論文の概要: Towards Generative Location Awareness for Disaster Response: A Probabilistic Cross-view Geolocalization Approach

• arxiv url: http://arxiv.org/abs/2512.20056v1
• Date: Tue, 23 Dec 2025 05:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.752867
• Title: Towards Generative Location Awareness for Disaster Response: A Probabilistic Cross-view Geolocalization Approach
• Title（参考訳）: 災害対応のための創発的位置認識に向けて--確率的クロスビュージオローカライゼーションアプローチ
• Authors: Hao Li, Fabian Deuser, Wenping Yin, Steffen Knoblauch, Wufan Zhao, Filip Biljecki, Yong Xue, Wei Huang,
• Abstract要約: 災害に対する迅速かつ効率的な対応は、気候の回復力と持続可能性に不可欠である。 災害対応の重要な課題は、意思決定と資源配分を支援するために、災害箇所を正確かつ迅速に特定することである。 本稿では,ProbGLCと呼ばれる確率的クロスビュージオローカライズ手法を提案する。
• 参考スコア（独自算出の注目度）: 9.963221789922388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Earth's climate changes, it is impacting disasters and extreme weather events across the planet. Record-breaking heat waves, drenching rainfalls, extreme wildfires, and widespread flooding during hurricanes are all becoming more frequent and more intense. Rapid and efficient response to disaster events is essential for climate resilience and sustainability. A key challenge in disaster response is to accurately and quickly identify disaster locations to support decision-making and resources allocation. In this paper, we propose a Probabilistic Cross-view Geolocalization approach, called ProbGLC, exploring new pathways towards generative location awareness for rapid disaster response. Herein, we combine probabilistic and deterministic geolocalization models into a unified framework to simultaneously enhance model explainability (via uncertainty quantification) and achieve state-of-the-art geolocalization performance. Designed for rapid diaster response, the ProbGLC is able to address cross-view geolocalization across multiple disaster events as well as to offer unique features of probabilistic distribution and localizability score. To evaluate the ProbGLC, we conduct extensive experiments on two cross-view disaster datasets (i.e., MultiIAN and SAGAINDisaster), consisting diverse cross-view imagery pairs of multiple disaster types (e.g., hurricanes, wildfires, floods, to tornadoes). Preliminary results confirms the superior geolocalization accuracy (i.e., 0.86 in Acc@1km and 0.97 in Acc@25km) and model explainability (i.e., via probabilistic distributions and localizability scores) of the proposed ProbGLC approach, highlighting the great potential of leveraging generative cross-view approach to facilitate location awareness for better and faster disaster response. The data and code is publicly available at https://github.com/bobleegogogo/ProbGLC
• Abstract（参考訳）: 地球の気候が変化するにつれて、地球上の災害や極端な気象現象に影響を及ぼしている。 記録的な熱波、乾燥した降雨、極端な山火事、ハリケーン時の広範囲にわたる洪水は、すべてより頻繁で激しいものになっている。 災害に対する迅速かつ効率的な対応は、気候の回復力と持続可能性に不可欠である。 災害対応の重要な課題は、意思決定と資源配分を支援するために、災害箇所を正確かつ迅速に特定することである。 本稿では,ProbGLCと呼ばれる確率的クロスビュージオローカライズ手法を提案する。 本稿では,確率的および決定論的ジオローカライゼーションモデルと統合されたフレームワークを組み合わせることにより,モデル説明可能性(不確実な定量化による)を同時に向上し,最先端のジオローカライゼーション性能を実現する。 急激なおむつ反応のために設計されたProbGLCは、複数の災害イベントの横断的なジオローカライゼーションに対処し、確率分布とローカライザビリティスコアのユニークな特徴を提供する。 ProbGLCを評価するため、2つの横断災害データセット(MultiIANとSAGAINDisaster)について広範な実験を行った。 予備的な結果は、提案したProbGLCアプローチの優れたジオローカライゼーション精度(Acc@1kmで0.86、Acc@25kmで0.97)とモデル説明可能性(確率分布とローカライズビリティスコアによる)を確認し、より高速な災害対応のために、生成的クロスビューアプローチを活用する大きな可能性を強調している。 データとコードはhttps://github.com/bobleegogogo/ProbGLCで公開されている。

関連論文リスト

• A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
  災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。 その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-27T15:49:58Z)
• 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)
• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
  洪水は最も一般的で破壊的な自然災害の一つである。 近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。 洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
  論文  参考訳（メタデータ） (2024-09-27T09:51:25Z)
• Cross-View Geolocalization and Disaster Mapping with Street-View and VHR Satellite Imagery: A Case Study of Hurricane IAN [9.128051274958356]
  本研究では,地すべりと損傷知覚推定を同時に行う新しい災害対応フレームワーク,CVDisasterを提案する。 CVDisasterは2つのクロスビューモデルから構成されており、CVDisaster-Geolocはクロスビューなジオローカライゼーションモデルを指す。 CVDisasterは, 微調整を限定して高い競争性能(局地化80%以上, 損傷知覚推定75%以上)を達成できることを示す。
  論文  参考訳（メタデータ） (2024-08-13T09:37:26Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Harnessing Diverse Data for Global Disaster Prediction: A Multimodal Framework [0.0]
  本研究は, 新たな多モーダル災害予測フレームワークを提案する。 気象学的要因と地形学的要因との関係から, 地すべりや地すべりの予測に着目する。 モデルは利用可能なデータに基づいて慎重に構築されており、クラス不均衡に対処するための戦略も実装しています。
  論文  参考訳（メタデータ） (2023-09-28T17:36:27Z)
• 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)
• A Machine learning approach for rapid disaster response based on multi-modal data. The case of housing & shelter needs [0.0]
  災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。 本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。 世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
  論文  参考訳（メタデータ） (2021-07-29T18:22:34Z)

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。