論文の概要: Global Mapping of Exposure and Physical Vulnerability Dynamics in Least Developed Countries using Remote Sensing and Machine Learning

• arxiv url: http://arxiv.org/abs/2404.01748v1
• Date: Tue, 2 Apr 2024 09:04:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 17:18:56.584190
• Title: Global Mapping of Exposure and Physical Vulnerability Dynamics in Least Developed Countries using Remote Sensing and Machine Learning
• Title（参考訳）: リモートセンシングと機械学習を用いた極小開発途上国における露光のグローバルマッピングと物理的脆弱性ダイナミクス
• Authors: Joshua Dimasaka, Christian Geiß, Emily So,
• Abstract要約: 本研究の目的は,気候・災害リスクの低減に向けた長期的集団的取り組みを報知する上で,大規模リスク定量化の分野を推し進めることである。 本稿では,現在公開されているSentinel-1 SAR GRDとSentinel-2 Harmonized MSIから,機械学習と時系列リモートセンシングを用いて,この重要な情報をマッピングする作業を行っている。 我々は,ほとんど開発されていない(LDC)47か国からなる「OpenSendaiBench」の開発を紹介し,ResNet-50ディープラーニングモデルを訓練し,バングラデシュのダッカ地方を実演した。
• 参考スコア（独自算出の注目度）: 0.7237068561453082
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As the world marked the midterm of the Sendai Framework for Disaster Risk Reduction 2015-2030, many countries are still struggling to monitor their climate and disaster risk because of the expensive large-scale survey of the distribution of exposure and physical vulnerability and, hence, are not on track in reducing risks amidst the intensifying effects of climate change. We present an ongoing effort in mapping this vital information using machine learning and time-series remote sensing from publicly available Sentinel-1 SAR GRD and Sentinel-2 Harmonized MSI. We introduce the development of "OpenSendaiBench" consisting of 47 countries wherein most are least developed (LDCs), trained ResNet-50 deep learning models, and demonstrated the region of Dhaka, Bangladesh by mapping the distribution of its informal constructions. As a pioneering effort in auditing global disaster risk over time, this paper aims to advance the area of large-scale risk quantification in informing our collective long-term efforts in reducing climate and disaster risk.
• Abstract（参考訳）: 世界が2015-2030年の仙台災害リスク対策枠組みの中期を目論む中、多くの国は、露出の分布や身体的脆弱性の大規模調査に苦慮しているため、気候変動の影響が強まる中、リスクの低減に苦慮している。 本稿では,現在公開されているSentinel-1 SAR GRDとSentinel-2 Harmonized MSIから,機械学習と時系列リモートセンシングを用いて,この重要な情報をマッピングする作業を行っている。 我々は,ほとんど開発されていない(LDC)47カ国からなる「OpenSendaiBench」の開発と,ResNet-50深層学習モデルの訓練を行い,バングラデシュのダッカの地域について,その非公式な構成の分布をマッピングして実演した。 本研究では,地球規模の防災リスクを経時的に評価する先駆的な取り組みとして,気候や災害リスクの低減に向け,大規模リスク定量化の分野を推し進めることを目的とする。

関連論文リスト

• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Potential Paradigm Shift in Hazard Risk Management: AI-Based Weather Forecast for Tropical Cyclone Hazards [14.98500685250914]
  この研究は、焦点となる例として熱帯性サイクロンを用いる。 そこで我々は,先進的なPangu AI気象モデルを用いて,アンサンブル予測を生成する摂動に基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-04-29T05:32:48Z)
• 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)
• Kuro Siwo: 33 billion $m^2$ under the water. A global multi-temporal satellite dataset for rapid flood mapping [3.0231703355316104]
  最近のパキスタンとニュージーランドの破滅的な出来事は、正確な洪水マッピングの必要性を浮き彫りにしている。 我々は、世界中の43の洪水イベントにまたがる、手動で注釈付きマルチ時間データセットであるKuro Siwoを紹介した。 私たちのデータセットは338億ドル(約3兆3300億円)以上の土地をマッピングしています。
  論文  参考訳（メタデータ） (2023-11-18T13:55:05Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• AI Increases Global Access to Reliable Flood Forecasts [6.498815455353096]
  洪水は最も一般的な自然災害の1つであり、密度の高い流路ゲージネットワークが欠如している発展途上国では不均等な影響がある。 AIを用いて、未舗装の流域で5日間のリードタイムで極端な河川イベントを予測する信頼性を実現する。 この研究は、信頼できる洪水警報へのグローバルアクセスを改善し続けるために、水文データの可用性を高める必要性を強調している。
  論文  参考訳（メタデータ） (2023-07-30T01:49:21Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• 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)
• PreDisM: Pre-Disaster Modelling With CNN Ensembles for At-Risk Communities [0.32228025627337864]
  本稿では,ResNetのアンサンブルと決定木上の完全連結層を用いて人造構造物の弱点を正確に推定するPreDisMを提案する。 本モデルは,災害のタイプをまたいだ調整に応答し,プリエンプティブ・ハザード・ダメージ・モデリングの空間を浮き彫りにする。
  論文  参考訳（メタデータ） (2021-12-26T23:48:23Z)
• 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)
• 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。