論文の概要: Neural emulation of gravity-driven geohazard runout

• arxiv url: http://arxiv.org/abs/2512.16221v1
• Date: Thu, 18 Dec 2025 06:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.939341
• Title: Neural emulation of gravity-driven geohazard runout
• Title（参考訳）: 重力駆動型ジオハザードランニングのニューラルエミュレーション
• Authors: Lorenzo Nava, Ye Chen, Maximillian Van Wyk de Vries,
• Abstract要約: 我々は機械学習モデルをトレーニングし、代表的な現実世界の地形におけるジオハザード流出を予測する。 このモデルは, 数値計算器の100～10,000倍の精度で, 流動範囲と堆積厚さの両方を予測できる。
• 参考スコア（独自算出の注目度）: 9.626120477513142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting geohazard runout is critical for protecting lives, infrastructure and ecosystems. Rapid mass flows, including landslides and avalanches, cause several thousand deaths across a wide range of environments, often travelling many kilometres from their source. The wide range of source conditions and material properties governing these flows makes their runout difficult to anticipate, particularly for downstream communities that may be suddenly exposed to severe impacts. Accurately predicting runout at scale requires models that are both physically realistic and computationally efficient, yet existing approaches face a fundamental speed-realism trade-off. Here we train a machine learning model to predict geohazard runout across representative real world terrains. The model predicts both flow extent and deposit thickness with high accuracy and 100 to 10,000 times faster computation than numerical solvers. It is trained on over 100,000 numerical simulations across over 10,000 real world digital elevation model chips and reproduces key physical behaviours, including avulsion and deposition patterns, while generalizing across different flow types, sizes and landscapes. Our results demonstrate that neural emulation enables rapid, spatially resolved runout prediction across diverse real world terrains, opening new opportunities for disaster risk reduction and impact-based forecasting. These results highlight neural emulation as a promising pathway for extending physically realistic geohazard modelling to spatial and temporal scales relevant for large scale early warning systems.
• Abstract（参考訳）: ジオハザードの流出予測は、生命、インフラ、生態系を保護するために重要である。 地すべりや雪崩を含む急激な質量の流れは、広範囲の環境で数千人の死者を出し、しばしばその源から数キロ離れたところを移動する。 これらの流れを制御している幅広い源泉条件や物質特性は、特に急激な影響に曝される可能性のある下流社会にとって、その流出を予測し難い。 スケールアウトの正確な予測には、物理的に現実的かつ計算的に効率的であるモデルが必要であるが、既存のアプローチでは、基本的なスピードリアリズムのトレードオフに直面している。 ここでは機械学習モデルをトレーニングし、代表的な現実世界の地形におけるジオハザード流出を予測する。 このモデルは,数値解法よりも100～10,000倍高速な計算を行う。 1万以上の実世界のデジタル標高モデルチップにまたがる10万以上の数値シミュレーションをトレーニングし、様々なフロータイプ、サイズ、風景を一般化しながら、露出や沈着パターンを含む重要な物理的な振る舞いを再現する。 以上の結果から, ニューラルネットワークのエミュレーションにより, 多様な現実世界の地形をまたいで, 迅速かつ空間的に解決された流出予測が可能となり, 災害リスク低減と影響予測の新たな機会が開けることが示唆された。 これらの結果は,大規模早期警戒システムに関連する空間的・時間的スケールまで,物理的に現実的なジオハザードモデリングを拡張するための有望な経路として,神経エミュレーションを強調した。

関連論文リスト

• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution [9.106159985605009]
  FuXi-Oceanは、渦解像1/12deg空間解像度で6時間の予測を達成した最初のデータ駆動型大洋予報モデルである。 モデルアーキテクチャは、コンテキスト認識機能抽出モジュールと、スタックされた注目ブロックを用いた予測ネットワークを統合する。 FuXi-Oceanは、温度、塩分濃度、電流などの重要な変数を複数の深さにわたって予測する優れた技術を示している。
  論文  参考訳（メタデータ） (2025-06-03T00:52:31Z)
• A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows [0.0]
  本研究では, 深層学習に基づく代理モデルを構築し, 多様な地形を横断する流出破砕流の動態を予測した。 限られた高価なシミュレーションを用いて高速なトレーニングを可能にするため、深層学習モデルは物理学に基づくシミュレーションのアンサンブルからのデータに基づいて訓練された。 モンテカルロ法による不確かさ定量化は、検証されたサロゲートを用いて可能である。
  論文  参考訳（メタデータ） (2025-04-10T13:29:37Z)
• 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)
• 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)
• Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning [2.816586190252767]
  コンピュータモデルは通常、流体方程式を解くことによって有毒なプラムの輸送を予測するために用いられる。 本稿では,プラムの挙動を管理する数学的方程式から着想を得たSTGasNetという新しい学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T19:18:20Z)
• 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)
• 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)
• Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems [0.7340017786387767]
  本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。 実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
  論文  参考訳（メタデータ） (2021-06-15T17:33:36Z)

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。