論文の概要: Storm Surge in Color: RGB-Encoded Physics-Aware Deep Learning for Storm Surge Forecasting

• arxiv url: http://arxiv.org/abs/2506.21743v1
• Date: Thu, 26 Jun 2025 19:56:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.002658
• Title: Storm Surge in Color: RGB-Encoded Physics-Aware Deep Learning for Storm Surge Forecasting
• Title（参考訳）: ストームサージのカラー化:RGBエンコードされた物理を意識した深層学習によるストームサージ予測
• Authors: Jinpai Zhao, Albert Cerrone, Eirik Valseth, Leendert Westerink, Clint Dawson,
• Abstract要約: 災害予報は沿岸災害に備える上で重要な役割を担っているが、既存の機械学習アプローチでは空間適応性に制限があることが多い。 本研究では,非構造水位場を構造化赤緑(RGB)符号化表現に投影する新しい手法を提案する。 提案手法は,テキサス州沿岸の複数の地域において48時間連続予測性能を示し,他の沿岸地域に対して強い空間適応性を示す。
• 参考スコア（独自算出の注目度）: 0.5242869847419834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Storm surge forecasting plays a crucial role in coastal disaster preparedness, yet existing machine learning approaches often suffer from limited spatial resolution, reliance on coastal station data, and poor generalization. Moreover, many prior models operate directly on unstructured spatial data, making them incompatible with modern deep learning architectures. In this work, we introduce a novel approach that projects unstructured water elevation fields onto structured Red Green Blue (RGB)-encoded image representations, enabling the application of Convolutional Long Short Term Memory (ConvLSTM) networks for end-to-end spatiotemporal surge forecasting. Our model further integrates ground-truth wind fields as dynamic conditioning signals and topo-bathymetry as a static input, capturing physically meaningful drivers of surge evolution. Evaluated on a large-scale dataset of synthetic storms in the Gulf of Mexico, our method demonstrates robust 48-hour forecasting performance across multiple regions along the Texas coast and exhibits strong spatial extensibility to other coastal areas. By combining structured representation, physically grounded forcings, and scalable deep learning, this study advances the frontier of storm surge forecasting in usability, adaptability, and interpretability.
• Abstract（参考訳）: しかし、既存の機械学習手法は、空間分解能の制限、沿岸局のデータへの依存、一般化の低さに悩まされることが多い。 さらに、多くの先行モデルは非構造化空間データを直接操作し、現代のディープラーニングアーキテクチャと互換性がない。 本研究では,非構造化水位場を構造化赤緑色(RGB)符号化画像表現に投影し,畳み込み長短期記憶(ConvLSTM)ネットワークを終端時空間サージ予測に適用する手法を提案する。 本モデルでは, 地表面の強風場を動的条件信号として, トポ・バシメトリを静的入力として統合し, サージ進化の物理的意義を捉えた。 メキシコ湾の人工嵐の大規模データセットを用いて,テキサス沿岸の複数の地域で48時間連続予測を行い,他の沿岸地域に対して強い空間拡張性を示した。 本研究は, 構造的表現, 物理的に接地された強制力, スケーラブルな深層学習を組み合わせることで, ユーザビリティ, 適応性, 解釈可能性の予測を行うストームサージのフロンティアを前進させる。

関連論文リスト

• A Neural Operator-Based Emulator for Regional Shallow Water Dynamics [5.09419041446345]
  沿岸部は特に海面上昇や極端な気象現象の影響を受けやすい。 これらの地域の流体力学過程の正確なリアルタイム予測は、インフラ計画と気候適応に不可欠である。 本稿では,高次元数値解法を効率よく近似するために次元還元を用いた自己回帰型ニューラルエミュレータを提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:02:44Z)
• 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)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)

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。