論文の概要: Pi theorem formulation of flood mapping
- arxiv url: http://arxiv.org/abs/2211.00636v1
- Date: Tue, 1 Nov 2022 17:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:27:58.260369
- Title: Pi theorem formulation of flood mapping
- Title(参考訳): 洪水マッピングのPi定理の定式化
- Authors: Mark S. Bartlett, Jared Van Blitterswyk, Martha Farella, Jinshu Li,
Curtis Smith, and Assaad Mrad
- Abstract要約: バッキンガム$Pi$定理を適用し、洪水過程の類似性を捉えるために無次元の指標を作成する。
特に,これらの非次元予測器とロジスティック回帰機械学習(ML)モデルを用いて,洪水リスクの確率論的決定を行う。
以上の結果から,新しい無次元指標は,異なる地形や気候領域にまたがる洪水過程の類似性を捉えていることが明らかとなった。
- 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: While physical phenomena are stated in terms of physical laws that are
homogeneous in all dimensions, the mechanisms and patterns of the physical
phenomena are independent of the form of the units describing the physical
process. Accordingly, across different conditions, the similarity of a process
may be captured through a dimensionless reformulation of the physical problem
with Buckingham $\Pi$ theorem. Here, we apply Buckingham $\Pi$ theorem for
creating dimensionless indices for capturing the similarity of the flood
process, and in turn, these indices allow machine learning to map the
likelihood of pluvial (flash) flooding over a landscape. In particular, we use
these dimensionless predictors with a logistic regression machine learning (ML)
model for a probabilistic determination of flood risk. The logistic regression
derived flood maps compare well to 2D hydraulic model results that are the
basis of the Federal Emergency Management Agency (FEMA) maps. As a result, the
indices and logistic regression also provide the potential to expand existing
FEMA maps to new (unmapped) areas and a wider spectrum of flood flows and
precipitation events. Our results demonstrate that the new dimensionless
indices capture the similarity of the flood process across different
topographies and climate regions. Consequently, these dimensionless indices may
expand observations of flooding (e.g., satellite) to the risk of flooding in
new areas, as well as provide a basis for the rapid, real-time estimation of
flood risk on a worldwide scale.
- Abstract(参考訳): 物理現象は、あらゆる次元において均質な物理法則によって記述されるが、物理現象のメカニズムとパターンは、物理過程を記述する単位の形とは独立している。
したがって、異なる条件において、過程の類似性はバッキンガムの$\pi$定理による物理的問題の無次元の再構成によって捉えることができる。
ここではバッキンガム$\Pi$定理を適用し、洪水過程の類似性を捉えるために無次元の指標を作成する。
特に,ロジスティック回帰機械学習(ML)モデルを用いた非次元予測器を用いて,洪水リスクの確率論的決定を行う。
ロジスティック回帰型洪水図は、連邦緊急事態管理局(FEMA)の地図に基づく2次元水理モデルの結果とよく比較できる。
結果として、インデックスとロジスティック回帰は、既存のFEMAマップを新しい(未マップの)領域に拡張し、洪水や降水イベントの広い範囲に拡大する可能性がある。
その結果,新しい次元のない指標は,異なる地形や気候地域における洪水過程の類似性を捉えていることがわかった。
したがって、これらの次元の無い指標は、新しい地域での洪水のリスクにより洪水の観測(例えば衛星)を拡大し、世界中の規模の洪水リスクの迅速かつリアルタイムな推定の基盤を提供することができる。
関連論文リスト
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - 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) - A comparison of machine learning surrogate models of street-scale
flooding in Norfolk, Virginia [0.0]
バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。
高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。
本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
論文 参考訳(メタデータ) (2023-07-26T13:24:01Z) - 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) - Hierarchical Terrain Attention and Multi-Scale Rainfall Guidance For
Flood Image Prediction [14.075721797920679]
本稿では,階層的な地形空間の注意を取り入れた,精密な洪水地図予測のための新しい枠組みを提案する。
我々は, 発電機と判別器の双方に降雨回帰損失を付加監督として活用する。
我々の手法は降雨条件の異なる過去の技術を大きく上回っている。
論文 参考訳(メタデータ) (2022-12-04T13:17:21Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - Inductive Predictions of Extreme Hydrologic Events in The Wabash River
Watershed [15.963061568077567]
我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。
また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。
この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
論文 参考訳(メタデータ) (2021-04-25T02:26:09Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳(メタデータ) (2020-08-02T11:19:36Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳(メタデータ) (2020-07-01T17:29:57Z) - 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。