論文の概要: Flood-LDM: Generalizable Latent Diffusion Models for rapid and accurate zero-shot High-Resolution Flood Mapping

• arxiv url: http://arxiv.org/abs/2511.14033v1
• Date: Tue, 18 Nov 2025 01:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.870831
• Title: Flood-LDM: Generalizable Latent Diffusion Models for rapid and accurate zero-shot High-Resolution Flood Mapping
• Title（参考訳）: Flood-LDM: 高速・高精度ゼロショット高分解能フラッドマッピングのための一般化可能な潜水拡散モデル
• Authors: Sun Han Neo, Sachith Seneviratne, Herath Mudiyanselage Viraj Vidura Herath, Abhishek Saha, Sanka Rasnayaka, Lucy Amanda Marshall,
• Abstract要約: 洪水予測は、緊急計画と人的・経済的損失の軽減に不可欠である。 従来の物理に基づく流体力学モデルでは、微細格子の離散化を必要とする数値法を用いて高分解能フラッドマップを生成する。 本稿では, 潜伏拡散モデルを用いて, 粗いグリッドフラッドマップ上で超解像を行う手法を提案する。
• 参考スコア（独自算出の注目度）: 1.731265030369263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flood prediction is critical for emergency planning and response to mitigate human and economic losses. Traditional physics-based hydrodynamic models generate high-resolution flood maps using numerical methods requiring fine-grid discretization; which are computationally intensive and impractical for real-time large-scale applications. While recent studies have applied convolutional neural networks for flood map super-resolution with good accuracy and speed, they suffer from limited generalizability to unseen areas. In this paper, we propose a novel approach that leverages latent diffusion models to perform super-resolution on coarse-grid flood maps, with the objective of achieving the accuracy of fine-grid flood maps while significantly reducing inference time. Experimental results demonstrate that latent diffusion models substantially decrease the computational time required to produce high-fidelity flood maps without compromising on accuracy, enabling their use in real-time flood risk management. Moreover, diffusion models exhibit superior generalizability across different physical locations, with transfer learning further accelerating adaptation to new geographic regions. Our approach also incorporates physics-informed inputs, addressing the common limitation of black-box behavior in machine learning, thereby enhancing interpretability. Code is available at https://github.com/neosunhan/flood-diff.
• Abstract（参考訳）: 洪水予測は、緊急計画と人的・経済的損失の軽減に不可欠である。 従来の物理に基づく流体力学モデルでは、計算集約的で大規模な大規模アプリケーションでは実用的ではない微粒な離散化を必要とする数値的な手法を用いて高分解能フラッドマップを生成する。 最近の研究では、洪水マップの超解像に畳み込みニューラルネットワークを精度と速度で応用しているが、それらは目に見えない領域への限定的な一般化性に悩まされている。 本稿では,細粒度洪水マップの高精度化を目的として,潜伏拡散モデルを用いて粗粒洪水マップの超解像を行う手法を提案する。 実験結果から,潜伏拡散モデルが精度を損なうことなく高忠実度洪水マップを作成するのに必要な計算時間を著しく短縮し,リアルタイム洪水リスク管理に活用できることが示唆された。 さらに、拡散モデルは、異なる物理的位置にわたって優れた一般化性を示し、転送学習は新たな地理的領域への適応をさらに加速させる。 提案手法は物理インフォームドインプットを取り入れ,機械学習におけるブラックボックス動作の共通制限に対処し,解釈可能性を高める。 コードはhttps://github.com/neosunhan/flood-diff.comで入手できる。

関連論文リスト

• Non-Singularity of the Gradient Descent map for Neural Networks with Piecewise Analytic Activations [53.348574336527854]
  重みとバイアスの空間上の関数としてのニューラルネットワークマップについて検討する。 我々は、現実的なニューラルネットワークアーキテクチャの損失ランドスケープにおける勾配降下(GD)マップの非特異性を初めて証明した。
  論文  参考訳（メタデータ） (2025-10-28T14:34:33Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data [0.9719868595277402]
  高解像度の洪水確率マップは、洪水のリスクを評価するのに役立っているが、しばしば過去のデータによって制限される。 本研究では、生成機械学習を利用して大規模な合成浸水データを生成する新しい手法である沈殿水深生成パイプラインを紹介する。 1万の合成イベントを生成した後、様々な浸水深度に対して洪水確率マップが作成される。
  論文  参考訳（メタデータ） (2024-09-20T22:43:31Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• 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)
• 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)
• Pi theorem formulation of flood mapping [0.0]
  本稿では,次元のないマルチスケール機能に基づいた機械学習モデル一般化のためのフレームワークを提案する。 次元のない特徴は次元的特徴よりも優れており、モデルが1つの領域で訓練され、別の領域でテストされたときに、最も大きな利得が生じる。
  論文  参考訳（メタデータ） (2022-11-01T17:57:38Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)
• Data-driven Flood Emulation: Speeding up Urban Flood Predictions by Deep Convolutional Neural Networks [0.0]
  本稿では,最大水深の予測を画像から画像への変換問題と考えることを提案する。 結果は、シミュレーションを行うのではなく、データから学習した情報を用いて入力標高から生成される。 提案したニューラルネットワークは、都市レイアウト計画のための洪水予測など、異なるが関連する問題に適用できる可能性がある。
  論文  参考訳（メタデータ） (2020-04-17T16:44:46Z)

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。