論文の概要: High Resolution Flood Extent Detection Using Deep Learning with Random Forest Derived Training Labels

• arxiv url: http://arxiv.org/abs/2603.22518v1
• Date: Mon, 23 Mar 2026 19:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.167723
• Title: High Resolution Flood Extent Detection Using Deep Learning with Random Forest Derived Training Labels
• Title（参考訳）: ランダム森林誘導訓練ラベルを用いた深層学習による高分解能流出物検出
• Authors: Azizbek Nuriddinov, Ebrahim Ahmadisharaf, Mohammad Reza Alizadeh,
• Abstract要約: プラネットスコープのような高周波で高解像度の光学画像(3m)は、洪水マッピングの新しい機会を提供する。 機械学習(ML)とディープラーニング(DL)アルゴリズムを用いて,PlanetScopeの光学画像と地形特徴を統合するフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Validation of flood models, used to support risk mitigation strategies, remains challenging due to limited observations during extreme events. High-frequency, high-resolution optical imagery (~3 m), such as PlanetScope, offers new opportunities for flood mapping, although applications remain limited by cloud cover and the lack of labeled training data during disasters. To address this, we develop a flood mapping framework that integrates PlanetScope optical imagery with topographic features using machine learning (ML) and deep learning (DL) algorithms. A Random Forest model was applied to expert-annotated flood masks to generate training labels for DL models, U-Net. Two U-Net models with ResNet18 backbone were trained using optical imagery only (4 bands) and optical imagery combined with Height Above Nearest Drainage (HAND) and topographic slope (6 bands). Hurricane Ida (September 2021), which caused catastrophic flooding across the eastern United States, including the New York City metropolitan area, was used as an example to evaluate the framework. Results demonstrate that the U-Net model with topographic features achieved very close performance to the optical-only configuration (F1=0.92 and IoU=0.85 by both modeling scenarios), indicating that HAND and slope provide only marginal value to inundation extent detection. The proposed framework offers a scalable and label-efficient approach for mapping inundation extent that enables modeling under data-scarce flood scenarios.
• Abstract（参考訳）: リスク軽減戦略を支援するために使用される洪水モデルの検証は、極端な出来事の観測が限られているため、依然として困難である。 高速で高解像度の光学画像(約3m)は、PlanetScopeのような新しい洪水マッピングの機会を提供するが、クラウドカバーや災害時のラベル付きトレーニングデータの欠如によって応用は制限されている。 そこで我々は,機械学習 (ML) とディープラーニング (DL) アルゴリズムを用いて,PlanetScope の光学画像と地形特徴を統合するフラッドマッピングフレームワークを開発した。 ランサムフォレストモデル(Random Forest model)は、専門家によるフラッドマスクに応用され、DLモデル(U-Net)のトレーニングラベルを生成する。 ResNet18のバックボーンを持つ2つのU-Netモデルは、光学画像のみ(4バンド)と光学画像で訓練され、HAND(Height Above Nearest Drainage)と6バンド(Topographic slope)を組み合わせた。 2021年9月のハリケーン・アイダ (Hurricane Ida) は、ニューヨーク大都市圏を含むアメリカ合衆国東部で壊滅的な洪水を引き起こし、その枠組みを評価する例として使われた。 その結果、地形特性を持つU-Netモデルは光のみの構成(F1=0.92とIoU=0.85)に非常に近い性能を示し、HANDとスロープは浸水範囲検出に限界値しか与えないことを示した。 提案するフレームワークは,データスカース洪水シナリオ下でのモデリングを可能にする,浸水範囲をマッピングするためのスケーラブルでラベル効率のよいアプローチを提供する。

関連論文リスト

• Always Clear Depth: Robust Monocular Depth Estimation under Adverse Weather [48.65180004211851]
  高品質なトレーニングデータ生成とドメイン適応の観点から,textbfACDepth と呼ばれる頑健な単眼深度推定手法を提案する。 具体的には、悪天候条件をシミュレートするサンプルを生成するための1段階拡散モデルを導入し、トレーニング中に多段階劣化データセットを構築した。 本稿では,教師モデルと事前学習深度V2からの知識を学生ネットワークに吸収させる多粒度知識蒸留戦略(MKD)について詳述する。
  論文  参考訳（メタデータ） (2025-05-18T02:30:47Z)
• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach [10.72081512622396]
  本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。 2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。 その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-25T18:35:28Z)

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。