論文の概要: Pi theorem formulation of flood mapping

• arxiv url: http://arxiv.org/abs/2211.00636v3
• Date: Sun, 10 Nov 2024 23:03:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:04:13.038437
• 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, Anthony J. Parolari, Lalitha Krishnamoorthy, Assaad Mrad,
• Abstract要約: 本稿では,次元のないマルチスケール機能に基づいた機械学習モデル一般化のためのフレームワークを提案する。 次元のない特徴は次元的特徴よりも優れており、モデルが1つの領域で訓練され、別の領域でテストされたときに、最も大きな利得が生じる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Rapid delineation of flash flood extents is critical to mobilize emergency resources and to manage evacuations, thereby saving lives and property. Machine learning (ML) approaches enable rapid flood delineation with reduced computational demand compared to conventional high-resolution, 2D flood models. However, existing ML approaches are limited by a lack of generalization to never-before-seen conditions. Here, we propose a framework to improve ML model generalization based on dimensionless, multi-scale features that capture the similarity of the flooding process across regions. The dimensionless features are constrained with the Buckingham $\Pi$ theorem and used with a logistic regression model for a probabilistic determination of flood risk. The features were calculated at different scales by varying accumulation thresholds for stream delineation. The modeled flood maps compared well with the results of 2D hydraulic models that are the basis of the Federal Emergency Management Agency (FEMA) flood hazard maps. Dimensionless features outperformed dimensional features, with some of the largest gains (in the AUC) occurring when the model was trained in one region and tested in another. Dimensionless and multi-scale features in ML flood modeling have the potential to improve generalization, enabling mapping in unmapped areas and across a broader spectrum of landscapes, climates, and events.
• Abstract（参考訳）: 急激な浸水量削減は、緊急の資源を動員し、避難を管理し、生命と財産を節約するために重要である。 機械学習(ML)アプローチは、従来の高解像度2Dフラッドモデルと比較して計算負荷を低減した急激な洪水デライン化を可能にする。 しかし、既存のMLアプローチは、前例のない条件への一般化の欠如によって制限されている。 本稿では,地域間における浸水プロセスの類似性を捉えるため,次元のないマルチスケール機能に基づくMLモデルの一般化を改善するフレームワークを提案する。 次元のない特徴はバッキンガム$\Pi$定理で制約され、洪水リスクの確率論的決定のためにロジスティック回帰モデルで使用される。 これらの特徴は, ストリームデラインの蓄積しきい値の変化により, 異なるスケールで計算された。 モデル化された洪水マップは、連邦緊急事態管理局(FEMA)の洪水ハザードマップの基礎となる2次元水理モデルの結果とよく比較されている。 次元のない特徴は次元的特徴よりも優れており、モデルが1つの領域で訓練され、別の領域でテストされたときに(AUCで)最も大きな利得が生じる。 ML洪水モデリングにおけるディメンジョンレスとマルチスケールの特徴は、一般化を改善する可能性があり、マップされていない地域や広い範囲の風景、気候、イベントをマッピングできる。

関連論文リスト

• High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data [0.9719868595277402]
  Flood-Precipitation Generative Adversarial Network (Flood-Precipitation Generative Adversarial Network)は、生成機械学習を利用して大規模な人工浸水データをシミュレートする新しい手法である。 Flood-Precip GANは、高解像度の洪水確率マップを作成するのに必要な合成洪水深度データを生成するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-20T22:43:31Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• 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)
• 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)
• 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)
• 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。