論文の概要: SF$^2$Bench: Evaluating Data-Driven Models for Compound Flood Forecasting in South Florida

• arxiv url: http://arxiv.org/abs/2506.04281v1
• Date: Wed, 04 Jun 2025 04:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.322915
• Title: SF$^2$Bench: Evaluating Data-Driven Models for Compound Flood Forecasting in South Florida
• Title（参考訳）: SF$2$Bench:南フロリダにおける複合洪水予報のためのデータ駆動モデルの評価
• Authors: Xu Zheng, Chaohao Lin, Sipeng Chen, Zhuomin Chen, Jimeng Shi, Wei Cheng, Jayantha Obeysekera, Jason Liu, Dongsheng Luo,
• Abstract要約: 世界の気候が洪水のリスクを増大させるにつれて、複合洪水の分析がますます重要になっている。 水理工学センターのリバー分析システムのような伝統的な物理学に基づく手法は、しばしば時間的非効率である。 機械学習は最近、モデリング精度と計算効率の両方において有望であることを示した。
• 参考スコア（独自算出の注目度）: 11.26332965817989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting compound floods presents a significant challenge due to the intricate interplay of meteorological, hydrological, and oceanographic factors. Analyzing compound floods has become more critical as the global climate increases flood risks. Traditional physics-based methods, such as the Hydrologic Engineering Center's River Analysis System, are often time-inefficient. Machine learning has recently demonstrated promise in both modeling accuracy and computational efficiency. However, the scarcity of comprehensive datasets currently hinders systematic analysis. Existing water-related datasets are often limited by a sparse network of monitoring stations and incomplete coverage of relevant factors. To address this challenge, we introduce SF2Bench, a comprehensive time series collection on compound floods in South Florida, which integrates four key factors: tide, rainfall, groundwater, and human management activities (gate and pump controlling). This integration allows for a more detailed analysis of the individual contributions of these drivers to compound flooding and informs the development of improved flood forecasting approaches. To comprehensively evaluate the potential of various modeling paradigms, we assess the performance of six categories of methods, encompassing Multilayer Perceptrons, Convolutional Neural Networks, Recurrent Neural Networks, Graph Neural Networks, Transformers, and Large Language Models. We verified the impact of different key features on flood forecasting through experiments. Our analysis examines temporal and spatial aspects, providing insights into the influence of historical data and spatial dependencies. The varying performance across these approaches underscores the diverse capabilities of each in capturing complex temporal and spatial dependencies inherent in compound floods.
• Abstract（参考訳）: 予報複合洪水は、気象学的、水文学的、海洋学的要因の複雑に相互作用するため、重大な課題となる。 世界の気候が洪水のリスクを増大させるにつれて、複合洪水の分析がますます重要になっている。 水理工学センターのリバー分析システムのような伝統的な物理学に基づく手法は、しばしば時間的非効率である。 機械学習は最近、モデリング精度と計算効率の両方において有望であることを示した。 しかし、包括的なデータセットの不足は、体系的な分析を妨げる。 既存の水関連データセットは、しばしば監視ステーションの疎ネットワークと関連する要因の不完全なカバレッジによって制限される。 この課題に対処するために、南フロリダの複合洪水に関する総合的な時系列収集であるSF2Benchを導入し、潮、降雨、地下水、人的管理活動(ゲートとポンプの制御)の4つの重要な要素を統合した。 この統合により、これらのドライバーの複合洪水への個々の貢献をより詳細に分析することができ、改善された洪水予測手法の開発を通知することができる。 本稿では,多層知覚,畳み込みニューラルネットワーク,リカレントニューラルネットワーク,グラフニューラルネットワーク,トランスフォーマー,大規模言語モデルを含む6種類の手法の性能評価を行う。 実験による洪水予報に異なる重要な特徴が与える影響を検証した。 本研究では,時間的・空間的側面を考察し,歴史的データや空間的依存の影響について考察する。 これらの手法の様々な性能は、複合洪水に固有の複雑な時間的および空間的依存関係をキャプチャするそれぞれの多様さを浮き彫りにする。

関連論文リスト

• AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
  洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。 本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
  論文  参考訳（メタデータ） (2025-01-14T17:26:02Z)
• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• 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)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• 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)
• A Graph-Based Modeling Framework for Tracing Hydrological Pollutant Transport in Surface Waters [0.0]
  本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。 グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。 我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
  論文  参考訳（メタデータ） (2023-02-10T00:30:38Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。