論文の概要: The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation

• arxiv url: http://arxiv.org/abs/2310.19166v1
• Date: Sun, 29 Oct 2023 21:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 13:59:46.510034
• Title: The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation
• Title（参考訳）: 洪水緩和のための予測型深層学習モデルにおける説明可能性のパワー
• Authors: Jimeng Shi, Vitalii Stebliankin, Giri Narasimhan
• Abstract要約: 本研究では,水理構造を有する流域における洪水管理を実現するために,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。 その結果、FIDLARは、数桁のスピードアップで現在の最先端技術よりも優れた性能を示した。 本論文の主な貢献は、モデル説明可能性のためのツールの有効活用であり、その決定に対する様々な環境要因の貢献を理解することができる。
• 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: Floods can cause horrific harm to life and property. However, they can be mitigated or even avoided by the effective use of hydraulic structures such as dams, gates, and pumps. By pre-releasing water via these structures in advance of extreme weather events, water levels are sufficiently lowered to prevent floods. In this work, we propose FIDLAR, a Forecast Informed Deep Learning Architecture, achieving flood management in watersheds with hydraulic structures in an optimal manner by balancing out flood mitigation and unnecessary wastage of water via pre-releases. We perform experiments with FIDLAR using data from the South Florida Water Management District, which manages a coastal area that is highly prone to frequent storms and floods. Results show that FIDLAR performs better than the current state-of-the-art with several orders of magnitude speedup and with provably better pre-release schedules. The dramatic speedups make it possible for FIDLAR to be used for real-time flood management. The main contribution of this paper is the effective use of tools for model explainability, allowing us to understand the contribution of the various environmental factors towards its decisions.
• Abstract（参考訳）: 洪水は生命と財産に恐ろしい害をもたらす可能性がある。 しかし、ダム、門、ポンプなどの水圧構造物を効果的に利用することで緩和、あるいは回避することができる。 極度の気象現象に先立ってこれらの構造物を経由したプレリリース水により、洪水を防ぐための水位は十分に低下する。 本研究では,予報型深層学習アーキテクチャであるFIDLARを提案し,プレリリースによる洪水軽減と不必要な水の無駄を解消し,水理構造を有する流域における洪水管理を最適に行う。 豪雨や洪水が頻発する沿岸地域を管理する南フロリダ水管理地区のデータを用いて,fidlarを用いて実験を行った。 その結果、fidlarは、数桁のスピードアップと確実にリリース前のスケジュールで、現在の最先端よりも優れたパフォーマンスを示している。 劇的なスピードアップにより、FIDLARはリアルタイムの洪水管理に使用できる。 本論文の主な貢献は,モデル説明ツールの有効利用であり,その意思決定に対する各種環境要因の寄与を理解することを可能にする。

関連論文リスト

• 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)
• 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)
• Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates [2.694662116529994]
  河川システムのためのグラフ変換器ネットワーク(FloodGTN)を用いた洪水予測ツール FloodGTNは、グラフニューラルネットワーク(GNN)とLSTMを用いて、異なる監視ステーションにおける水位の連続時間依存性を学習する。 FloodGTNツールを南フロリダ水管理地区のデータに適用した。
  論文  参考訳（メタデータ） (2023-10-11T16:24:06Z)
• 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)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Determination of building flood risk maps from LiDAR mobile mapping data [11.128919681798664]
  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。
  論文  参考訳（メタデータ） (2022-01-14T15:36:08Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)

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。