論文の概要: Evaluating Pavement Deterioration Rates Due to Flooding Events Using Explainable AI

• arxiv url: http://arxiv.org/abs/2507.01056v1
• Date: Sat, 28 Jun 2025 04:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.806397
• Title: Evaluating Pavement Deterioration Rates Due to Flooding Events Using Explainable AI
• Title（参考訳）: 説明可能なAIを用いた洪水イベントによる舗装劣化速度の評価
• Authors: Lidan Peng, Lu Gao, Feng Hong, Jingran Sun,
• Abstract要約: 本研究は,国際粗度指数(IRI)による舗装粗さ測定を中心に,洪水が舗装劣化に与える影響について検討する。 これらの効果を定量化するために,TxDOTのPMISデータベースから20年間の舗装条件データを利用した。 その結果, 浸水の影響を受けない舗装は, 非流動部に比べて急激な粗さの増加が見られた。
• 参考スコア（独自算出の注目度）: 1.269327994479157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flooding can damage pavement infrastructure significantly, causing both immediate and long-term structural and functional issues. This research investigates how flooding events affect pavement deterioration, specifically focusing on measuring pavement roughness by the International Roughness Index (IRI). To quantify these effects, we utilized 20 years of pavement condition data from TxDOT's PMIS database, which is integrated with flood event data, including duration and spatial extent. Statistical analyses were performed to compare IRI values before and after flooding and to calculate the deterioration rates influenced by flood exposure. Moreover, we applied Explainable Artificial Intelligence (XAI) techniques, such as SHapley Additive exPlanations (SHAP) and Local Interpretable Model-Agnostic Explanations (LIME), to assess the impact of flooding on pavement performance. The results demonstrate that flood-affected pavements experience a more rapid increase in roughness compared to non-flooded sections. These findings emphasize the need for proactive flood mitigation strategies, including improved drainage systems, flood-resistant materials, and preventative maintenance, to enhance pavement resilience in vulnerable regions.
• Abstract（参考訳）: 洪水は舗装のインフラに大きな損傷を与え、即時および長期的構造的および機能的問題の原因となる。 本研究は,国際粗度指数(IRI)による舗装粗さの測定に焦点をあてて,浸水が舗装劣化に与える影響について検討する。 これらの効果を定量化するために,TxDOTのPMISデータベースから20年間の舗装条件データを利用した。 浸水前後のIRI値を比較し, 浸水による劣化率を算出するため, 統計的解析を行った。 さらに,Shapley Additive exPlanations (SHAP) やLocal Interpretable Model-Agnostic Explanations (LIME) などの説明可能な人工知能(XAI) を用いて,洪水が舗装性能に与える影響を評価する。 その結果, 浸水の影響を受けない舗装は, 非流動部に比べて急激な粗さの増加が見られた。 これらの知見は, 脆弱な地域の舗装抵抗性を高めるため, 排水システムの改善, 耐水性材料, 防水維持など, 積極的な水害対策の必要性を強調した。

関連論文リスト

• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• 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)
• The Power of Explainability in Forecast-Informed Deep Learning Models for Flood Mitigation [0.0]
  本研究では,水理構造を有する流域における洪水管理を実現するために,予測インフォームド深層学習アーキテクチャFIDLARを提案する。 その結果、FIDLARは、数桁のスピードアップで現在の最先端技術よりも優れた性能を示した。 本論文の主な貢献は、モデル説明可能性のためのツールの有効活用であり、その決定に対する様々な環境要因の貢献を理解することができる。
  論文  参考訳（メタデータ） (2023-10-29T21:56:22Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• 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)
• Quantitative Assessment of Drought Impacts Using XGBoost based on the Drought Impact Reporter [0.0]
  気候変動の下では、干ばつの発生頻度、強度、空間的な範囲が増加し、社会経済的コストが上昇する。 テキサス州における多カテゴリー干ばつの影響を予測するための極勾配モデル(XGBoost)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-04T22:16:13Z)
• Transformer-based Flood Scene Segmentation for Developing Countries [1.7499351967216341]
  洪水は大規模な自然災害であり、しばしば大量の死者、大規模な材料被害、経済的混乱を引き起こす。 早期警戒システム(EWS)は洪水を予測するための水位やその他の要因を常に評価し、被害を最小限に抑える。 FloodTransformerは、災害現場の空中画像から浸水した領域を検出し、セグメンテーションする最初のビジュアルトランスフォーマーベースのモデルである。
  論文  参考訳（メタデータ） (2022-10-09T10:29:41Z)
• Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
  本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。 ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。 本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
  論文  参考訳（メタデータ） (2021-08-30T14:25:58Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。