論文の概要: AI-based Waste Mapping for Addressing Climate-Exacerbated Flood Risk

• arxiv url: http://arxiv.org/abs/2604.18151v1
• Date: Mon, 20 Apr 2026 12:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.85276
• Title: AI-based Waste Mapping for Addressing Climate-Exacerbated Flood Risk
• Title（参考訳）: 気候変動に伴う洪水リスクに対処するAIを用いた廃棄物マッピング
• Authors: Steffen Knoblauch, Levi Szamek, Iddy Chazua, Benedcto Adamu, Innocent Maholi, Alexander Zipf,
• Abstract要約: 本研究では,タンザニアのダルエスサラームにAIを活用した都市ごみマッピングワークフローを導入する。 提案手法は, 非公式な居住環境と社会経済的要因に関連する空間的廃棄物パターンを明らかにする。 結果は, 都市計画, 気候適応, 持続的な廃棄物管理に有効である。
• 参考スコア（独自算出の注目度）: 35.39124330470992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban flooding is a growing climate change-related hazard in rapidly expanding African cities, where inadequate waste management often blocks drainage systems and amplifies flood risks. This study introduces an AI-powered urban waste mapping workflow that leverages openly available aerial and street-view imagery to detect municipal solid waste at high resolution. Applied in Dar es Salaam, Tanzania, our approach reveals spatial waste patterns linked to informal settlements and socio-economic factors. Waste accumulation in waterways was found to be up to three times higher than in adjacent urban areas, highlighting critical hotspots for climate-exacerbated flooding. Unlike traditional manual mapping methods, this scalable AI approach allows city-wide monitoring and prioritization of interventions. Crucially, our collaboration with local partners ensured culturally and contextually relevant data labeling, reflecting real-world reuse practices for solid waste. The results offer actionable insights for urban planning, climate adaptation, and sustainable waste management in flood-prone urban areas.
• Abstract（参考訳）: 都市洪水は、急速に拡大するアフリカの都市では気候変動に関連する危険が増大しており、不適切な廃棄物管理が排水システムを阻害し、洪水のリスクを増大させる。 本研究では, 都市ごみを高分解能で検出するために, 空路画像と路面画像を利用したAIを活用した都市ごみマッピングワークフローを提案する。 タンザニアのダル・エス・サラーム(Dar es Salaam)に応用すると, 非公式の集落や社会経済的要因に関連する空間的廃棄物パターンが明らかになる。 水路内の廃棄物の蓄積量は、隣接する都市部に比べて最大3倍も高く、気候が悪化する洪水にとって重要なホットスポットが浮かび上がった。 従来の手動マッピング方法とは異なり、このスケーラブルなAIアプローチは、都市全体の監視と介入の優先順位付けを可能にする。 重要なことは、地元パートナーとのコラボレーションによって、文化的かつ文脈的に関連するデータラベリングが保証され、固体廃棄物の実際の再利用プラクティスが反映されました。 この結果は, 都市計画, 気候適応, 持続的な廃棄物管理に有効である。

関連論文リスト

• Learning long term climate-resilient transport adaptation pathways under direct and indirect flood impacts using reinforcement learning [2.52487898284169]
  本研究では,不確実性の下で適応型多層投資経路を学習するための総合的な意思決定支援フレームワークを提案する。 このフレームワークは、長期の気候予測と、予測された極寒のドライバーを危険リスクにマッピングするモデルを組み合わせる。 避けられた影響に対して投資と維持費をトレードオフする適応的な気候適応政策を学ぶ。
  論文  参考訳（メタデータ） (2026-01-26T15:32:40Z)
• Unsupervised Urban Tree Biodiversity Mapping from Street-Level Imagery Using Spatially-Aware Visual Clustering [2.757627877483678]
  都市部の樹木の多様性は、気候の回復力、生態学的安定性、および都市の自由性に重要である。 フィールドベースの在庫はシャノンとシンプソンの多様性の信頼できる見積もりを提供するが、コストと時間を要する。 街路レベルの画像からの視覚的埋め込みと空間的植込みパターンを統合し,ラベルなしで生物多様性を推定する,教師なしクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T13:18:22Z)
• Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments [0.0]
  都市大気汚染は、特にデリーのような人口密度が高く交通量の多い地域では、世界規模で懸念されている。 本研究では, 空気浄化ブースの設置を最適化するための新しい深層強化学習フレームワークを提案する。 我々は、最先端の強化学習アルゴリズムであるPPO(Proximal Policy Optimization)を反復的に学習し、高い影響のある場所を特定します。
  論文  参考訳（メタデータ） (2025-05-01T17:19:48Z)
• AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment [46.56288727659417]
  大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。 本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。 AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-02-25T07:34:18Z)
• AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
  AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。 AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。 実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-11-29T08:14:07Z)
• CMIP X-MOS: Improving Climate Models with Extreme Model Output Statistics [40.517778024431244]
  自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。 この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。 これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-24T13:18:53Z)
• Prediction of Transportation Index for Urban Patterns in Small and Medium-sized Indian Cities using Hybrid RidgeGAN Model [0.0]
  本研究は,中小都市における都市交通指標の予測におけるいくつかの課題に対処する。 Kernel Ridge Regression(KRR)とCityGANに基づくハイブリッドフレームワークを導入し、交通指標を予測する。 提案したハイブリッドパイプラインはリッジGANモデルと呼ばれ、都市スプロールの持続可能性を評価することができる。
  論文  参考訳（メタデータ） (2023-06-09T15:05:40Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)

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。