論文の概要: Mapping Global Floods with 10 Years of Satellite Radar Data
- arxiv url: http://arxiv.org/abs/2411.01411v1
- Date: Sun, 03 Nov 2024 02:44:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:40:00.735492
- Title: Mapping Global Floods with 10 Years of Satellite Radar Data
- Title（参考訳）: 10年間の衛星レーダーデータによる世界の洪水のマッピング
- Authors: Amit Misra, Kevin White, Simone Fobi Nsutezo, William Straka, Juan Lavista,
- Abstract要約: 本研究では,Sentinel-1 Synthetic Aperture Radar (SAR)衛星画像の雲透過性を利用した新しい深層学習洪水検出モデルを提案する。
我々は、クラウドカバレッジの影響を受けない予測を備えた、ユニークな、縦断的なグローバルな洪水範囲データセットを作成します。
我々は,エチオピアの歴史的洪水発生地域を特定し,2024年5月のケニアの洪水時のリアルタイム災害対応能力を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Floods cause extensive global damage annually, making effective monitoring essential. While satellite observations have proven invaluable for flood detection and tracking, comprehensive global flood datasets spanning extended time periods remain scarce. In this study, we introduce a novel deep learning flood detection model that leverages the cloud-penetrating capabilities of Sentinel-1 Synthetic Aperture Radar (SAR) satellite imagery, enabling consistent flood extent mapping in any weather condition. By applying this model to nearly 10 years of SAR data, we create a unique, longitudinal global flood extent dataset with predictions unaffected by cloud coverage, offering comprehensive and consistent insights into historically flood-prone areas over the past decade. We use our model predictions to identify historically flood-prone areas in Ethiopia and demonstrate real-time disaster response capabilities during the May 2024 floods in Kenya. Additionally, our longitudinal analysis reveals potential increasing trends in global flood extent over time, although further validation is required to explore links to climate change. To maximize impact, we provide public access to both our model predictions and a code repository, empowering researchers and practitioners worldwide to advance flood monitoring and enhance disaster response strategies.
- Abstract（参考訳）: 洪水は毎年大規模な世界的な被害をもたらし、効果的な監視が不可欠である。
衛星観測は洪水の検出と追跡に有用であることが証明されているが、長期にわたる包括的なグローバルな洪水データセットは依然として乏しい。
本研究では,Sentinel-1 Synthetic Aperture Radar (SAR)衛星画像の雲透過性を利用した新しい深層学習洪水検出モデルを提案する。
このモデルを10年近いSARデータに適用することにより、クラウドカバレッジの影響を受けない予測を備えた、ユニークな、縦断的なグローバルな洪水範囲データセットを作成し、過去10年間の歴史的洪水発生地域に関する包括的な一貫した洞察を提供する。
我々は,エチオピアの歴史的洪水発生地域を特定し,2024年5月のケニアの洪水時のリアルタイム災害対応能力を示す。
さらに,我々の縦断的な分析により,温暖化に伴う温暖化の進行傾向が明らかにされているが,気候変動との関連を探求するためには,さらなる検証が必要である。
影響を最大化するために、私たちはモデル予測とコードリポジトリの両方にパブリックアクセスを提供し、世界中の研究者や実践者が洪水モニタリングを推進し、災害対応戦略を強化することができるようにします。
関連論文リスト
- Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳（メタデータ） (2024-09-27T09:51:25Z) - UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。
8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。
我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
論文 参考訳（メタデータ） (2024-06-06T14:28:43Z) - Implicit Assimilation of Sparse In Situ Data for Dense & Global Storm Surge Forecasting [3.052088487918602]
ニューラルネットワークは, 沈み込みゲージデータと粗大な海洋状態の再解析とを暗黙的に同化して, 暴風の予報を行うことができることを示す。
これまでの作業は既知のゲージに限られていたが、我々のアプローチは未掘削の場所にまで拡張され、世界的な暴風雨予報への道が開かれた。
論文 参考訳（メタデータ） (2024-04-05T21:28:56Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-01-28T13:23:25Z) - 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) - 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) - 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) - Inferring the past: a combined CNN-LSTM deep learning framework to fuse
satellites for historical inundation mapping [3.753635296366263]
バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。
このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
論文 参考訳（メタデータ） (2023-05-01T03:11:42Z) - 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) - 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) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。