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

• Learn from Downstream and Be Yourself in Multimodal Large Language Model Fine-Tuning [104.27224674122313]
  微調整MLLMは、特定の下流タスクのパフォーマンスを改善するための一般的なプラクティスとなっている。 一般化と特殊化のトレードオフのバランスをとるために,事前学習と微調整の両方におけるパラメータの重要度を測定することを提案する。
  論文  参考訳（メタデータ） (2024-11-17T01:16:37Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
  高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。 このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。 流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。 大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T20:18:32Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• 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 forecasting with machine learning models in an operational framework [0.0]
  Googleによる運用中の洪水予報システムは、機関や一般大衆に正確なリアルタイムの洪水警報を提供するために開発された。 予測システムは、データ検証、ステージ予測、浸水モデル、警報分布の4つのサブシステムから構成される。 2021年のモンスーンシーズンの間、洪水警報システムはインドとバングラデシュで運用され、総面積は287,000 km2で、350万人以上が居住していた。
  論文  参考訳（メタデータ） (2021-11-04T11:58:31Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)

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。