論文の概要: FM-LC: A Hierarchical Framework for Urban Flood Mapping by Land Cover Identification Models

• arxiv url: http://arxiv.org/abs/2507.19818v1
• Date: Sat, 26 Jul 2025 06:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.269682
• Title: FM-LC: A Hierarchical Framework for Urban Flood Mapping by Land Cover Identification Models
• Title（参考訳）: FM-LC:土地被覆同定モデルによる都市洪水マッピングの階層的枠組み
• Authors: Xin Hong, Longchao Da, Hua Wei,
• Abstract要約: 乾燥した環境は、水と隣接した表面の間のスペクトルのコントラストが限られています。 高解像度の毎日のPlanetScope画像は、時間的および空間的な詳細を提供する。 本研究では,土地被覆同定によるフラッドマッピングのための階層的フレームワークであるFM-LCを紹介する。
• 参考スコア（独自算出の注目度）: 4.83455930664954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban flooding in arid regions poses severe risks to infrastructure and communities. Accurate, fine-scale mapping of flood extents and recovery trajectories is therefore essential for improving emergency response and resilience planning. However, arid environments often exhibit limited spectral contrast between water and adjacent surfaces, rapid hydrological dynamics, and highly heterogeneous urban land covers, which challenge traditional flood-mapping approaches. High-resolution, daily PlanetScope imagery provides the temporal and spatial detail needed. In this work, we introduce FM-LC, a hierarchical framework for Flood Mapping by Land Cover identification, for this challenging task. Through a three-stage process, it first uses an initial multi-class U-Net to segment imagery into water, vegetation, built area, and bare ground classes. We identify that this method has confusion between spectrally similar categories (e.g., water vs. vegetation). Second, by early checking, the class with the major misclassified area is flagged, and a lightweight binary expert segmentation model is trained to distinguish the flagged class from the rest. Third, a Bayesian smoothing step refines boundaries and removes spurious noise by leveraging nearby pixel information. We validate the framework on the April 2024 Dubai storm event, using pre- and post-rainfall PlanetScope composites. Experimental results demonstrate average F1-score improvements of up to 29% across all land-cover classes and notably sharper flood delineations, significantly outperforming conventional single-stage U-Net baselines.
• Abstract（参考訳）: 乾燥した地域の都市洪水は、インフラやコミュニティに深刻なリスクをもたらす。 したがって, 緊急対応とレジリエンス計画の改善には, 洪水深度と回復軌道の高精度かつ詳細なマッピングが不可欠である。 しかし、乾燥した環境は、水面と隣接する表面とのスペクトルのコントラストが限られており、急激な水文力学と、従来の洪水対策に挑戦する高度に異質な都市の土地被覆がある。 高解像度の毎日のPlanetScope画像は、時間的および空間的な詳細を提供する。 本研究では,この課題に対して,土地被覆同定によるフラッドマッピングのための階層的フレームワークであるFM-LCを紹介する。 3段階のプロセスを通じて、最初のマルチクラスU-Netを使用して、イメージを水、植生、構築された地域、および裸の地上クラスに分割する。 この手法は、スペクトル的に類似したカテゴリー(例えば、水と植生)で混同されていることが判明した。 次に、初期チェックによって、主要な未分類領域を持つクラスがフラグ付けされ、フラグ付けされたクラスと残りのクラスを区別するために、軽量なバイナリエキスパートセグメンテーションモデルがトレーニングされる。 第3に、ベイズ平滑化ステップは境界を洗練させ、近傍の画素情報を活用して突発的なノイズを除去する。 2024年4月のドバイ・ストーム・イベントにおいて,降雨前および降雨後PlanetScope複合材料を用いてその枠組みを検証した。 実験の結果, 平均F1スコア向上率は, 全地形群で最大29%, 急激な洪水デライン化が見られ, 従来の単段U-Netベースラインを著しく上回った。

関連論文リスト

• Flood-DamageSense: Multimodal Mamba with Multitask Learning for Building Flood Damage Assessment using SAR Remote Sensing Imagery [1.3566464121222228]
  Flood-DamageSenseは、ビルレベルの洪水被害評価のために構築された最初のディープラーニングフレームワークである。 このアーキテクチャは、SAR/InSARの前と後のシーンを非常に高解像度の光学ベースマップで融合させる。 エンドツーエンドのポストプロセッシングパイプラインは、ピクセルレベルの出力を実行可能なビルディングスケールのダメージマップに変換する。
  論文  参考訳（メタデータ） (2025-06-07T05:19:10Z)
• Bayesian Modeling of Zero-Shot Classifications for Urban Flood Detection [9.264147242217364]
  ストリートシーンデータセットは、都市オブジェクトやストリートフラッディングのようなインシデントを検出する、有望な手段を提供する。 これらのデータセットを使用する際の大きな課題は、信頼性のあるラベルの欠如である。 本稿では,この困難を回避する2段階のアプローチであるBayFloodを提案する。
  論文  参考訳（メタデータ） (2025-03-18T21:53:37Z)
• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [49.35128836844725]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。 次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• Aerial Lifting: Neural Urban Semantic and Building Instance Lifting from Aerial Imagery [51.73680703579997]
  航空画像から都市規模のセマンティックスとビルレベルのインスタンスセグメンテーションのためのニューラルラジアンスフィールド法を提案する。 都市空撮画像の物体は、建物、車、道路など、相当な大きさのバリエーションを示している。 我々は,様々な大きさのオブジェクトのセグメンテーションを強化する,スケール適応型セマンティックラベル融合戦略を導入する。 次に、2次元のインスタンスラベルにおける多視点不整合問題を緩和するために、新しいクロスビューインスタンスラベルグループ化戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-18T14:15:39Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images [3.9921541182631253]
  本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。 最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。 2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
  論文  参考訳（メタデータ） (2022-10-04T13:11:44Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
  本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。 本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-05T13:04:44Z)
• 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)
• Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach [10.72081512622396]
  本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。 2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。 その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-25T18:35:28Z)

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。