Fugu-MT 論文翻訳(概要): FL-MHSM: Spatially-adaptive Fusion and Ensemble Learning for Flood-Landslide Multi-Hazard Susceptibility Mapping at Regional Scale

論文の概要: FL-MHSM: Spatially-adaptive Fusion and Ensemble Learning for Flood-Landslide Multi-Hazard Susceptibility Mapping at Regional Scale

arxiv url: http://arxiv.org/abs/2604.16265v1
Date: Fri, 17 Apr 2026 17:23:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-20 22:00:20.027103
Title: FL-MHSM: Spatially-adaptive Fusion and Ensemble Learning for Flood-Landslide Multi-Hazard Susceptibility Mapping at Regional Scale
Title（参考訳）: FL-MHSM:Flood-Landslide Multi-Hazard Susceptibility Mappingの地域規模での空間適応型核融合とアンサンブル学習
Authors: Aswathi Mundayatt, Jaya Sreevalsan-Nair,
Abstract要約: 本研究では,F-MHSM (FL-MHSM) を用いた浸水・地すべり型マルチハザード・サセプティビリティ・マッピングのためのディープラーニング (DL) ワークフローを提案する。 2段階の空間分割、確率的早期融合(EF)、木ベースの後期融合(LF)ベースライン、ソフトゲーティング・ミックス・オブ・エキスパートズ(MoE)モデルを組み合わせている。ケララでは、EFはLFとの競争を続け、洪水リコールは0.816から0.840に改善され、ブライアスコアは0.092から0.086に低下した。 MoEは洪水感受性の最も優れた性能を提供し、AUC-ROC 0.905、リコール0.930を達成した。
参考スコア（独自算出の注目度）: 1.3607388598209322
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing multi-hazard susceptibility mapping (MHSM) studies often rely on spatially uniform models, treat hazards independently, and provide limited representation of cross-hazard dependence and uncertainty. To address these limitations, this study proposes a deep learning (DL) workflow for joint flood-landslide multi-hazard susceptibility mapping (FL-MHSM) that combines two-level spatial partitioning, probabilistic Early Fusion (EF), a tree-based Late Fusion (LF) baseline, and a soft-gating Mixture of Experts (MoE) model, with MoE serving as final predictive model. The proposed design preserves spatial heterogeneity through zonal partitions and enables data-parallel large-area prediction using overlapping lattice grids. In Kerala, EF remained competitive with LF, improving flood recall from 0.816 to 0.840 and reducing Brier score from 0.092 to 0.086, while MoE provided strongest performance for flood susceptibility, achieving an AUC-ROC of 0.905, recall of 0.930, and F1-score of 0.722. In Nepal, EF similarly improved flood recall from 0.820 to 0.858 and reduced Brier score from 0.057 to 0.049 relative to LF, while MoE outperformed both EF and LF for landslide susceptibility, achieving an AUC-ROC of 0.914, recall of 0.901, and F1-score of 0.559. GeoDetector analysis of MoE outputs further showed that dominant factors varied more across zones in Kerala, where susceptibility was shaped by different combinations of topographic, land-cover, and drainage-related controls, while Nepal showed a more consistent influence of topographic and glacier-related factors across zones. These findings show that EF and LF provide complementary predictive behavior, and that their spatially adaptive integration through MoE yields robust overall predictive performance for FL-MHSM while supporting interpretable characterization of multi-hazard susceptibility in spatially heterogeneous landscapes.
Abstract（参考訳）: 既存のマルチハザード感受性マッピング(MHSM)の研究は、しばしば空間的に均一なモデルに依存し、個別にハザードを扱い、クロスハザード依存と不確実性の限られた表現を提供する。これらの制約に対処するため,二段階空間分割,確率的早期融合(EF),木系レイトフュージョン(LF)ベースライン,ソフトゲーティング・ミックス・オブ・エキスパートズ(MoE)モデルを組み合わせて,MoEが最終的な予測モデルとして機能する連立洪水・地すべり・マルチハザード・サセプティビリティ・マッピング(FL-MHSM)のためのディープラーニング(DL)ワークフローを提案する。提案設計では,空間的不均一性を粒子分割により保存し,重なり合う格子格子を用いたデータ並列大面積予測を可能にする。ケララでは、EFはLFとの競争を継続し、洪水リコールは0.816から0.840に改善され、ブライアスコアは0.092から0.086に低下し、MoEは洪水感受性の最も高いパフォーマンスを提供し、AUC-ROCは0.905、リコールは0.930、F1スコアは0.722となった。ネパールでは、EFは洪水のリコールを0.820から0.858に改善し、ブライアのスコアはLFと比較して0.057から0.049に低下し、MoEはEFとLFの双方で0.914のAUC-ROC、0.901のリコール、0.559のF1スコアを達成した。 MoE出力のGeoDetector分析により,ケララの地形・土地被覆・排水関連制御の異なる組み合わせによって感受性が変化し,ネパールは地形・氷河関連因子により一貫した影響を示した。これらの結果から, EFとLFは相補的な予測行動を示し, 空間適応型統合によりFL-MHSMの総合的予測性能が向上し, 空間的不均一な景観における多障害感受性の解釈的評価が支持された。

関連論文リスト

Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文参考訳（メタデータ） (2026-02-12T18:58:12Z)
Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文参考訳（メタデータ） (2026-01-29T15:58:07Z)
From Landslide Conditioning Factors to Satellite Embeddings: Evaluating the Utilisation of Google AlphaEarth for Landslide Susceptibility Mapping using Deep Learning [1.6571781613404601]
本研究は,地すべり感受性マップの代替予測器として,Google AlphaEarth埋め込みの可能性を評価した。 AEベースのモデルは、全ての領域とモデルで一貫してLCFを上回り、より高いF1スコア、AUC値、より安定したエラー分布を生み出した。
論文参考訳（メタデータ） (2026-01-12T07:17:43Z)
Pix2Geomodel: A Next-Generation Reservoir Geomodeling with Property-to-Property Translation [2.004012818482403]
本研究では、Pix2Pixをベースとした新しい条件付き生成対向ネットワーク(cGAN)フレームワークであるPix2Geomodelを紹介する。グローニンゲンガス田のロトリーゲンド貯水池から貯水池特性(空洞、ポーシティ、透水性、飽和度)を予測するように設計されている。その結果, 病状 (PA 0.88, FWIoU 0.85) と水飽和 (PA 0.96, FWIoU 0.95) の精度が高く, 気孔率 (PA 0.70, FWIoU 0.55) と透過性 (PA 0.74, FWIoU 0.60) が適度に向上し, 翻訳性能も良好であった。
論文参考訳（メタデータ） (2025-06-21T15:58:27Z)
ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文参考訳（メタデータ） (2025-06-12T06:27:22Z)
Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach [6.595840767689357]
本研究は,知識誘導型深層学習手法の開発に向けた予備的な取り組みを示す。ウォータークラウドモデル(WCM)の原則を長期記憶モデル(LSTM)に統合する。提案手法は,全後方散乱から分離された土壌後方散乱係数とランドサット分解能植生情報と表面特性に基づいて構築される。その結果, 植生被覆や表面条件の異なる地域では, SM検索を0.02 m$3$/m$3$に減らし, 相関係数(R)を最大0.64以上とした。
論文参考訳（メタデータ） (2025-05-01T03:12:25Z)
Empirical Upscaling of Point-scale Soil Moisture Measurements for Spatial Evaluation of Model Simulations and Satellite Retrievals [6.595840767689357]
本研究では,融合と機械学習を組み合わせたアップスケーリング手法を提案し,点スケールSM測定を100mpxの解像度に外挿した。我々は4倍のクロスバリデーションを行い,0.6から0.9の範囲で連続的に比較相関性能を示した。提案手法は,研究領域内の2つの空間的部分集合を用いて,クラスタ間戦略に基づいてさらに検証された。
論文参考訳（メタデータ） (2024-04-08T06:49:59Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model [9.7723814375467]
本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
論文参考訳（メタデータ） (2023-04-12T10:31:03Z)
Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文参考訳（メタデータ） (2021-11-01T09:17:15Z)

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。