論文の概要: ALTIS: Automated Loss Triage and Impact Scoring from Sentinel-1 SAR for Property-Level Flood Damage Assessment

• arxiv url: http://arxiv.org/abs/2603.13803v1
• Date: Sat, 14 Mar 2026 07:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.417633
• Title: ALTIS: Automated Loss Triage and Impact Scoring from Sentinel-1 SAR for Property-Level Flood Damage Assessment
• Title（参考訳）: ALTIS:不動産レベル洪水被害評価のためのSentinel-1 SARによる自動損失トリアージと衝撃検査
• Authors: Amogh Vinaykumar, Prem Kamasani,
• Abstract要約: ALTIS: 生のSentinel-1 GRDおよびSLC画像を洪水ピークから数時間以内に特性レベルの衝撃スコアに変換する5段階パイプラインを提案する。 24-48のバイナリ出力の画素レベルのマップを生成する以前のアプローチとは異なり、ALTISはクレームプラットフォームで消費可能な信頼マーク付きトリアージリストを提供する。 予備的な分析によると、ALTISは高重度要求の90%のリコールで約0.52のIRRを達成するように設計されており、不要なディスパッチの半分以上を排除している可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods are among the costliest natural catastrophes globally, yet the property and casualty insurance industry's post-event response remains heavily reliant on manual field inspection: slow, expensive, and geographically constrained. Satellite Synthetic Aperture Radar (SAR) offers cloud-penetrating, all-weather imaging uniquely suited to rapid post-flood assessment, but existing research evaluates SAR flood detection against academic benchmarks such as IoU and F1-score that do not capture insurance-workflow requirements. We present ALTIS: a five-stage pipeline transforming raw Sentinel-1 GRD and SLC imagery into property-level impact scores within 24-48 hours of flood peak. Unlike prior approaches producing pixel-level maps or binary outputs, ALTIS delivers a ranked, confidence-scored triage list consumable by claims platforms, integrating (i) multi-temporal SAR change detection using dual-polarization VV/VH intensity and InSAR coherence, (ii) physics-informed depth estimation fusing flood extent with high-resolution DEMs, (iii) property-level zonal statistics from parcel footprints, (iv) depth-damage calibration against NFIP claims, and (v) confidence-scored triage ranking. We formally define Insurance-Grade Flood Triage (IGFT) and introduce the Inspection Reduction Rate (IRR) and Triage Efficiency Score (TES). Using Hurricane Harvey (2017) across Harris County, Texas, we present preliminary analysis grounded in validated sub-components suggesting ALTIS is designed to achieve an IRR of approximately 0.52 at 90% recall of high-severity claims, potentially eliminating over half of unnecessary dispatches. By blending SAR flood intelligence with the realities of claims management, ALTIS establishes a methodological baseline for translating earth observation research into measurable insurance outcomes.
• Abstract（参考訳）: 洪水は世界でも最もコストのかかる自然災害の1つだが、不動産とカジュアルティ保険産業の戦後の反応は、手動のフィールド検査に大きく依存している。 サテライト・シンセティック・アパーチャ・レーダ(英語版) (SAR) はクラウド・ペネティング・オールウェザー・イメージングを高速なポストフロード・アセスメントに特に適しているが、既存の研究ではIoUやF1スコアといった学術ベンチマークに対してSARの洪水検出を評価しており、保険業務の要求を捉えていない。 ALTIS: 生のSentinel-1 GRDおよびSLC画像を24-48時間の洪水ピークで特性レベルの衝撃スコアに変換する5段階パイプラインを提案する。 ピクセルレベルのマップやバイナリ出力を生成する以前のアプローチとは異なり、ALTISはクレームプラットフォームによって消費されるランク付けされた信頼性の高いトリアージリストを提供し、統合する。 二極化VV/VH強度とInSARコヒーレンスを用いた多時間SAR変化検出 (II)高分解能DEMを用いた洪水範囲の物理インフォームド深度推定 三 パーセルフットプリントによる資産水準の地域統計 (四)NFIPクレームに対する深度損傷校正及び 五 信任付三位一体格 我々は、正式に保険グレード洪水トリアージ(IGFT)を定義し、検査削減率(IRR)とトリアージ効率スコア(TES)を導入する。 テキサス州ハリス郡のハリケーン・ハービー(2017年)を用いて、ALTISは高重度要求の90%のリコールで約0.52のIRRを達成するように設計されており、不要な派遣の半分以上を排除している可能性があることを示す検証済みサブコンポーネントを基礎とした予備分析を行う。 SARフラッドインテリジェンスとクレームマネージメントの現実を融合することにより、ALTISは、地球観測研究を測定可能な保険結果に翻訳するための方法論のベースラインを確立する。

関連論文リスト

• CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment [9.56546113027439]
  CrisiSense-RAGは災害影響評価のためのマルチモーダル検索拡張生成フレームワークである。 システムは、テキストソースとCLIPベースの空中画像検索にハイブリッド密度スパース検索を利用する。 207のZIPコードクエリでHurricane Harveyの評価を行った。
  論文  参考訳（メタデータ） (2026-01-30T02:37:38Z)
• Evaluating Large Language Models for Time Series Anomaly Detection in Aerospace Software [46.75681367373185]
  時系列異常検出(TSAD)は、航空宇宙ソフトウェアシステムの安全性と信頼性を確保するために不可欠である。 大規模言語モデル(LLM)は、教師なしアプローチに代わる、有望なトレーニングなしの代替手段を提供する。 ATSADBenchは航空宇宙TSADの最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-01-18T15:07:16Z)
• OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
  SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。 先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
  論文  参考訳（メタデータ） (2026-01-12T10:20:43Z)
• 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)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Flood-DamageSense: Multimodal Mamba with Multitask Learning for Building Flood Damage Assessment using SAR Remote Sensing Imagery [1.3566464121222228]
  Flood-DamageSenseは、ビルレベルの洪水被害評価のために構築された最初のディープラーニングフレームワークである。 このアーキテクチャは、SAR/InSARの前と後のシーンを非常に高解像度の光学ベースマップで融合させる。 エンドツーエンドのポストプロセッシングパイプラインは、ピクセルレベルの出力を実行可能なビルディングスケールのダメージマップに変換する。
  論文  参考訳（メタデータ） (2025-06-07T05:19:10Z)
• Multi-class Seismic Building Damage Assessment from InSAR Imagery using Quadratic Variational Causal Bayesian Inference [3.190793775376023]
  InSARデータから多層建築物の損傷分類を抽出する新しい手法を提案する。 提案手法は,InSAR観測と地上故障モデルとビルディング関数を統合する。 提案手法は,全ての損傷カテゴリに対して高い精度(AUC > 0.93)を維持しつつ,計算オーバーヘッドを40%以上削減する。
  論文  参考訳（メタデータ） (2025-02-25T15:40:16Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised Learning [1.269104766024433]
  複数のUNetアーキテクチャのアンサンブルモデルを、高信頼と低信頼のラベル付きデータでトレーニングする。 この同化データセットは、次のトレーニングアンサンブルモデルのラウンドに使用される。 弊社のアプローチは、ETCIコンペティションのリーダーボードのスコアが0.7654 IoUと高い。
  論文  参考訳（メタデータ） (2021-07-18T05:42:10Z)
• TR-GAN: Topology Ranking GAN with Triplet Loss for Retinal Artery/Vein Classification [42.62393264398367]
  本稿では,血管・静脈のトポロジ接続性を改善するために,TR-GAN(Topology Ranking Generative Adversarial Network)を提案する。 このフレームワークは、予測されたA/Vマスクのトポロジ的接続性を効果的に向上し、公開されているAV-DRIVEデータセット上で最先端のA/V分類性能を達成する。
  論文  参考訳（メタデータ） (2020-07-29T14:11:19Z)

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。