論文の概要: Flood Analytics Information System (FAIS) Version 4.00 Manual
- arxiv url: http://arxiv.org/abs/2112.01375v1
- Date: Tue, 30 Nov 2021 15:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 15:03:01.236103
- Title: Flood Analytics Information System (FAIS) Version 4.00 Manual
- Title（参考訳）: Flood Analytics Information System (FAIS) バージョン4.00マニュアル
- Authors: Vidya Samadi
- Abstract要約: このプロジェクトは、洪水リスク評価と意思決定のために、ビッグデータ分析アプローチと機械学習と、ツイートの自然言語処理(NLP)を併用する最初の試みだった。
複数のPythonパッケージが開発され、Flood Analytics Information System (FAIS)に統合された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This project was the first attempt to use big data analytics approaches and
machine learning along with Natural Language Processing (NLP) of tweets for
flood risk assessment and decision making. Multiple Python packages were
developed and integrated within the Flood Analytics Information System (FAIS).
FAIS workflow includes the use of IoTs-APIs and various machine learning
approaches for transmitting, processing, and loading big data through which the
application gathers information from various data servers and replicates it to
a data warehouse (IBM database service). Users are allowed to directly stream
and download flood related images/videos from the US Geological Survey (USGS)
and Department of Transportation (DOT) and save the data on a local storage.
The outcome of the river measurement, imagery, and tabular data is displayed on
a web based remote dashboard and the information can be plotted in real-time.
FAIS proved to be a robust and user-friendly tool for flood data analysis at
regional scale that could help stakeholders for rapid assessment of flood
situation and damages. FAIS also provides flood frequency analysis (FFA) to
estimate flood quantiles including the associated uncertainties that combine
the elements of observational analysis, stochastic probability distribution and
design return periods. FAIS is publicly available and deployed on the
Clemson-IBM cloud service.
- Abstract（参考訳）: このプロジェクトは、洪水リスク評価と意思決定のためのツイートの自然言語処理(NLP)とともに、ビッグデータ分析アプローチと機械学習を使用する最初の試みだった。
複数のPythonパッケージが開発され、Flood Analytics Information System (FAIS)に統合された。
FAISワークフローには、IoT-APIとさまざまな機械学習アプローチを使用して、アプリケーションがさまざまなデータサーバから情報を収集し、データウェアハウス(IBMデータベースサービス)に複製するビッグデータの送信、処理、ロードが含まれる。
ユーザーは、米国地質調査所(USGS)と運輸省(DOT)から直接洪水に関連する画像やビデオをストリームしてダウンロードし、データをローカルストレージに保存することができる。
河川計測、画像、表データの結果をウェブベースの遠隔ダッシュボードに表示し、情報をリアルタイムでプロットすることができる。
faisは地域規模での洪水データ分析のための堅牢でユーザフレンドリーなツールであり、利害関係者が洪水状況や被害を迅速に評価するのに役立ちます。
FAISはまた、観測分析、確率分布、設計の回帰期間の要素を組み合わせた、関連する不確実性を含む洪水量の推定のための洪水頻度分析(FFA)も提供している。
FAISは公開されており、Clemson-IBMクラウドサービスにデプロイされている。
関連論文リスト
- Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset [1.3757956340051605]
Dynamic Worldデータセットを扱うために、フレキシブルで効率的なエンドツーエンドパイプラインを提示します。
これには、ノイズ除去に取り組む前処理および表現フレームワーク、大量のデータの効率的な抽出、LULCデータの再表現が含まれる。
パイプラインのパワーを実証するために、都市化予測問題のためのデータを抽出し、優れたパフォーマンスで機械学習モデルのスイートを構築する。
論文 参考訳（メタデータ） (2024-10-11T16:13:01Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳（メタデータ） (2023-11-15T18:49:29Z) - Pathway: a fast and flexible unified stream data processing framework
for analytical and Machine Learning applications [7.850979932441607]
Pathwayは新しい統一データ処理フレームワークで、バウンドとアンバウンドのデータストリームの両方でワークロードを実行できる。
本稿では,本システムについて述べるとともに,バッチとストリーミングの両コンテキストにおいて,その性能を示すベンチマーク結果を示す。
論文 参考訳（メタデータ） (2023-07-12T08:27:37Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - An IoT Cloud and Big Data Architecture for the Maintenance of Home
Appliances [0.0722732388409495]
この作業は分散型でスケーラブルなプラットフォームアーキテクチャを導入し、効率的なビッグデータ収集と分析のためにデプロイすることができる。
提案システムは,家電製品の予測保守のためのケーススタディで検証された。
実験結果から,提案システムは実世界のIoTシナリオに費用対効果と局所的なアプローチで対処する上で有用であることが示された。
論文 参考訳（メタデータ） (2022-10-25T13:25:00Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z) - Omnidata: A Scalable Pipeline for Making Multi-Task Mid-Level Vision
Datasets from 3D Scans [103.92680099373567]
本稿では,実世界の包括的3Dスキャンからマルチタスク視覚データセットをパラメトリックサンプリングし,レンダリングするパイプラインを提案する。
サンプリングパラメータを変更することで、生成されたデータセットを“ステア”して、特定の情報を強調することが可能になる。
生成されたスタータデータセットでトレーニングされた共通アーキテクチャは、複数の共通ビジョンタスクとベンチマークで最先端のパフォーマンスに達した。
論文 参考訳（メタデータ） (2021-10-11T04:21:46Z) - Vessel and Port Efficiency Metrics through Validated AIS data [0.0]
本稿では,AISデータの誤検出と修正を行う機械学習に基づくデータ駆動手法を提案する。
また,船舶運用者や港湾業者が,その事業と環境効率を数値的に表現するための指標を提案する。
論文 参考訳（メタデータ） (2021-04-30T19:51:51Z) - PyODDS: An End-to-end Outlier Detection System with Automated Machine
Learning [55.32009000204512]
PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。
具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。
また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
論文 参考訳（メタデータ） (2020-03-12T03:30:30Z)
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。