論文の概要: Projecting U.S. coastal storm surge risks and impacts with deep learning

• arxiv url: http://arxiv.org/abs/2506.13963v1
• Date: Mon, 16 Jun 2025 20:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.229546
• Title: Projecting U.S. coastal storm surge risks and impacts with deep learning
• Title（参考訳）: 米国沿岸での暴風雨のリスクと深層学習による影響予測
• Authors: Julian R. Rice, Karthik Balaguru, Fadia Ticona Rollano, John Wilson, Brent Daniel, David Judi, Ning Sun, L. Ruby Leung,
• Abstract要約: 熱帯低気圧(TC)による最も致命的な危険の1つ 近年の人工知能の自然災害モデリングへの応用は、この問題に対処するための新たな道のりを示唆している。 深層学習嵐サージモデルを用いて,米国における沿岸域のサージリスクを90万件の総合TCイベントから効率的に推定する。
• 参考スコア（独自算出の注目度）: 1.260431901453041
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Storm surge is one of the deadliest hazards posed by tropical cyclones (TCs), yet assessing its current and future risk is difficult due to the phenomenon's rarity and physical complexity. Recent advances in artificial intelligence applications to natural hazard modeling suggest a new avenue for addressing this problem. We utilize a deep learning storm surge model to efficiently estimate coastal surge risk in the United States from 900,000 synthetic TC events, accounting for projected changes in TC behavior and sea levels. The derived historical 100-year surge (the event with a 1% yearly exceedance probability) agrees well with historical observations and other modeling techniques. When coupled with an inundation model, we find that heightened TC intensities and sea levels by the end of the century result in a 50% increase in population at risk. Key findings include markedly heightened risk in Florida, and critical thresholds identified in Georgia and South Carolina.
• Abstract（参考訳）: ストーム・サージは熱帯性サイクロン(TC)によって引き起こされる最も致命的な危険の1つだが、この現象の希少さと物理的複雑さのために、その現在のリスクと将来のリスクを評価することは困難である。 近年の人工知能の自然災害モデリングへの応用は、この問題に対処するための新たな道のりを示唆している。 我々は、深層学習嵐サージモデルを用いて、90,000の合成TCイベントから、米国の沿岸でのサージリスクを効率的に推定し、TCの挙動と海水準の予測的変化を考慮に入れた。 引き起こされた100年間の上昇(年率1%を超える事象)は、歴史的観測やその他のモデリング手法とよく一致している。 浸水モデルと組み合わせると、世紀の終わりまでにTC強度と海水準が上昇し、人口の50%が危険にさらされることが分かる。 主な発見はフロリダ州のリスクが著しく高められ、ジョージア州とサウスカロライナ州では致命的な閾値が特定された。

関連論文リスト

• LASSE: Learning Active Sampling for Storm Tide Extremes in Non-Stationary Climate Regimes [1.8434042562191815]
  我々は、サロゲートモデルが精度、リコール、精度の観点から有望であることを示す。 本稿では,高潮発生サイクロンを迅速に探索するオンライン学習手法を提案する。 ダウンスケールTCの広範囲なカタログでは、希少な破壊嵐を回収する精度が100%であることが示されている。
  論文  参考訳（メタデータ） (2024-12-30T21:51:09Z)
• Potential Paradigm Shift in Hazard Risk Management: AI-Based Weather Forecast for Tropical Cyclone Hazards [14.98500685250914]
  この研究は、焦点となる例として熱帯性サイクロンを用いる。 そこで我々は,先進的なPangu AI気象モデルを用いて,アンサンブル予測を生成する摂動に基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-04-29T05:32:48Z)
• 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)
• HurriCast: Synthetic Tropical Cyclone Track Generation for Hurricane Forecasting [5.314981748001983]
  リスクアセスメントのための合成熱帯サイクロン(TC)トラックの生成は、特に北米における気候変動と災害救済の影響に対する準備の重要応用である。 政府や政策立案者にとって、TCの潜在的な影響を理解することは、効果的な緊急対応戦略の開発、コードの構築の更新、レジリエンスと緩和プロジェクトへの投資の優先順位付けに役立つ。 ARIMA と K-MEANS の手法と Autoencoder を併用したハイブリッド手法は,より歴史あるTC の挙動を把握し,将来の軌道や強度を計画するために用いられている。
  論文  参考訳（メタデータ） (2023-09-12T19:48:52Z)
• 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)
• 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 Framework for Flexible Peak Storm Surge Prediction [2.362412515574206]
  暴風雨は沿岸地域では大きな自然災害であり、大きな被害と生命の喪失の原因となっている。 我々は,多段階アプローチに基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。 我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
  論文  参考訳（メタデータ） (2022-04-27T20:02:25Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)
• 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。