論文の概要: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning

• arxiv url: http://arxiv.org/abs/2510.26017v1
• Date: Wed, 29 Oct 2025 23:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.600482
• Title: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning
• Title（参考訳）: 深層学習を用いた沿岸都市における気候適応型洪水予測
• Authors: Bilal Hassan, Areg Karapetyan, Aaron Chung Hin Chow, Samer Madanat,
• Abstract要約: 気候変動と海面上昇は沿岸都市への脅威をエスカレートさせる。 従来の物理に基づく流体力学シミュレータは計算コストが高く、都市規模で沿岸計画を行うには実用的ではない。 我々は,沿岸の洪水予測を目的とした,新しい軽量畳み込みニューラルネットワーク(CNN)モデルを開発した。
• 参考スコア（独自算出の注目度）: 1.8354875841169143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change and sea-level rise (SLR) pose escalating threats to coastal cities, intensifying the need for efficient and accurate methods to predict potential flood hazards. Traditional physics-based hydrodynamic simulators, although precise, are computationally expensive and impractical for city-scale coastal planning applications. Deep Learning (DL) techniques offer promising alternatives, however, they are often constrained by challenges such as data scarcity and high-dimensional output requirements. Leveraging a recently proposed vision-based, low-resource DL framework, we develop a novel, lightweight Convolutional Neural Network (CNN)-based model designed to predict coastal flooding under variable SLR projections and shoreline adaptation scenarios. Furthermore, we demonstrate the ability of the model to generalize across diverse geographical contexts by utilizing datasets from two distinct regions: Abu Dhabi and San Francisco. Our findings demonstrate that the proposed model significantly outperforms state-of-the-art methods, reducing the mean absolute error (MAE) in predicted flood depth maps on average by nearly 20%. These results highlight the potential of our approach to serve as a scalable and practical tool for coastal flood management, empowering decision-makers to develop effective mitigation strategies in response to the growing impacts of climate change. Project Page: https://caspiannet.github.io/
• Abstract（参考訳）: 気候変動と海面上昇(SLR)は沿岸都市への脅威をエスカレートさせ、洪水の危険性を予測するための効率的かつ正確な方法の必要性を高めている。 従来の物理に基づく流体力学シミュレータは正確ではあるが、計算コストが高く、都市規模で沿岸計画を行うには実用的ではない。 ディープラーニング(DL)技術は有望な代替手段を提供するが、データ不足や高次元出力要求といった課題によって制約されることが多い。 最近提案されたビジョンベースで低リソースのDLフレームワークを活用し、可変SLRプロジェクションと海岸線の適応シナリオ下での沿岸での洪水を予測するために設計された、新しい軽量な畳み込みニューラルネットワーク(CNN)ベースのモデルを開発した。 さらに、Abu Dhabi と San Francisco の2つの異なる領域のデータセットを利用することで、様々な地理的文脈をまたいだモデルを一般化する能力を示す。 以上の結果から,提案手法は平均的な洪水深度マップにおける平均絶対誤差(MAE)を平均20%近く低減する。 これらの結果は, 気候変動の影響が拡大する中で, 意思決定者が効果的な緩和戦略を開発するための, スケーラブルで実践的なツールとしてのアプローチの可能性を強調した。 Project Page: https://caspiannet.github.io/

関連論文リスト

• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
  本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。 このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。 以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-05-30T10:10:40Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Ensemble quantile-based deep learning framework for streamflow and flood prediction in Australian catchments [0.31666540219908274]
  近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。 深層学習の手法は、極端な気候現象を予測することを約束しているが、大規模な洪水は重要な課題である。 大規模ストリームフロー予測に対処するアンサンブル量子化に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-20T23:45:04Z)
• 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)
• 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)
• 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)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• 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)

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。