論文の概要: Flood Risk Follows Valleys, Not Grids: Graph Neural Networks for Flash Flood Susceptibility Mapping in Himachal Pradesh with Conformal Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2603.15681v1
• Date: Sun, 15 Mar 2026 02:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.879289
• Title: Flood Risk Follows Valleys, Not Grids: Graph Neural Networks for Flash Flood Susceptibility Mapping in Himachal Pradesh with Conformal Uncertainty Quantification
• Title（参考訳）: Flood Risk Follows Valleys, not Grids: Graph Neural Networks for Flash Flood Susceptibility Mapping in Himachal Pradesh with Conformal Uncertainty Quantification
• Authors: Paras Sharma, Swastika Sharma,
• Abstract要約: 洪水はインドのヒマハル・プラデーシュで最も破壊的な自然災害であり、2023年のモンスーンシーズンだけで400人以上が死亡し、12億ドルの損失を出した。 既存のリスクマップはすべてのピクセルを独立して扱う。 我々は、流域接続グラフに基づいて訓練されたグラフニューラルネットワーク(GraphSAGE)でこの問題に対処する。
• 参考スコア（独自算出の注目度）: 0.20871483263418808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flash floods are the most destructive natural hazard in Himachal Pradesh (HP), India, causing over 400 fatalities and $1.2 billion in losses in the 2023 monsoon season alone. Existing risk maps treat every pixel independently, ignoring the basic fact that flooding upstream raises risk downstream. We address this with a Graph Neural Network (GraphSAGE) trained on a watershed connectivity graph (460 sub-watersheds, 1,700 directed edges), built from a six-year Sentinel-1 SAR flood inventory (2018-2023, 3,000 events) and 12 environmental variables at 30 m resolution. Four pixel-based ML models (RF, XGBoost, LightGBM, stacking ensemble) serve as baselines. All models are evaluated with leave-one-basin-out spatial cross-validation to avoid the 5-15% AUC inflation of random splits. Conformal prediction produces the first HP susceptibility maps with statistically guaranteed 90% coverage intervals. The GNN achieved AUC = 0.978 +/- 0.017, outperforming the best baseline (AUC = 0.881) and the published HP benchmark (AUC = 0.88). The +0.097 gain confirms that river connectivity carries predictive signal that pixel-based models miss. High-susceptibility zones overlap 1,457 km of highways (including 217 km of the Manali-Leh corridor), 2,759 bridges, and 4 major hydroelectric installations. Conformal intervals achieved 82.9% empirical coverage on the held-out 2023 test set; lower coverage in high-risk zones (45-59%) points to SAR label noise as a target for future work.
• Abstract（参考訳）: インド・ヒマハル・プラデーシュ(HP)で最も破壊的な自然災害であり、2023年のモンスーンシーズンだけで400人以上が死亡し、12億ドルの損失を出した。 既存のリスクマップはすべてのピクセルを独立して扱う。 6年間のSentinel-1 SARフラッドインベントリ(2018-2023,3,000のイベント)と12の環境変数を30m解像度で構築した、流域接続グラフ(460のサブ流域、1,700のエッジ)に基づいてトレーニングされたグラフニューラルネットワーク(GraphSAGE)でこの問題に対処する。 4つのピクセルベースのMLモデル(RF、XGBoost、LightGBM、スタックングアンサンブル)がベースラインとして機能する。 全てのモデルは、ランダムスプリットの5～15%のAUCインフレーションを避けるために、残響空間クロスバリデーションを用いて評価される。 コンフォーマル予測は、統計的に90%のカバレッジ間隔が保証された最初のHP感受性マップを生成する。 GNNはAUC = 0.978 +/- 0.017を達成し、最高のベースライン(AUC = 0.881)と公表されたHPベンチマーク(AUC = 0.88)を上回った。 0.097のゲインは、川との接続がピクセルベースのモデルが見逃す予測信号を持っていることを確認している。 高感度ゾーンは1,457kmの高速道路(マナリ・レー回廊の217kmを含む)、2,759本の橋と4つの主要な水力発電所と重なり合っている。 コンフォーマル間隔は2023テストセットで82.9%、ハイリスクゾーン(45-59%)ではSARラベルノイズが将来の作業のターゲットとなった。

関連論文リスト

• Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations [41.99844472131922]
  グラフニューラルネットワーク(GNN)を用いた海面温度(SST)予測のためのアンサンブル学習戦略について検討する。 我々は,北大西洋のカナリア諸島にGNNアーキテクチャを適用し,袋詰に触発された均質アンサンブルアプローチを実装した。 ガウスノイズ、パーリンノイズ、フラクタルパーリンノイズなど、複数のノイズに基づくアンサンブル生成戦略を評価する。
  論文  参考訳（メタデータ） (2026-03-06T11:04:12Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• 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)
• HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction [7.643667076993224]
  グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。 そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。 本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
  論文  参考訳（メタデータ） (2025-09-02T16:31:40Z)
• ZIP: Scalable Crowd Counting via Zero-Inflated Poisson Modeling [29.570935239024138]
  ZIPは、ゼロインフレポアソン確率でブロックワイズカウントをモデル化するスケーラブルなクラウドカウントフレームワークである。 MSEに基づく損失よりもZIPに縛られるリスクが強いことを一般化分析で示す。 上海工科大学A&B、UCF-QNRF、NWPU-Crowdの実験では、ZIPがあらゆるモデルスケールにわたる最先端の手法を一貫して超越していることが示されている。
  論文  参考訳（メタデータ） (2025-06-24T19:06:22Z)
• Graph Transformer-Based Flood Susceptibility Mapping: Application to the French Riviera and Railway Infrastructure Under Climate Change [0.0]
  本研究は, 洪水に起因したフレンチ・リヴィエラへの洪水感受性マッピングのためのグラフトランスフォーマー(GT)アーキテクチャの最初の適用について紹介する。 GTはラプラシアン位置エンコーダ(PE)とアテンション機構を用いた流域トポロジーを取り入れている。 Laplacian PEの次元の減少は部分的なクラスターを示し、空間情報を捉えることができた。
  論文  参考訳（メタデータ） (2025-03-31T14:04:04Z)
• Satellite-Surface-Area Machine-Learning Models for Reservoir Storage Estimation: Regime-Sensitive Evaluation and Operational Deployment at Loskop Dam, South Africa [0.0]
  予測誤差は、低(250 x 106立方メートル)と高(250 x 106立方メートル)の2つの状態に分解された。 リッジ回帰はRMSE (12.3×106立方メートル) が最も低く、GBが16%、RFが7%向上した。 i)日常的な作業に毎日GBの再訓練を,ii)干ばつ早期警告にリッジを,iii)すべての気象ダッシュボードに積み重ねたブレンドを推奨する。
  論文  参考訳（メタデータ） (2025-02-27T11:14:14Z)
• Accelerating Flood Warnings by 10 Hours: The Power of River Network Topology in AI-enhanced Flood Forecasting [30.106533909897102]
  グラフニューラルネットワーク(GNN)は、高ノード抵抗距離から過度に流れ込む木のような構造により、河川ネットワークのトポロジーを弱めている。 本研究では、トポロジカルな接続を密度化し、抵抗距離を減らすために、到達可能性に基づくグラフ変換を導入する。 極度の洪水予測では、変換GNNはEA-LSTMよりも優れており、EA-LSTMの14時間予測と同等の24時間水位精度を実現している。
  論文  参考訳（メタデータ） (2024-10-07T22:25:37Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
  我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。 私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。 HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-24T11:50:09Z)

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。