論文の概要: Property-Level Flood Risk Assessment Using AI-Enabled Street-View Lowest Floor Elevation Extraction and ML Imputation Across Texas

• arxiv url: http://arxiv.org/abs/2604.01153v2
• Date: Thu, 02 Apr 2026 17:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.558172
• Title: Property-Level Flood Risk Assessment Using AI-Enabled Street-View Lowest Floor Elevation Extraction and ML Imputation Across Texas
• Title（参考訳）: テキサス州全域におけるAI対応ストリートビュー低床標高抽出とMLインプットを用いた不動産レベル洪水リスク評価
• Authors: Xiangpeng Li, Yu-Hsuan Ho, Sam D Brody, Ali Mostafavi,
• Abstract要約: 本稿では,道路ビュー画像のAIによる解析が,洪水リスク評価のための地域規模で建物固有の標高データを生成するための有効な経路となることを論じる。 テキサス州の18の関心領域(AOIs)にまたがる3段階パイプラインを開発し,Elev-Visionフレームワークを用いたGoogleストリートビュー画像からLFEと最下階(HDSL)の高さ差を抽出する。 12,241棟の住宅、73.4%のパーセル、49.0%(5,992棟)で直接LFE/HDSL抽出に成功した。
• 参考スコア（独自算出の注目度）: 2.293415070674896
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper argues that AI-enabled analysis of street-view imagery, complemented by performance-gated machine-learning imputation, provides a viable pathway for generating building-specific elevation data at regional scale for flood risk assessment. We develop and apply a three-stage pipeline across 18 areas of interest (AOIs) in Texas that (1) extracts LFE and the height difference between street grade and the lowest floor (HDSL) from Google Street View imagery using the Elev-Vision framework, (2) imputes missing HDSL values with Random Forest and Gradient Boosting models trained on 16 terrain, hydrologic, geographic, and flood-exposure features, and (3) integrates the resulting elevation dataset with Fathom 1-in-100 year inundation surfaces and USACE depth-damage functions to estimate property-specific interior flood depth and expected loss. Across 12,241 residential structures, street-view imagery was available for 73.4% of parcels and direct LFE/HDSL extraction was successful for 49.0% (5,992 structures). Imputation was retained for 13 AOIs where cross-validated performance was defensible, with selected models achieving R suqre values from 0.159 to 0.974; five AOIs were explicitly excluded from prediction because performance was insufficient. The results show that street-view-based elevation mapping is not universally available for every property, but it is sufficiently scalable to materially improve regional flood-risk characterization by moving beyond hazard exposure to structure-level estimates of interior inundation and expected damage. Scientifically, the study advances LFE estimation from a pilot-scale proof of concept to a regional, end-to-end workflow. Practically, it offers a replicable framework for jurisdictions that lack comprehensive Elevation Certificates but need parcel-level information to support mitigation, planning, and flood-risk management.
• Abstract（参考訳）: 提案論文は,AIによる道路ビュー画像の解析を,性能保証型機械学習計算で補完するもので,洪水リスク評価のための地域規模で建物固有の標高データを生成するための実行可能な経路を提供するものである,と論じる。 テキサス州の18の関心領域(AOIs)にまたがる3段階パイプラインを開発し,(1)LFEを抽出し,(1)Elev-Visionフレームワークを用いたGoogleストリートビュー画像から地上階と最下階(HDSL)の高さ差を抽出し,(2)Random ForestとGradient Boostingモデルで訓練されたHDSL値の欠落を示唆し,(3)Fathom 1-in-100年浸水面とUSACE深度損傷関数を併用して,自然界の浸水深と損失を推定する。 12,241棟の住宅、73.4%のパーセルでストリートビューが利用でき、49.0%(5,992棟)で直接LFE/HDSL抽出に成功した。 評価値が0.159から0.974のモデルが選択され、性能が不十分なため5つのAOIが予測から明示的に除外された。 以上の結果から, 街路ビューによる標高マッピングは, あらゆる土地で広く利用できるわけではないが, 内部浸水量や損傷の予測値から, 危険にさらされる範囲を超えて, 地域的な洪水リスク評価を現実的に改善することは十分に容易であることがわかった。 科学的には、この研究はLFEの推定を、パイロットスケールの概念実証から、地域的なエンドツーエンドのワークフローへと進めている。 実際には、包括的な標高証明書を欠いているが、緩和、計画、洪水リスク管理をサポートするためにパーセルレベルの情報を必要とする管轄区域のためのレプリカ可能なフレームワークを提供する。

関連論文リスト

• LLM-Powered Flood Depth Estimation from Social Media Imagery: A Vision-Language Model Framework with Mechanistic Interpretability for Transportation Resilience [0.0]
  FloodLlamaは、単一ストリートレベルの画像から連続的な洪水深度を推定するための微調整された視覚言語モデルである。 TikTokベースのデータパイプラインは、デトロイトの676の注釈付き洪水フレームで検証されており、リアルタイムのクラウドソースによる洪水検知の可能性を示している。
  論文  参考訳（メタデータ） (2026-03-17T19:59:25Z)
• ALTIS: Automated Loss Triage and Impact Scoring from Sentinel-1 SAR for Property-Level Flood Damage Assessment [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-14T07:22:43Z)
• Rethinking the Design Space of Reinforcement Learning for Diffusion Models: On the Importance of Likelihood Estimation Beyond Loss Design [45.80068602880684]
  本稿では,政策段階の目標,可能性推定器,ロールアウトサンプリングスキームの3つの要因を解消し,RL設計空間を体系的に解析する。 最終生成標本からのみ計算されるエビデンス低境界モデル推定器(ELBO)を採用することが,有効,効率的,安定なRL最適化を実現する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T15:36:42Z)
• 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)
• AtlasGS: Atlanta-world Guided Surface Reconstruction with Implicit Structured Gaussians [57.95719610327081]
  本研究では, アトランタ・ワールドガイド型暗黙構造型ガウシアン・スプレイティングを提案し, 屋内・都市景観のスムーズな再構築を実現する。 提案手法は,屋内・都市両場面における最先端の手法より優れ,表面の再現性に優れる。
  論文  参考訳（メタデータ） (2025-10-29T03:17:58Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• FloodVision: Urban Flood Depth Estimation Using Foundation Vision-Language Models and Domain Knowledge Graph [1.0323063834827415]
  FloodVisionはゼロショットフレームワークであり、基礎的なビジョン言語モデルであるGPT-4oと構造化されたドメイン知識グラフのセマンティック推論能力を組み合わせたものである。 FloodVisionは8.17cmの平均的な絶対誤差を達成し、GPT-4oベースラインの10.28cmを20.5%削減し、CNNベースの手法を上回りました。
  論文  参考訳（メタデータ） (2025-09-05T03:05:18Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)

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。