論文の概要: Gravity-Informed Deep Learning Framework for Predicting Ship Traffic
Flow and Invasion Risk of Non-Indigenous Species via Ballast Water Discharge
- arxiv url: http://arxiv.org/abs/2401.13098v2
- Date: Mon, 29 Jan 2024 16:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:57:52.441372
- Title: Gravity-Informed Deep Learning Framework for Predicting Ship Traffic
Flow and Invasion Risk of Non-Indigenous Species via Ballast Water Discharge
- Title（参考訳）: 船舶交通流予測のための重力インフォームド深層学習フレームワークとバラスト水放電による非生物種侵入リスク
- Authors: Ruixin Song, Gabriel Spadon, Ronald Pelot, Stan Matwin, Amilcar Soares
- Abstract要約: 水域に侵入する種は、世界中の環境と生物多様性に大きな脅威をもたらす。
本研究は,海上輸送量を予測する物理モデルの構築を目的とする。
- 参考スコア（独自算出の注目度）: 5.481761286138515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Invasive species in water bodies pose a major threat to the environment and
biodiversity globally. Due to increased transportation and trade, non-native
species have been introduced to new environments, causing damage to ecosystems
and leading to economic losses in agriculture, forestry, and fisheries.
Therefore, there is a pressing need for risk assessment and management
techniques to mitigate the impact of these invasions. This study aims to
develop a new physics-inspired model to forecast maritime shipping traffic and
thus inform risk assessment of invasive species spread through global
transportation networks. Inspired by the gravity model for international
trades, our model considers various factors that influence the likelihood and
impact of vessel activities, such as shipping flux density, distance between
ports, trade flow, and centrality measures of transportation hubs.
Additionally, by analyzing the risk network of invasive species, we provide a
comprehensive framework for assessing the invasion threat level given a pair of
origin and destination. Accordingly, this paper introduces transformers to
gravity models to rebuild the short- and long-term dependencies that make the
risk analysis feasible. Thus, we introduce a physics-inspired framework that
achieves an 89% segmentation accuracy for existing and non-existing
trajectories and an 84.8% accuracy for the number of vessels flowing between
key port areas, representing more than 10% improvement over the traditional
deep-gravity model. Along these lines, this research contributes to a better
understanding of invasive species risk assessment. It allows policymakers,
conservationists, and stakeholders to prioritize management actions by
identifying high-risk invasion pathways. Besides, our model is versatile and
can include new data sources, making it suitable for assessing species invasion
risks in a changing global landscape.
- Abstract（参考訳）: 水域の侵入種は、世界中の環境と生物多様性に大きな脅威をもたらす。
輸送と貿易の増加により、非ネイティブ種は新しい環境に導入され、生態系に損傷を与え、農業、林業、漁業に経済的損失をもたらした。
そのため、これらの侵略の影響を軽減するため、リスクアセスメントとマネジメントのテクニックが急務である。
本研究の目的は, 海上交通予測モデルの構築であり, グローバル交通網を通した外来種のリスク評価を行うことである。
国際貿易の重力モデルに着想を得た本モデルは,輸送ハブの輸送フラックス密度,港間距離,貿易フロー,集中性指標など,船舶活動の可能性と影響に影響を与える様々な要因を考察する。
また,侵入種のリスクネットワークを解析することにより,原産地と目的地が一対ある場合の侵入脅威レベルを評価するための包括的枠組みを提供する。
そこで本稿では,リスク分析を可能にする短期的・長期的依存関係を再構築するために,重力モデルへのトランスフォーマーを導入する。
そこで本研究では,既存および非既存軌道のセグメンテーション精度89%,キーポート間を流れる船舶数84.8%の精度を実現し,従来の深層重力モデルよりも10%以上向上した物理モデルを提案する。
これらの線に沿って、本研究は外来種のリスク評価の理解を深める。
政策立案者、保護主義者、利害関係者はリスクの高い侵入経路を特定することで管理行動を優先することができる。
さらに,本モデルは多種多様であり,新たなデータソースを含むことが可能であり,地球環境の変化にともなう種侵入リスクの評価に適している。
関連論文リスト
- Rethinking Urban Flood Risk Assessment By Adapting Health Domain
Perspective [4.096028590445942]
健康リスクアセスメントのアイデアに触発されて,洪水リスクアセスメントの新しい視点を提示する。
提案手法は,(1)自然感受性,(2)緩和戦略,(3)外部応力計の3つの柱に着目した。
論文 参考訳（メタデータ） (2024-03-06T19:12:41Z) - Temporal Analysis of World Disaster Risk:A Machine Learning Approach to
Cluster Dynamics [0.0]
本稿では,リスクを軽減し,世界規模で安全な環境を創出するための取り組みの効果を評価する。
世界リスク指数を用いて、2011年から2021年までの世界の災害リスク動態の時間的分析を行う。
論文 参考訳（メタデータ） (2024-01-10T08:50:53Z) - Combining deep generative models with extreme value theory for synthetic
hazard simulation: a multivariate and spatially coherent approach [0.0]
GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。
我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。
一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
論文 参考訳（メタデータ） (2023-11-30T12:55:51Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳（メタデータ） (2023-11-02T02:00:27Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳（メタデータ） (2022-08-02T03:59:43Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳（メタデータ） (2021-12-16T16:53:56Z) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳（メタデータ） (2021-03-14T17:56:17Z) - Deep Gravity: enhancing mobility flows generation with deep neural
networks and geographic information [1.479639149658596]
既存のフロー生成ソリューションは主にメカニスティックなアプローチに基づいている。
フロー生成に有効な解として,多機能深層重力モデルを提案する。
本実験は, イングランドの通勤流を対象とした実験で, MFDGモデルが性能を著しく向上させることを示すものである。
論文 参考訳（メタデータ） (2020-12-01T13:49:46Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z)
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。