論文の概要: Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data
- arxiv url: http://arxiv.org/abs/2108.13265v1
- Date: Mon, 30 Aug 2021 14:25:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:19:02.853146
- Title: Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data
- Title（参考訳）: クラウドソーシングレポートときめ細かい交通データを用いた機械学習による道路洪水リスク予測
- Authors: Faxi Yuan, William Mobley, Hamed Farahmand, Yuanchang Xu, Russell
Blessing, Ali Mostafavi, Samuel D. Brody
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.0554048699217669
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The objective of this study is to predict road flooding risks based on
topographic, hydrologic, and temporal precipitation features using machine
learning models. Predictive flood monitoring of road network flooding status
plays an essential role in community hazard mitigation, preparedness, and
response activities. Existing studies related to the estimation of road
inundations either lack observed road inundation data for model validations or
focus mainly on road inundation exposure assessment based on flood maps. This
study addresses this limitation by using crowdsourced and fine-grained traffic
data as an indicator of road inundation, and topographic, hydrologic, and
temporal precipitation features as predictor variables. Two tree-based machine
learning models (random forest and AdaBoost) were then tested and trained for
predicting road inundations in the contexts of 2017 Hurricane Harvey and 2019
Tropical Storm Imelda in Harris County, Texas. The findings from Hurricane
Harvey indicate that precipitation is the most important feature for predicting
road inundation susceptibility, and that topographic features are more
essential than hydrologic features for predicting road inundations in both
storm cases. The random forest and AdaBoost models had relatively high AUC
scores (0.860 and 0.810 for Harvey respectively and 0.790 and 0.720 for Imelda
respectively) with the random forest model performing better in both cases. The
random forest model showed stable performance for Harvey, while varying
significantly for Imelda. This study advances the emerging field of smart flood
resilience in terms of predictive flood risk mapping at the road level. For
example, such models could help impacted communities and emergency management
agencies develop better preparedness and response strategies with improved
situational awareness of road inundation likelihood as an extreme weather event
unfolds.
- Abstract（参考訳）: 本研究の目的は,機械学習モデルを用いた地形,水文,時間降水特性に基づく道路洪水リスクの予測である。
道路ネットワークの洪水状況の予測的洪水モニタリングは,地域社会のハザード緩和,準備,対応活動において重要な役割を担っている。
道路浸水推定に関する既存研究では, モデル検証のための観測された道路浸水データがないか, 主に洪水地図に基づく道路浸水暴露評価に焦点を当てている。
本研究では,道路浸食の指標としてクラウドソース,微粒化トラフィックデータを用い,地形・水文・時相降水特性を予測変数とした。
その後、テキサス州ハリス郡の2017 Hurricane Harveyと2019 Tropical Storm Imeldaという2つのツリーベース機械学習モデル(ランダムフォレストとAdaBoost)がテストされ、道路浸水を予測するために訓練された。
ハリケーン・ハーヴェイの調査結果は、降水は道路浸水感受性を予測する上で最も重要な特徴であり、地形的特徴は両ハリケーンの道路浸水を予測するための水文学的特徴よりも重要であることを示している。
ランダム森林モデルとAdaBoostモデルは比較的高いAUCスコア(ハーヴェイは0.860、イメルダは0.810、イメルダは0.790、イメルダは0.720)を持っていた。
ランダム林モデルではハーヴェイでは安定し,イメルダでは顕著に変動した。
本研究は,道路レベルでの洪水リスクマップの予測という観点から,スマートフラッディングレジリエンスの新興分野を前進させる。
例えば、このようなモデルによって、地域社会や緊急管理機関は、極端な気象イベントが展開する際の道路浸水可能性の状況認識を改善して、より良い準備と対応戦略を開発することができる。
関連論文リスト
- PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - 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) - Learning Inter-Annual Flood Loss Risk Models From Historical Flood
Insurance Claims and Extreme Rainfall Data [0.0]
洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。
本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
論文 参考訳（メタデータ） (2022-12-15T19:23:02Z) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳（メタデータ） (2022-08-02T03:59:43Z) - Spatio-Temporal Graph Convolutional Networks for Road Network Inundation
Status Prediction during Urban Flooding [1.376408511310322]
本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。
道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
論文 参考訳（メタデータ） (2021-04-06T04:03:34Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文 参考訳（メタデータ） (2020-04-07T17:25:41Z)
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。