pixel-based AHP model fluctuates intensively given different definitions of judgment matrixes, while the performance of sub-watershed-based AHP models fluctuates considerably less than that of the pixel-based AHP model. Specifically, sub-watershed delimitated via multiple flow direction (MFD) always achieves increases in the correct ratio and the fit ratio by >35% and >5% with the pixel-based AHP model, respectively.
Abstract（参考訳）: 解析階層法(AHP)に基づく洪水リスク推定モデルでは,異なる重み付け基準が異なる結果をもたらすことが広く認識されている。本研究では, 画素ベースおよびサブ流域型AHPモデルの性能を検証し, 判定行列定義による洪水リスク推定の感度について検討した。また,2020年7月に中国安芸省チャオフ盆地で発生した洪水を事例として,リモートセンシング画像から抽出した洪水地域を用いて,地中真実を立案した。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で大きく変動し, サブ流域ベース AHP モデルの性能は画素ベース AHP モデルよりもかなり小さいことが示唆された。特に,マルチフロー方向 (mfd) を経由するサブウォータードレインは, 画素ベースのahpモデルにおいて, 適切な比率と適合率を常に35%以上, 5%以上向上させる。

関連論文リスト

Deep Learning based Optical Image Super-Resolution via Generative Diffusion Models for Layerwise in-situ LPBF Monitoring [4.667646675144656]
我々は,ビルドプレートの低解像度画像とビルドプレートの詳細な高解像度光学画像とを関連付けるために,生成的深層学習モデルを実装した。低解像度Webカメラ画像からビルドプレートの現実的な高解像度画像を生成するために,条件付き潜在確率拡散モデルを訓練した。また, 印刷部の3次元形状を再現し, 復元した試料の表面粗さを解析する枠組みを設計した。
論文参考訳（メタデータ） (2024-09-20T02:59:25Z)
Deep Blur Multi-Model (DeepBlurMM) -- a strategy to mitigate the impact of image blur on deep learning model performance in histopathology image analysis [0.0]
スライド画像全体の非シャープ領域を含む画質は、モデルパフォーマンスに影響を及ぼす。本研究では,非シャープ画像領域の負の影響を軽減するためのマルチモデル手法を提案する。 DeepBlurMMはいくつかの条件下で予測性能を改善した。
論文参考訳（メタデータ） (2024-05-15T12:40:41Z)
Diffusion-based Pose Refinement and Muti-hypothesis Generation for 3D Human Pose Estimaiton [27.708016152889787]
従来の3次元人物姿勢推定モデル(3DHPE)は、複数の仮説を生成することで、ポーズの精度を高めることを目的としていた。ほとんどの仮説は真のポーズから大きく逸脱した。決定論的モデルと比較すると、確率論的モデルにおける過剰な不確実性は、単一仮説予測においてより弱い性能をもたらす。本稿では,逆拡散による決定論的モデルの出力を改良する拡散に基づく DRPose というフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-10T04:07:50Z)
On Inference Stability for Diffusion Models [6.846175045133414]
DPM(Denoising Probabilistic Models)は、多彩で高品質な画像を生成するのに優れた生成モデルの分野である。現在のDPMのトレーニング手法の多くは、時間ステップ間の相関を無視することが多く、画像生成におけるモデルの性能を効果的に制限している。そこで本研究では,サンプリング品質を高めるために,推定ギャップを小さくすることを目的とした,新しいtextVinitsequence-aware Losを提案する。
論文参考訳（メタデータ） (2023-12-19T18:57:34Z)
Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文参考訳（メタデータ） (2023-10-30T18:43:21Z)
PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。水中画像強調(UIE)の課題も、時間とともに現れた。本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文参考訳（メタデータ） (2023-06-15T07:41:12Z)
Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文参考訳（メタデータ） (2023-03-31T16:01:03Z)
PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。 CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
論文参考訳（メタデータ） (2021-10-17T10:47:29Z)
Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文参考訳（メタデータ） (2021-08-11T16:11:01Z)
Towards Top-Down Just Noticeable Difference Estimation of Natural Images [65.14746063298415]
JNDの推定は、主に空間領域と周波数領域における異なる要因の可視性マスキング効果をモデル化することに焦点を当てている。この作業では、トップダウンの設計哲学でこれらの問題に対処する、劇的に異なる方法に目を向けます。提案したJNDモデルは,最新のJNDモデルよりも優れた性能を実現することができる。
論文参考訳（メタデータ） (2021-08-11T06:51:50Z)
An extended watershed-based zonal statistical AHP model for flood risk estimation: Constraining runoff converging related indicators by sub-watersheds [13.4714694508058]
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。
論文参考訳（メタデータ） (2021-07-05T14:04:32Z)

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。