論文の概要: Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale

• arxiv url: http://arxiv.org/abs/2512.02055v1
• Date: Thu, 27 Nov 2025 19:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.53604
• Title: Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale
• Title（参考訳）: グローバルスケールでのリアルタイム洪水マッピング改善のためのAIマルチモーダル地空間基盤モデルの活用
• Authors: Mirela G. Tulbure, Julio Caineta, Mark Broich, Mollie D. Gaines, Philippe Rufin, Leon-Friedrich Thomas, Hamed Alemohammad, Jan Hemmerling, Patrick Hostert,
• Abstract要約: 洪水は最も被害を被る気象災害の一つであり、2024年は過去最高に暑く、極端な洪水が5大陸の地域社会に影響を与えた。 最近のGeospatial Foundation Models (GFMs) は、大規模自己監督型事前訓練による一般化性の向上を提供する。 我々は、FloodsNetを用いた洪水範囲マッピングのためにESA-IBMのTerraMindを微調整する。
• 参考スコア（独自算出の注目度）: 0.44993939572253855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods are among the most damaging weather-related hazards, and in 2024, the warmest year on record, extreme flood events affected communities across five continents. Earth observation (EO) satellites provide critical, frequent coverage for mapping inundation, yet operational accuracy depends heavily on labeled datasets and model generalization. Recent Geospatial Foundation Models (GFMs), such as ESA-IBM's TerraMind, offer improved generalizability through large-scale self-supervised pretraining, but their performance on diverse global flood events remains poorly understood. We fine-tune TerraMind for flood extent mapping using FloodsNet, a harmonized multimodal dataset containing co-located Sentinel-1 (Synthetic Aperture Radar, SAR data) and Sentinel-2 (optical) imagery for 85 flood events worldwide. We tested four configurations (base vs. large models; frozen vs. unfrozen backbones) and compared against the TerraMind Sen1Floods11 example and a U-Net trained on both FloodsNet and Sen1Floods11. The base-unfrozen configuration provided the best balance of accuracy, precision, and recall at substantially lower computational cost than the large model. The large unfrozen model achieved the highest recall. Models trained on FloodsNet outperformed the Sen1Floods11-trained example in recall with similar overall accuracy. U-Net achieved higher recall than all GFM configurations, though with slightly lower accuracy and precision. Our results demonstrate that integrating multimodal optical and SAR data and fine-tuning a GFM can enhance near-real-time flood mapping. This study provides one of the first global-scale evaluations of a GFM for flood segmentation, highlighting both its potential and current limitations for climate adaptation and disaster resilience.
• Abstract（参考訳）: 洪水は最も被害を被る気象災害の一つであり、2024年は過去最高に暑く、極端な洪水が5大陸の地域社会に影響を与えた。 地球観測衛星(EO)は、マッピングの浸水に対して、重要かつ頻繁なカバレッジを提供するが、運用精度はラベル付きデータセットとモデル一般化に大きく依存する。 ESA-IBMのTerraMindのような最近の地球空間基盤モデル(GFMs)は、大規模自己監督型事前訓練による一般化性の向上を提供するが、多種多様なグローバルな洪水イベントのパフォーマンスはよく分かっていない。 FloodsNet(シンセティック・アパーチャ・レーダ、SARデータ)とSentinel-2(光学)を併用したマルチモーダル・データセット)を用いて、世界中の85の洪水イベントの洪水範囲マッピングを行う。 また、TerraMind Sen1Floods11の例と、FloodsNetとSen1Floods11の両方でトレーニングされたU-Netと比較した。 ベースアンフリーズ構成は、大きなモデルよりも計算コストが大幅に低く、精度、精度、リコールのバランスが良くなった。 大型の凍結したモデルが最も高いリコールを達成した。 FloodsNetでトレーニングされたモデルでは、Sen1Floods11のトレーニング済みのモデルでは、全体的な精度がほぼ同じだった。 U-Netは全てのGFM構成よりも高いリコールを実現したが、精度と精度はわずかに低かった。 以上の結果から,マルチモーダル光とSARデータの統合とGFMの微調整により,リアルタイムの洪水マッピングが向上することが示唆された。 本研究は, GFMによる洪水セグメンテーションを世界規模で評価した最初の事例の一つであり, その可能性と現在の気候適応の限界, 耐災害性の両方を浮き彫りにしたものである。

関連論文リスト

• Riverine Flood Prediction and Early Warning in Mountainous Regions using Artificial Intelligence [0.9320657506524149]
  本研究は,パキスタンとアフガニスタンの間を流れるカブール川を,越境流域における洪水予報の複雑さを反映したケーススタディとして用いた。 本研究は,衛星を用いた気候データを用いて,多くの高度な機械学習モデルと深層学習モデルを適用し,日・多段河川流の予測を行った。 LSTMネットワークは他のモデルよりも優れており、最高R2値は0.96、最低RMSEは140.96 m3/secである。
  論文  参考訳（メタデータ） (2025-05-24T11:10:09Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• AI Increases Global Access to Reliable Flood Forecasts [6.498815455353096]
  洪水は最も一般的な自然災害の1つであり、密度の高い流路ゲージネットワークが欠如している発展途上国では不均等な影響がある。 AIを用いて、未舗装の流域で5日間のリードタイムで極端な河川イベントを予測する信頼性を実現する。 この研究は、信頼できる洪水警報へのグローバルアクセスを改善し続けるために、水文データの可用性を高める必要性を強調している。
  論文  参考訳（メタデータ） (2023-07-30T01:49:21Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping [3.753635296366263]
  バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。 このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
  論文  参考訳（メタデータ） (2023-05-01T03:11:42Z)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)

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。