論文の概要: A Comprehensive Survey on Deep Learning Solutions for 3D Flood Mapping

• arxiv url: http://arxiv.org/abs/2506.13201v1
• Date: Mon, 16 Jun 2025 08:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.783204
• Title: A Comprehensive Survey on Deep Learning Solutions for 3D Flood Mapping
• Title（参考訳）: 3次元フラッドマッピングのためのディープラーニングソリューションに関する総合的調査
• Authors: Wenfeng Jia, Bin Liang, Yuxi Liu, Muhammad Arif Khan, Lihong Zheng,
• Abstract要約: 洪水は気候変動と都市化によって悪化し、効果的な災害管理のための先進的な解決策を必要としている。 従来の2Dフラッドマッピング技術は限られた洞察を提供するが、ディープラーニング(DL)を利用した3Dフラッドマッピングは、洪水範囲と深さを統合することで機能強化を提供する。 本稿では,深層学習に基づく3次元フラッドマッピングの総合的な調査を行い,その進歩を2次元地図上で強調する。
• 参考スコア（独自算出の注目度）: 6.088214521097484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flooding remains a major global challenge, worsened by climate change and urbanization, demanding advanced solutions for effective disaster management. While traditional 2D flood mapping techniques provide limited insights, 3D flood mapping, powered by deep learning (DL), offers enhanced capabilities by integrating flood extent and depth. This paper presents a comprehensive survey of deep learning-based 3D flood mapping, emphasizing its advancements over 2D maps by integrating flood extent and depth for effective disaster management and urban planning. The survey categorizes deep learning techniques into task decomposition and end-to-end approaches, applicable to both static and dynamic flood features. We compare key DL architectures, highlighting their respective roles in enhancing prediction accuracy and computational efficiency. Additionally, this work explores diverse data sources such as digital elevation models, satellite imagery, rainfall, and simulated data, outlining their roles in 3D flood mapping. The applications reviewed range from real-time flood prediction to long-term urban planning and risk assessment. However, significant challenges persist, including data scarcity, model interpretability, and integration with traditional hydrodynamic models. This survey concludes by suggesting future directions to address these limitations, focusing on enhanced datasets, improved models, and policy implications for flood management. This survey aims to guide researchers and practitioners in leveraging DL techniques for more robust and reliable 3D flood mapping, fostering improved flood management strategies.
• Abstract（参考訳）: 洪水は気候変動と都市化によって悪化し、効果的な災害管理のための先進的な解決策を必要としている。 従来の2Dフラッドマッピング技術は限られた洞察を提供するが、ディープラーニング(DL)を利用した3Dフラッドマッピングは、洪水範囲と深さを統合することで機能強化を提供する。 本稿では, 深層学習に基づく3次元フラッドマッピングの総合的な調査を行い, 洪水深度と深度を統合した2次元マップの高度化に着目し, 効果的な災害管理と都市計画を行う。 この調査では、ディープラーニングのテクニックをタスク分解とエンドツーエンドのアプローチに分類し、静的および動的洪水機能の両方に適用した。 主要なDLアーキテクチャを比較し,予測精度と計算効率の向上におけるそれぞれの役割を強調した。 さらに、この研究は、デジタル標高モデル、衛星画像、降雨、シミュレーションデータなどの多様なデータソースを調査し、3Dフラッドマッピングにおけるそれらの役割を概説する。 適用範囲は,リアルタイム洪水予測から長期都市計画,リスク評価まで様々である。 しかし、データの不足、モデルの解釈可能性、従来の流体力学モデルとの統合など、大きな課題が続いている。 この調査は、これらの制限に対処するための今後の方向性を提案し、強化されたデータセット、改善されたモデル、洪水管理に対するポリシーの影響に焦点を当てた。 本調査は, より堅牢で信頼性の高い3DフラッドマッピングにDL技術を活用するための研究者や実践者の指導と, 改良されたフラッドマネジメント戦略の育成を目的としている。

関連論文リスト

• Always Clear Depth: Robust Monocular Depth Estimation under Adverse Weather [48.65180004211851]
  高品質なトレーニングデータ生成とドメイン適応の観点から,textbfACDepth と呼ばれる頑健な単眼深度推定手法を提案する。 具体的には、悪天候条件をシミュレートするサンプルを生成するための1段階拡散モデルを導入し、トレーニング中に多段階劣化データセットを構築した。 本稿では,教師モデルと事前学習深度V2からの知識を学生ネットワークに吸収させる多粒度知識蒸留戦略(MKD)について詳述する。
  論文  参考訳（メタデータ） (2025-05-18T02:30:47Z)
• 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)
• Urban Flood Mapping Using Satellite Synthetic Aperture Radar Data: A Review of Characteristics, Approaches and Datasets [17.621744717937993]
  本研究は,SARを用いた都市洪水マッピングの課題と進展に焦点を当てたものである。 SARデータにおける空間分解能と時間分解能の限界に特に対処し、本質的な前処理ステップについて議論する。 これは、都市洪水マッピングのためのオープンアクセスSARデータセットの欠如を強調し、高度なディープラーニングベースの手法の開発を妨げる。
  論文  参考訳（メタデータ） (2024-11-06T09:30:13Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• 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)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• 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)

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。