論文の概要: Discovering strategies for coastal resilience with AI-based prediction and optimization

• arxiv url: http://arxiv.org/abs/2509.19263v1
• Date: Tue, 23 Sep 2025 17:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.977307
• Title: Discovering strategies for coastal resilience with AI-based prediction and optimization
• Title（参考訳）: AIに基づく予測と最適化による沿岸回復戦略の発見
• Authors: Jared Markowitz, Alexander New, Jennifer Sleeman, Chace Ashcraft, Jay Brett, Gary Collins, Stella In, Nathaniel Winstead,
• Abstract要約: 我々は人工知能(AI)による介入計画を最適化し、沿岸の洪水に対するレジリエンスを改善する。 我々は,データ駆動型暴風雨場の生成,介入影響の代理モデル,連続武装バンディット問題の解法を組み合わせる。 我々の分析は、介入最適化が何十億ドルもの嵐の被害を減らし、悲惨なソリューションや最適でないソリューションをはるかに上回る可能性があると予測している。
• 参考スコア（独自算出の注目度）: 33.70781716319839
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tropical storms cause extensive property damage and loss of life, making them one of the most destructive types of natural hazards. The development of predictive models that identify interventions effective at mitigating storm impacts has considerable potential to reduce these adverse outcomes. In this study, we use an artificial intelligence (AI)-driven approach for optimizing intervention schemes that improve resilience to coastal flooding. We combine three different AI models to optimize the selection of intervention types, sites, and scales in order to minimize the expected cost of flooding damage in a given region, including the cost of installing and maintaining interventions. Our approach combines data-driven generation of storm surge fields, surrogate modeling of intervention impacts, and the solving of a continuous-armed bandit problem. We applied this methodology to optimize the selection of sea wall and oyster reef interventions near Tyndall Air Force Base (AFB) in Florida, an area that was catastrophically impacted by Hurricane Michael. Our analysis predicts that intervention optimization could be used to potentially save billions of dollars in storm damage, far outpacing greedy or non-optimal solutions.
• Abstract（参考訳）: 熱帯の嵐は広い被害と生命の喪失を引き起こし、最も破壊的な自然災害の1つとなっている。 嵐の被害軽減に有効な介入を識別する予測モデルの開発は、これらの有害な結果を減らす大きな可能性を秘めている。 本研究では,沿岸洪水に対するレジリエンスを改善するため,人工知能(AI)による介入計画の最適化を行う。 私たちは、3つの異なるAIモデルを組み合わせて、介入のタイプ、サイト、スケールの選択を最適化し、介入のインストールとメンテナンスのコストを含む、特定のリージョンにおける洪水被害の予測コストを最小化します。 提案手法は,データ駆動による暴風散布場の生成,介入影響の代理モデル,連続武装バンディット問題の解法を組み合わせたものである。 ハリケーン・マイケルによって壊滅的な被害を受けたフロリダ州のタイドール空軍基地(AFB)付近の海壁とカキ礁の介入を最適化するために,本手法を適用した。 我々の分析は、介入最適化が何十億ドルもの嵐の被害を減らし、悲惨なソリューションや最適でないソリューションをはるかに上回る可能性があると予測している。

関連論文リスト

• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Catastrophe Insurance: An Adaptive Robust Optimization Approach [5.877778007271621]
  この研究は、災害保険料の計算に適した新しい適応ロバスト最適化フレームワークを導入している。 私たちの知る限り、AROアプローチが災害保険価格に適用されるのは初めてです。 米国の洪水保険データをケーススタディとして、最適化モデルは損失をカバーし余剰を発生させる効果を示す。
  論文  参考訳（メタデータ） (2024-05-11T18:35:54Z)
• 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)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models [0.0]
  本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。 提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
  論文  参考訳（メタデータ） (2023-03-12T03:45:44Z)
• Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data [0.0]
  洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。 本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
  論文  参考訳（メタデータ） (2022-12-15T19:23:02Z)
• Flood Prediction Using Machine Learning Models [0.0]
  本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。 その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
  論文  参考訳（メタデータ） (2022-08-02T03:59:43Z)

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。