論文の概要: PIFF: A Physics-Informed Generative Flow Model for Real-Time Flood Depth Mapping

• arxiv url: http://arxiv.org/abs/2511.09130v1
• Date: Thu, 13 Nov 2025 01:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.424684
• Title: PIFF: A Physics-Informed Generative Flow Model for Real-Time Flood Depth Mapping
• Title（参考訳）: PIFF:リアルタイム洪水深度マッピングのための物理インフォームド生成流れモデル
• Authors: ChunLiang Wu, Tsunhua Yang, Hungying Chen,
• Abstract要約: 本研究では,物理インフォームド・フローベース生成ニューラルネットワークPIFFによる洪水深度推定手法を提案する。 画像から画像への生成フレームワーク上に構築され、デジタル標高モデル(DEM)を洪水深度予測に効率的にマッピングする。 台湾台南の26kmの地域と182の降雨シナリオを用いて,PIFFが洪水予測と応答に有効でデータ駆動的な代替手段を提供することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flood mapping is crucial for assessing and mitigating flood impacts, yet traditional methods like numerical modeling and aerial photography face limitations in efficiency and reliability. To address these challenges, we propose PIFF, a physics-informed, flow-based generative neural network for near real-time flood depth estimation. Built on an image-to-image generative framework, it efficiently maps Digital Elevation Models (DEM) to flood depth predictions. The model is conditioned on a simplified inundation model (SPM) that embeds hydrodynamic priors into the training process. Additionally, a transformer-based rainfall encoder captures temporal dependencies in precipitation. Integrating physics-informed constraints with data-driven learning, PIFF captures the causal relationships between rainfall, topography, SPM, and flooding, replacing costly simulations with accurate, real-time flood maps. Using a 26 km study area in Tainan, Taiwan, with 182 rainfall scenarios ranging from 24 mm to 720 mm over 24 hours, our results demonstrate that PIFF offers an effective, data-driven alternative for flood prediction and response.
• Abstract（参考訳）: フラッドマッピングは洪水の影響を評価し緩和するために重要であるが、数値モデリングや空中撮影のような伝統的な手法は効率と信頼性の限界に直面している。 これらの課題に対処するために,物理インフォームドなフローベース生成ニューラルネットワークPIFFを提案する。 画像から画像への生成フレームワーク上に構築され、デジタル標高モデル(DEM)を洪水深度予測に効率的にマッピングする。 モデルは、流体力学の先行をトレーニングプロセスに組み込む単純化された浸水モデル(SPM)に条件付けされている。 さらに、変圧器ベースの降雨エンコーダは降水時の時間的依存関係をキャプチャする。 物理インフォームド制約とデータ駆動学習を統合することで、PIFFは降雨、地形、SPM、洪水の因果関係を捉え、コストのかかるシミュレーションを正確なリアルタイム洪水マップに置き換える。 台湾台南市にある26kmの地域を用いて,24mmから720mmまでの降雨シナリオを24時間にわたって182回実施し,PIFFが洪水予測と応答に有効なデータ駆動型代替手段であることを示した。

関連論文リスト

• AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
  洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。 本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
  論文  参考訳（メタデータ） (2025-01-14T17:26:02Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Deep Neural Networks with 3D Point Clouds for Empirical Friction Measurements in Hydrodynamic Flood Models [0.0]
  摩擦係数 (FF) は洪水モデルにおける運動量損失を計算するために用いられる。 洪水モデルは、しばしばFFを推定するために代理観測(土地利用など)に依存し、不確実性をもたらす。 本研究では,実験室で訓練したDeep Neural Network (DNN) を用いてデータ拡張技術を用いて,Point Cloudデータに基づくManningのnの測定を行った。
  論文  参考訳（メタデータ） (2024-04-02T18:44:53Z)
• 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)
• Deep Learning Models for Flood Predictions in South Florida [0.0]
  河川システムにおける水位・段差のシミュレーションと予測は,洪水警報,水理操作,洪水軽減に不可欠である。 本研究では,複数のディープラーニングモデル(DL)をサロゲートモデルとして使用して,水ステージを高速に予測する。 この論文のケーススタディとして南フロリダのマイアミ川の一部が選ばれた。
  論文  参考訳（メタデータ） (2023-06-28T04:15:01Z)
• 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)
• 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)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
  リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。 水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。 このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T10:59:15Z)

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。