論文の概要: Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen

• arxiv url: http://arxiv.org/abs/2409.18574v1
• Date: Fri, 27 Sep 2024 09:18:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 21:55:30.149248
• Title: Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen
• Title（参考訳）: 強化学習による気候適応:コペンハーゲンにおける洪水・交通実験
• Authors: Miguel Costa, Morten W. Petersen, Arthur Vandervoort, Martin Drews, Karyn Morrissey, Francisco C. Pereira,
• Abstract要約: 極度の降雨は都市部の洪水に寄与する。 洪水は交通インフラに損傷を与え、移動を妨害する。 強化学習は最適な適応戦略を明らかにする強力なツールである。
• 参考スコア（独自算出の注目度）: 3.4447242282168777
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Due to climate change the frequency and intensity of extreme rainfall events, which contribute to urban flooding, are expected to increase in many places. These floods can damage transport infrastructure and disrupt mobility, highlighting the need for cities to adapt to escalating risks. Reinforcement learning (RL) serves as a powerful tool for uncovering optimal adaptation strategies, determining how and where to deploy adaptation measures effectively, even under significant uncertainty. In this study, we leverage RL to identify the most effective timing and locations for implementing measures, aiming to reduce both direct and indirect impacts of flooding. Our framework integrates climate change projections of future rainfall events and floods, models city-wide motorized trips, and quantifies direct and indirect impacts on infrastructure and mobility. Preliminary results suggest that our RL-based approach can significantly enhance decision-making by prioritizing interventions in specific urban areas and identifying the optimal periods for their implementation.
• Abstract（参考訳）: 気候変動により、都市洪水に寄与する極端な降雨の頻度と強度が、多くの場所で増加すると予想されている。 これらの洪水は交通インフラを損傷させ、モビリティを阻害し、都市がリスクの増大に適応する必要性を浮き彫りにする。 強化学習(Reinforcement Learning, RL)は、適切な適応戦略を明らかにする強力なツールとして機能し、適切な適応戦略を効果的に展開する方法と場所を決定する。 本研究では,水害の直接的および間接的影響の低減を目的として,RLを活用して対策実施の最も効果的なタイミングと場所を特定する。 当社の枠組みは,将来の降雨や洪水の気候変動予測を統合し,都市全体の自動車化旅行をモデル化し,インフラと移動性に対する直接的および間接的な影響を定量化する。 予備的な結果は,我々のRLに基づくアプローチは,特定の都市部における介入を優先し,その実施に最適な時期を特定することにより,意思決定を著しく向上させることができることを示唆している。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation [0.0]
  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。
  論文  参考訳（メタデータ） (2023-10-29T21:56:22Z)
• Climate-sensitive Urban Planning through Optimization of Tree Placements [55.11389516857789]
  気候変動は、熱波を含む多くの極端な気象事象の強度と頻度を増している。 最も有望な戦略の1つは、街路樹の恩恵を利用して歩行者レベルの環境を冷やすことである。 物理シミュレーションでは、樹木の放射的および熱的影響が人間の熱的快適性に与える影響を推定できるが、高い計算コストが生じる。 我々は,屋外の熱的快適さの駆動因子である点平均放射温度を,様々な時間スケールでシミュレーションするためにニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2023-10-09T13:07:23Z)
• Large Scale Masked Autoencoding for Reducing Label Requirements on SAR Data [5.235143203977019]
  本研究では,地球表面面積の8.7%をカバーするSAR振幅データに対して,自己教師付き事前学習方式,マスク付き自動符号化を適用した。 この事前学習方式を用いることで、下流タスクのラベル付け要求を1桁以上削減できることを示す。 本研究は,タスクモデルと地域固有のSARモデルの開発を促進することにより,気候変動の緩和を著しく促進する。
  論文  参考訳（メタデータ） (2023-10-02T00:11:47Z)
• Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas [7.324969824727792]
  本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。 我々は高密度水流強度予測の課題に最初に取り組みました。
  論文  参考訳（メタデータ） (2023-04-04T09:28:36Z)
• Improving extreme weather events detection with light-weight neural networks [0.0]
  気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。 我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
  論文  参考訳（メタデータ） (2023-03-31T23:38:54Z)
• 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)
• ClimateGAN: Raising Climate Change Awareness by Generating Images of Floods [89.61670857155173]
  実画像上でのリアルな洪水をシミュレートする手法を提案する。 本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
  論文  参考訳（メタデータ） (2021-10-06T15:54:57Z)
• 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)
• Adaptive Reinforcement Learning Model for Simulation of Urban Mobility during Crises [2.5876546798940616]
  本研究では,通常の状況下で人間の移動パターンを学習できる適応型強化学習モデルを提案し,検証する。 提案したモデルの適用例は,ヒューストンの状況と,2017年8月にハリケーン・ハーベイによって引き起こされた洪水シナリオに示されている。
  論文  参考訳（メタデータ） (2020-09-02T21:47:18Z)
• 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。