論文の概要: Improving debris flow evacuation alerts in Taiwan using machine learning

• arxiv url: http://arxiv.org/abs/2208.13027v1
• Date: Sat, 27 Aug 2022 14:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:09:39.828126
• Title: Improving debris flow evacuation alerts in Taiwan using machine learning
• Title（参考訳）: 台湾の土石流避難警報の機械学習による改善
• Authors: Yi-Lin Tsai (1), Jeremy Irvin (2), Suhas Chundi (2), Jo\~ao Estacio Gaspar Araujo (2), Andrew Y. Ng (2), Christopher B. Field (3, 4, and 5), Peter K. Kitanidis (1, 3, and 6) ((1) Department of Civil and Environmental Engineering, Stanford University, Stanford, CA, USA, (2) Department of Computer Science, Stanford University, Stanford, CA, USA, (3) Woods Institute for the Environment, Stanford University, Stanford, CA, USA, (4) Interdisciplinary Environmental Studies Program, Stanford University, Stanford, CA, USA, (5) Department of Earth System Science, Stanford University, Stanford, CA, USA, (6) Institute for Computational and Mathematical Engineering, Stanford University, Stanford, CA, USA)
• Abstract要約: 台湾は世界の破片流による死亡率が最も高い。 台湾の既存のデブリ流警報システムは、時間重み付けによる降雨量計を用いており、事前に定義された閾値を超えると警報を発生させる。 過去の降雨データを入力し,選択時間内に破片流が発生するかどうかを予測する5つの機械学習モデルを実装した。
• 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: Taiwan has the highest susceptibility to and fatalities from debris flows worldwide. The existing debris flow warning system in Taiwan, which uses a time-weighted measure of rainfall, leads to alerts when the measure exceeds a predefined threshold. However, this system generates many false alarms and misses a substantial fraction of the actual debris flows. Towards improving this system, we implemented five machine learning models that input historical rainfall data and predict whether a debris flow will occur within a selected time. We found that a random forest model performed the best among the five models and outperformed the existing system in Taiwan. Furthermore, we identified the rainfall trajectories strongly related to debris flow occurrences and explored trade-offs between the risks of missing debris flows versus frequent false alerts. These results suggest the potential for machine learning models trained on hourly rainfall data alone to save lives while reducing false alerts.
• Abstract（参考訳）: 台湾は世界の破片流による死亡率が最も高い。 既存の台湾の土石流警報システムは、降雨量の時間的重み付けを利用したもので、事前に決められたしきい値を超えると警告される。 しかし、このシステムは多くの誤報を発生させ、実際の破片の流れのかなりの部分を見逃している。 本システムの改良に向けて,過去の降雨データを入力し,選択時間内に破片流が発生するかどうかを予測する機械学習モデルを5種類実装した。 台湾では,ランダム森林モデルが5つのモデルの中で最高の性能を示し,既存システムよりも優れていた。 さらに, 破片流の発生に強く関連する降雨軌跡を同定し, 欠落する破片流の危険性と頻繁な誤報とのトレードオフを検討した。 これらの結果は、命を救うために時間単位の降雨データだけでトレーニングされた機械学習モデルの可能性を示している。

関連論文リスト

• Snowy Scenes,Clear Detections: A Robust Model for Traffic Light Detection in Adverse Weather Conditions [5.208045772970408]
  逆天候は、現在の検知システムにとって大きな課題を示し、しばしば失敗と潜在的な安全リスクをもたらす。 本稿では,そのような条件下での物体検出を改善するための新しいフレームワークとパイプラインを提案する。 その結果、平均IoUとF1のスコアは、素早い微調整に比べて40.8%改善した。
  論文  参考訳（メタデータ） (2024-06-19T11:52:12Z)
• 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)
• Investigating the Suitability of Concept Drift Detection for Detecting Leakages in Water Distribution Networks [7.0072935721154614]
  漏れは、水の損失と汚染リスクの増加を引き起こすため、水分配ネットワークにおいて大きなリスクである。 水分配網の複雑な力学のために漏れ検知は難しい課題である。 機械学習の観点からは、リークはコンセプトドリフトとしてモデル化できる。
  論文  参考訳（メタデータ） (2024-01-03T13:12:04Z)
• AI Increases Global Access to Reliable Flood Forecasts [6.498815455353096]
  洪水は最も一般的な自然災害の1つであり、密度の高い流路ゲージネットワークが欠如している発展途上国では不均等な影響がある。 AIを用いて、未舗装の流域で5日間のリードタイムで極端な河川イベントを予測する信頼性を実現する。 この研究は、信頼できる洪水警報へのグローバルアクセスを改善し続けるために、水文データの可用性を高める必要性を強調している。
  論文  参考訳（メタデータ） (2023-07-30T01:49:21Z)
• 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)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Applications of shapelet transform to time series classification of earthquake, wind and wave data [0.0]
  「シェープレット変換」は時系列列の形状の局所的類似性に基づく。 理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。 モデルはドメインの実践者の介入なしにイベント検出を自動化する。
  論文  参考訳（メタデータ） (2020-04-22T10:17:24Z)

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。