論文の概要: Denoising Diffusion Probabilistic Models for Coastal Inundation Forecasting

• arxiv url: http://arxiv.org/abs/2505.05381v1
• Date: Thu, 08 May 2025 16:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.954191
• Title: Denoising Diffusion Probabilistic Models for Coastal Inundation Forecasting
• Title（参考訳）: 沿岸浸水予測のための拡散確率モデル
• Authors: Kazi Ashik Islam, Zakaria Mehrab, Mahantesh Halappanavar, Henning Mortveit, Sridhar Katragadda, Jon Derek Loftis, Madhav Marathe,
• Abstract要約: DIFFFLOODは,拡散モデルに基づく確率予測手法である。 空間的コンテキストと時間的コンテキストの両方を考慮して、場所における浸水レベルを予測する。 バージニア州東部海岸の海岸浸水データに基づいてDIFFFLOODを訓練・試験した。
• 参考スコア（独自算出の注目度）: 2.6678519883651677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coastal flooding poses significant risks to communities, necessitating fast and accurate forecasting methods to mitigate potential damage. To approach this problem, we present DIFF-FLOOD, a probabilistic spatiotemporal forecasting method designed based on denoising diffusion models. DIFF-FLOOD predicts inundation level at a location by taking both spatial and temporal context into account. It utilizes inundation levels at neighboring locations and digital elevation data as spatial context. Inundation history from a context time window, together with additional co-variates are used as temporal context. Convolutional neural networks and cross-attention mechanism are then employed to capture the spatiotemporal dynamics in the data. We trained and tested DIFF-FLOOD on coastal inundation data from the Eastern Shore of Virginia, a region highly impacted by coastal flooding. Our results show that, DIFF-FLOOD outperforms existing forecasting methods in terms of prediction performance (6% to 64% improvement in terms of two performance metrics) and scalability.
• Abstract（参考訳）: 沿岸の洪水は地域社会に重大なリスクをもたらし、潜在的損害を軽減するために迅速かつ正確な予測方法を必要とする。 そこで本研究では,拡散モデルに基づく確率的時空間予測手法であるDIFF-FLOODを提案する。 DIFF-FLOODは、空間的・時間的文脈を考慮に入れ、場所における浸水レベルを予測する。 隣接する場所の浸水レベルとデジタル標高データを空間的文脈として利用する。 コンテキスト時間ウィンドウからの浸出履歴と追加の共変分を時間的コンテキストとして使用する。 畳み込みニューラルネットワークとクロスアテンション機構を使用して、データの時空間ダイナミクスをキャプチャする。 海岸の洪水の影響を強く受けているバージニア州東部海岸の海岸浸水データに基づいて,DIFF-FLOODを訓練・試験した。 その結果,DIFF-FLOODは予測性能(2つの性能指標で6%から64%改善)とスケーラビリティにおいて,既存の予測手法よりも優れていた。

関連論文リスト

• STOAT: Spatial-Temporal Probabilistic Causal Inference Network [4.973408202277769]
  STOAT(Spatial-Temporal Probabilistic Causal Inference Network)を提案する。 提案手法は,地域間依存関係を符号化した空間関係行列を組み込むことで因果推論手法を拡張する。 6カ国にわたるCOVID-19データの実験では、STOATが最先端の確率予測モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-06-11T09:25:09Z)
• Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
  SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。 極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。 実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T05:56:09Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

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。