論文の概要: Predicting the post-wildfire mudflow onset using machine learning models on multi-parameter experimental data

• arxiv url: http://arxiv.org/abs/2602.11194v1
• Date: Fri, 30 Jan 2026 15:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.744268
• Title: Predicting the post-wildfire mudflow onset using machine learning models on multi-parameter experimental data
• Title（参考訳）: マルチパラメータ実験データを用いた機械学習モデルによる山火事後の泥水発生予測
• Authors: Mahta Movasat, Ingrid Tomac,
• Abstract要約: 放火後の泥流は、山火事の流行によりますます危険である。 雨水と浸食した土壌が斜面を覆い、破砕流に繋がる。 土壌の疎水性は浸食を促進させ、強度、持続時間、破壊性において自然の泥流とは異なる火の後の破片の流れをもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Post-wildfire mudflows are increasingly hazardous due to the prevalence of wildfires, including those on the wildland-urban interface. Upon burning, soil on the surface or immediately beneath becomes hydrophobic, a phenomenon that occurs predominantly on sand-based hillslopes. Rainwater and eroded soil blanket the downslope, leading to catastrophic debris flows. Soil hydrophobicity enhances erosion, resulting in post-wildfire debris flows that differ from natural mudflows in intensity, duration, and destructiveness. Thus, it is crucial to understand the timing and conditions of debris-flow onset, driven by the coupled effects of critical parameters: varying rain intensities (RI), slope gradients, water-entry values, and grain sizes (D50). Machine Learning (ML) techniques have become increasingly valuable in geotechnical engineering due to their ability to model complex systems without predefined assumptions. This study applies multiple ML algorithms: multiple linear regression (MLR), logistic regression (LR), support vector classifier (SVC), K-means clustering, and principal component analysis (PCA) to predict and classify outcomes from laboratory experiments that model field conditions using a rain device on various soils in sloped flumes. While MLR effectively predicted total discharge, erosion predictions were less accurate, especially for coarse sand. LR and SVC achieved good accuracy in classifying failure outcomes, supported by clustering and dimensionality reduction. Sensitivity analysis revealed that fine sand is highly susceptible to erosion, particularly under low-intensity, long-duration rainfall. Results also show that the first 10 minutes of high-intensity rain are most critical for discharge and failure. These findings highlight the potential of ML for post-wildfire hazard assessment and emergency response planning.
• Abstract（参考訳）: 放火後の泥流は、荒野とアーバンのインターフェースを含む山火事の流行により、ますます危険になっている。 燃焼すると、表面上の土壌やその直下にある土壌は疎水性になり、主に砂質の斜面で起こる現象である。 雨水と浸食した土壌が斜面を覆い、破砕流に繋がる。 土壌の疎水性は浸食を促進させ、強度、持続時間、破壊性において自然の泥流とは異なる火炎後の破片の流れをもたらす。 したがって, 降雨強度 (RI) , 傾斜勾配, 浸水量, 粒径 (D50) など, 臨界パラメータの複合効果によって引き起こされるデブリ発生のタイミングと条件を理解することが重要である。 機械学習(ML)技術は、事前に定義された仮定なしに複雑なシステムをモデル化できるため、ジオテクノロジー工学においてますます価値が高まっている。 本研究は複数のMLアルゴリズムを適用した。複数線形回帰(MLR)、ロジスティック回帰(LR)、サポートベクトル分類器(SVC)、K平均クラスタリング、主成分分析(PCA)により、傾斜した水路の様々な土壌に降雨装置を用いたフィールド条件をモデル化する実験結果の予測と分類を行う。 MLRは総放電を効果的に予測する一方で、浸食予測は特に粗い砂では精度が低かった。 LRとSVCは、クラスタリングと次元減少によって支持される故障結果の分類において、良好な精度を達成した。 感度分析の結果, 砂は侵食の影響を受けやすく, 特に低強度, 長期降雨条件下では顕著であった。 また, 降雨の最初の10分は, 放電と失敗に最も重要であることも示唆された。 これらの結果から, 火災後危険度評価と緊急対応計画におけるMLの可能性が示唆された。

関連論文リスト

• Predictive Modeling of Flood-Prone Areas Using SAR and Environmental Variables [0.0]
  洪水は世界でも最も破壊的な自然災害の1つであり、生態系、インフラ、人間の生活に深刻なリスクをもたらしている。 本研究では,ケニア西部のニャンド川流域において,合成開口レーダ(SAR)画像と環境・水文データを組み合わせて,洪水感受性をモデル化した。
  論文  参考訳（メタデータ） (2025-12-06T16:24:10Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion [18.008592164636664]
  レーダーとメソネットのネットワークは1kmの解像度で降水場を提供するが、歴史的および地理的な範囲は限られている。 ゲージベースの記録と分析製品は、数十年の時間を世界規模でカバーしていますが、解像度は30～50kmに過ぎません。 本研究では,低分解能ゲージおよび再分析生成物から降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:12:40Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• Dynamic landslide susceptibility mapping over recent three decades to uncover variations in landslide causes in subtropical urban mountainous areas [17.570791791237387]
  本研究は, 年次LSAに複数の予測モデルを用いた動的地すべり感受性マッピングを提案する。 選ばれた研究エリアは香港のランタウ島で、1992年から2019年までの総合的動的LSAを実施しました。
  論文  参考訳（メタデータ） (2023-08-23T05:33:03Z)
• 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)
• Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
  本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。 ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。 本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
  論文  参考訳（メタデータ） (2021-08-30T14:25:58Z)

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。