論文の概要: High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data

• arxiv url: http://arxiv.org/abs/2409.13936v2
• Date: Tue, 18 Mar 2025 01:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:11:50.831468
• Title: High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data
• Title（参考訳）: 大規模合成沈殿・浸水データを用いた生成機械学習による高分解能フラッド確率マッピング
• Authors: Lipai Huang, Federico Antolini, Ali Mostafavi, Russell Blessing, Matthew Garcia, Samuel D. Brody,
• Abstract要約: 高解像度の洪水確率マップは、洪水のリスクを評価するのに役立っているが、しばしば過去のデータによって制限される。 本研究では、生成機械学習を利用して大規模な合成浸水データを生成する新しい手法である沈殿水深生成パイプラインを紹介する。 1万の合成イベントを生成した後、様々な浸水深度に対して洪水確率マップが作成される。
• 参考スコア（独自算出の注目度）: 0.9719868595277402
• License:
• Abstract: High-resolution flood probability maps are instrumental for assessing flood risk but are often limited by the availability of historical data. Additionally, producing simulated data needed for creating probabilistic flood maps using physics-based models involves significant computation and time effort, which inhibit its feasibility. To address this gap, this study introduces Precipitation-Flood Depth Generative Pipeline, a novel methodology that leverages generative machine learning to generate large-scale synthetic inundation data to produce probabilistic flood maps. With a focus on Harris County, Texas, Precipitation-Flood Depth Generative Pipeline begins with training a cell-wise depth estimator using a number of precipitation-flood events model with a physics-based model. This cell-wise depth estimator, which emphasizes precipitation-based features, outperforms universal models. Subsequently, the Conditional Generative Adversarial Network (CTGAN) is used to conditionally generate synthetic precipitation point cloud, which are filtered using strategic thresholds to align with realistic precipitation patterns. Hence, a precipitation feature pool is constructed for each cell, enabling strategic sampling and the generation of synthetic precipitation events. After generating 10,000 synthetic events, flood probability maps are created for various inundation depths. Validation using similarity and correlation metrics confirms the accuracy of the synthetic depth distributions. The Precipitation-Flood Depth Generative Pipeline provides a scalable solution to generate synthetic flood depth data needed for high-resolution flood probability maps, which can enhance flood mitigation planning.
• Abstract（参考訳）: 高解像度の洪水確率マップは、洪水のリスクを評価するのに役立っているが、しばしば過去のデータによって制限される。 さらに、物理モデルを用いた確率的洪水図を作成するのに必要なシミュレーションデータを生成するには、その実現性を妨げる計算と時間的労力が伴う。 このギャップに対処するために、この研究では、生成機械学習を活用して大規模な合成浸水データを生成し、確率的洪水マップを生成する新しい手法である、沈殿-洪水深度生成パイプラインを紹介した。 テキサス州ハリス郡に焦点をあてて、沈殿-洪水深度生成パイプラインは、物理モデルを用いた多くの降水-フッドイベントモデルを用いて、細胞レベルでの深度推定器の訓練から始まる。 このセルワイド深度推定器は降水量に基づく特徴を強調し、普遍的なモデルより優れている。 その後、CTGAN(Conditional Generative Adversarial Network)を用いて合成降水点雲を条件付きで生成する。 これにより、各セルに対して降水機能プールを構築し、戦略的サンプリングと合成降水イベントの発生を可能にする。 1万の合成イベントを生成した後、様々な浸水深度に対して洪水確率マップが作成される。 類似度と相関値を用いた検証により,合成深度分布の精度が確認された。 降水-洪水深度生成パイプラインは、高解像度の洪水確率マップ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。

関連論文リスト

• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
  リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。 本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。 この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
  論文  参考訳（メタデータ） (2022-07-04T12:52:38Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)
• Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks [0.0]
  本稿では,最大水深の予測を画像から画像への変換問題と考えることを提案する。 結果は、シミュレーションを行うのではなく、データから学習した情報を用いて入力標高から生成される。 提案したニューラルネットワークは、都市レイアウト計画のための洪水予測など、異なるが関連する問題に適用できる可能性がある。
  論文  参考訳（メタデータ） (2020-04-17T16:44:46Z)

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。