論文の概要: Determination of building flood risk maps from LiDAR mobile mapping data

• arxiv url: http://arxiv.org/abs/2201.05514v1
• Date: Fri, 14 Jan 2022 15:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 15:00:28.985701
• Title: Determination of building flood risk maps from LiDAR mobile mapping data
• Title（参考訳）: lidar移動地図データによる建築物の洪水リスクマップの決定
• Authors: Yu Feng, Qing Xiao, Claus Brenner, Aaron Peche, Juntao Yang, Udo Feuerhake, Monika Sester
• Abstract要約: 洪水シミュレーションは、洪水の危険がある地域や建物に早期警告を与えることができる。 ファサードの開口部の高さを知ることは、水浸水の影響を受けやすい場所を特定するのに役立つ。 本研究では,LiDAR移動地図データから窓やドアを抽出する手法を提案する。
• 参考スコア（独自算出の注目度）: 11.128919681798664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing urbanization, flooding is a major challenge for many cities today. Based on forecast precipitation, topography, and pipe networks, flood simulations can provide early warnings for areas and buildings at risk of flooding. Basement windows, doors, and underground garage entrances are common places where floodwater can flow into a building. Some buildings have been prepared or designed considering the threat of flooding, but others have not. Therefore, knowing the heights of these facade openings helps to identify places that are more susceptible to water ingress. However, such data is not yet readily available in most cities. Traditional surveying of the desired targets may be used, but this is a very time-consuming and laborious process. This research presents a new process for the extraction of windows and doors from LiDAR mobile mapping data. Deep learning object detection models are trained to identify these objects. Usually, this requires to provide large amounts of manual annotations. In this paper, we mitigate this problem by leveraging a rule-based method. In a first step, the rule-based method is used to generate pseudo-labels. A semi-supervised learning strategy is then applied with three different levels of supervision. The results show that using only automatically generated pseudo-labels, the learning-based model outperforms the rule-based approach by 14.6% in terms of F1-score. After five hours of human supervision, it is possible to improve the model by another 6.2%. By comparing the detected facade openings' heights with the predicted water levels from a flood simulation model, a map can be produced which assigns per-building flood risk levels. This information can be combined with flood forecasting to provide a more targeted disaster prevention guide for the city's infrastructure and residential buildings.
• Abstract（参考訳）: 都市化が進むにつれて、多くの都市で洪水が大きな課題となっている。 予測降水量、地形、パイプネットワークに基づいて、洪水シミュレーションは洪水のリスクのある地域や建物に早期の警告を与えることができる。 基礎窓、ドア、地下のガレージの入り口は、浸水が建物に流れ込む一般的な場所である。 建物の中には洪水の脅威を考慮して準備や設計がなされているものもあるが、そうではないものもある。 したがって、これらのファサードの開口部の高さを知ることは、入水しやすい場所を特定するのに役立つ。 しかし、ほとんどの都市ではそのようなデータは利用できない。 望まれる対象の伝統的な調査が用いられることもあるが、これは非常に時間と労力を要するプロセスである。 本研究では,lidarモバイルマッピングデータから窓とドアを抽出するための新しいプロセスを提案する。 ディープラーニングオブジェクト検出モデルは、これらのオブジェクトを特定するために訓練される。 通常、これは大量の手動アノテーションを提供する必要がある。 本稿では,ルールベースの手法を用いてこの問題を緩和する。 最初のステップでは、ルールベースのメソッドを使用して擬似ラベルを生成する。 半教師付き学習戦略は、3つの異なるレベルの監督によって適用される。 その結果、自動生成された擬似ラベルのみを用いることで、F1スコアの点において、学習ベースモデルはルールベースのアプローチを14.6%上回る結果となった。 人間の監督から5時間経つと、さらなる6.2%の改善が可能となる。 ファサード開口部の高さを洪水シミュレーションモデルから予測した水位と比較することにより、建物毎の洪水リスクレベルを割り当てる地図を作成することができる。 この情報は洪水予報と組み合わせることで、市のインフラや住宅ビルのより標的となる防災ガイドを提供することができる。

関連論文リスト

• UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
  UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。 8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。 我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
  論文  参考訳（メタデータ） (2024-06-06T14:28:43Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
  本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
  論文  参考訳（メタデータ） (2024-02-26T16:02:15Z)
• FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation [0.0]
  洪水は、ダム、門、ポンプ、貯水池などの水圧構造で極端な気象現象の前に、戦略的に水を放出することで緩和または防止することができる。 地域水管理機関が使用する標準的なアプローチは「ルールベース」手法であり、歴史的およびタイムテストされた人間の経験に基づいて、所定のプレリリース水を指定する。 本研究では,正確な水事前リリースによる高速かつ最適な洪水管理を実現するための予測インフォームド深層学習アーキテクチャ (FIDLAR) を提案する。
  論文  参考訳（メタデータ） (2024-02-20T20:53:04Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• 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)
• Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised Learning [1.269104766024433]
  複数のUNetアーキテクチャのアンサンブルモデルを、高信頼と低信頼のラベル付きデータでトレーニングする。 この同化データセットは、次のトレーニングアンサンブルモデルのラウンドに使用される。 弊社のアプローチは、ETCIコンペティションのリーダーボードのスコアが0.7654 IoUと高い。
  論文  参考訳（メタデータ） (2021-07-18T05:42:10Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)

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。