論文の概要: Evaluating the effects of preprocessing, method selection, and hyperparameter tuning on SAR-based flood mapping and water depth estimation

• arxiv url: http://arxiv.org/abs/2510.11305v1
• Date: Mon, 13 Oct 2025 11:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.347485
• Title: Evaluating the effects of preprocessing, method selection, and hyperparameter tuning on SAR-based flood mapping and water depth estimation
• Title（参考訳）: SARを用いた洪水マッピングと水深推定における前処理, 方法選択, ハイパーパラメータチューニングの効果評価
• Authors: Jean-Paul Travert, Cédric Goeury, Sébastien Boyaval, Vito Bacchi, Fabrice Zaoui,
• Abstract要約: ガロンヌ川(フランス)での2019年と2021年の2回の洪水について評価を行った。 スペックルフィルタの選択は、数平方キロメートルのバリエーションで洪水範囲の推定を変化させる。 洪水マッピング手法の選択とチューニングも性能に影響する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flood mapping and water depth estimation from Synthetic Aperture Radar (SAR) imagery are crucial for calibrating and validating hydraulic models. This study uses SAR imagery to evaluate various preprocessing (especially speckle noise reduction), flood mapping, and water depth estimation methods. The impact of the choice of method at different steps and its hyperparameters is studied by considering an ensemble of preprocessed images, flood maps, and water depth fields. The evaluation is conducted for two flood events on the Garonne River (France) in 2019 and 2021, using hydrodynamic simulations and in-situ observations as reference data. Results show that the choice of speckle filter alters flood extent estimations with variations of several square kilometers. Furthermore, the selection and tuning of flood mapping methods also affect performance. While supervised methods outperformed unsupervised ones, tuned unsupervised approaches (such as local thresholding or change detection) can achieve comparable results. The compounded uncertainty from preprocessing and flood mapping steps also introduces high variability in the water depth field estimates. This study highlights the importance of considering the entire processing pipeline, encompassing preprocessing, flood mapping, and water depth estimation methods and their associated hyperparameters. Rather than relying on a single configuration, adopting an ensemble approach and accounting for methodological uncertainty should be privileged. For flood mapping, the method choice has the most influence. For water depth estimation, the most influential processing step was the flood map input resulting from the flood mapping step and the hyperparameters of the methods.
• Abstract（参考訳）: 合成開口レーダ(SAR)画像からの洪水マッピングと水深推定は油圧モデルの校正・検証に不可欠である。 本研究では,SAR画像を用いて,各種前処理(特にスペックルノイズ低減),洪水マッピング,水深推定手法の評価を行う。 異なるステップにおける方法の選択とそのハイパーパラメータの影響について, 前処理した画像, 洪水マップ, 水深フィールドのアンサンブルを考慮し検討した。 ガロンヌ川(フランス)における2019年と2021年の2回の洪水について,流体力学シミュレーションとその場観測を基準データとして評価した。 その結果, スペックルフィルタの選択は, 数平方キロメートルの変動で洪水範囲の推定を変更できることが示唆された。 さらに,洪水マッピング手法の選択とチューニングも性能に影響を及ぼす。 教師なし手法は教師なし手法よりも優れているが、教師なしアプローチ(ローカルしきい値の設定や変更検出など)は同等の結果が得られる。 プレプロセスおよび洪水マッピングステップからの複合的不確実性も水深場推定に高いばらつきをもたらす。 本研究は,前処理,洪水マッピング,水深推定法およびそれに関連するハイパーパラメータを含む,処理パイプライン全体を考えることの重要性を強調した。 単一の構成に頼るのではなく、アンサンブルアプローチを採用し、方法論上の不確実性を考慮に入れなければならない。 フラッドマッピングでは、方法の選択が最も影響を受けます。 水深推定において最も有効な処理ステップは、洪水マッピングステップと手法のハイパーパラメータによる洪水マップ入力である。

関連論文リスト

• A physics-guided neural network for flooding area detection using SAR imagery and local river gauge observations [0.0]
  本研究では,洪水領域検出のための物理誘導型ニューラルネットワークを提案する。 提案手法は,インプットデータとして,センチネル1の時系列画像と,各画像に割り当てられた河川の水位を推定する。 提案手法の有効性を,デジタル地形モデルと光学衛星画像から得られた参照水マップと比較することにより,5つの研究領域で評価した。
  論文  参考訳（メタデータ） (2024-10-11T14:13:06Z)
• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
  本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
  論文  参考訳（メタデータ） (2024-02-26T16:02:15Z)
• Bayesian inversion of GPR waveforms for sub-surface material characterization: an uncertainty-aware retrieval of soil moisture and overlaying biomass properties [0.7874708385247353]
  オーバーレイ層の特性評価は,山火事リスク評価などの応用に不可欠である。 本研究では,地中レーダ(GPR)波形に対するベイズモデル更新手法を提案する。 提案手法は不確実性を考慮した地下パラメータ推定のための有望な手法を提供する。
  論文  参考訳（メタデータ） (2023-12-13T06:54:30Z)
• 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)
• 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)
• 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)
• 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)
• Experimental study of time series forecasting methods for groundwater level prediction [0.0]
  私たちは1026の地下水位時系列のデータセットを作成しました。 各時系列は、地下水位と降雨と蒸発散の2つの変数を毎日測定して作成されている。 ローカルおよびグローバルな時系列予測手法を含む様々な予測器を比較した。 その結果, 過去の地下水位と降雨量について, グローバルな手法を訓練することで, 最良の予測が得られることがわかった。
  論文  参考訳（メタデータ） (2022-09-28T08:58:55Z)
• On Signal-to-Noise Ratio Issues in Variational Inference for Deep Gaussian Processes [55.62520135103578]
  重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。 DGPモデルの予測性能が一貫した改善につながることを示す。
  論文  参考訳（メタデータ） (2020-11-01T14:38:02Z)

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。