論文の概要: Applying Machine Learning Tools for Urban Resilience Against Floods
- arxiv url: http://arxiv.org/abs/2412.06205v1
- Date: Mon, 09 Dec 2024 04:56:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:53:51.746833
- Title: Applying Machine Learning Tools for Urban Resilience Against Floods
- Title（参考訳）: 都市における洪水対策のための機械学習ツールの適用
- Authors: Mahla Ardebili Pour, Mohammad B. Ghiasi, Ali Karkehabadi,
- Abstract要約: 洪水は最も一般的で破壊的な自然災害の1つであり、都市部で深刻な社会的・経済的影響をもたらす。
本稿では,テヘランの第6地区において,最も効果的な洪水抵抗モデルについて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Floods are among the most prevalent and destructive natural disasters, often leading to severe social and economic impacts in urban areas due to the high concentration of assets and population density. In Iran, particularly in Tehran, recurring flood events underscore the urgent need for robust urban resilience strategies. This paper explores flood resilience models to identify the most effective approach for District 6 in Tehran. Through an extensive literature review, various resilience models were analyzed, with the Climate Disaster Resilience Index (CDRI) emerging as the most suitable model for this district due to its comprehensive resilience dimensions: Physical, Social, Economic, Organizational, and Natural Health resilience. Although the CDRI model provides a structured approach to resilience measurement, it remains a static model focused on spatial characteristics and lacks temporal adaptability. An extensive literature review enhances the CDRI model by integrating data from 2013 to 2022 in three-year intervals and applying machine learning techniques to predict resilience dimensions for 2025. This integration enables a dynamic resilience model that can accommodate temporal changes, providing a more adaptable and data driven foundation for urban flood resilience planning. By employing artificial intelligence to reflect evolving urban conditions, this model offers valuable insights for policymakers and urban planners to enhance flood resilience in Tehrans critical District 6.
- Abstract（参考訳）: 洪水は最も一般的で破壊的な自然災害の1つであり、しばしば資産の集中と人口密度のために都市部で深刻な社会的・経済的影響をもたらす。
イラン、特にテヘランでは洪水が繰り返されており、強固な都市レジリエンス戦略の緊急の必要性が浮き彫りになっている。
本稿では,テヘランの第6地区において,最も効果的な洪水抵抗モデルについて検討する。
広範な文献レビューを通じて、様々なレジリエンスモデルが分析され、気候災害回復指数(CDRI)が、その総合的なレジリエンス次元(物理、社会、経済、組織、自然健康)により、この地域の最も適切なモデルとして浮上した。
CDRIモデルは、レジリエンス測定に対する構造的アプローチを提供するが、空間的特性に焦点を絞った静的モデルであり、時間的適応性に欠ける。
2013年から2022年にかけてのデータを3年間隔で統合し、2025年のレジリエンス次元を予測するために機械学習技術を適用することで、広範な文献レビューによりCDRIモデルが強化される。
この統合により、時間的変化に対応可能な動的レジリエンスモデルが可能になり、都市洪水回復計画のためのより適応的でデータ駆動の基盤を提供する。
都市環境の進化を反映するために人工知能を活用することで、このモデルは、テヘラン重要地区6の洪水の回復を促進するための政策立案者や都市計画者にとって貴重な洞察を提供する。
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) - Data-driven Modeling of Combined Sewer Systems for Urban Sustainability: An Empirical Evaluation [1.0499611180329806]
気候変動は複雑な問題を引き起こし、極端な気象現象が頻繁になり、モデル化が困難になる。
降雨時の過バーデンド複合下水道は未処理排水を水面に流し込む。
ディープラーニング(DL)モデルは、下水道システムの複雑な力学をモデル化するためのコスト効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-21T13:46:58Z) - SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。
本稿では,交通事故予測のための動的学習フレームワークを提案する。
これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。
また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
論文 参考訳（メタデータ） (2024-07-24T21:10:34Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Towards Invariant Time Series Forecasting in Smart Cities [21.697069894721448]
本研究では,異なる都市環境下でのより堅牢な予測のために,不変表現を導出する手法を提案する。
本手法は, 気候モデル, 都市計画, スマートシティ資源管理など, 多様な分野に拡張することができる。
論文 参考訳（メタデータ） (2024-05-08T21:23:01Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - 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) - Deep Learning for Spatiotemporal Modeling of Urbanization [21.677957140614556]
都市化は世界中の人口の健康と幸福に強い影響を与えている。
多くの空間モデルが機械学習と数値モデリング技術を用いて開発されている。
本稿では,都市化予測モデルにおける深層空間学習の能力について考察する。
論文 参考訳（メタデータ） (2021-12-17T18:27:52Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - 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)
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。