論文の概要: A Deep U-Net Framework for Flood Hazard Mapping Using Hydraulic Simulations of the Wupper Catchment

• arxiv url: http://arxiv.org/abs/2604.21028v1
• Date: Wed, 22 Apr 2026 19:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.148044
• Title: A Deep U-Net Framework for Flood Hazard Mapping Using Hydraulic Simulations of the Wupper Catchment
• Title（参考訳）: 水理シミュレーションを用いた洪水ハザードマッピングのための深部U-Netフレームワーク
• Authors: Christian Lammers, Fernando Arévalo, Leonie Märker-Neuhaus, Daniel Heinenberg, Christian Förster, Karl-Heinz Spies,
• Abstract要約: 本研究では,グリッドを横断する最大水位を高精度かつ効率的に予測する深層学習に基づく代理モデルを構築することにより,予測ツールを提案する。 この枠組みは、北ライン・ヴェストファーレン地域(ドイツ)のワッパー捕集の水理シミュレーションを用いて試験された。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing frequency and severity of global flood events highlights the need for the development of rapid and reliable flood prediction tools. This process traditionally relies on computationally expensive hydraulic simulations. This research presents a prediction tool by developing a deep-learning based surrogate model to accurately and efficiently predict the maximum water level across a grid. This was achieved by conducting a series of experiments to optimize a U-Net architecture, patch generation, and data handling for approximating a hydraulic model. This research demonstrates that a deep learning surrogate model can serve as a computationally efficient alternative to traditional hydraulic simulations. The framework was tested using hydraulic simulations of the Wupper catchment in the North-Rhein Westphalia region (Germany), obtaining comparable results.
• Abstract（参考訳）: グローバルな洪水の頻度と深刻度の増加は、迅速かつ信頼性の高い洪水予測ツールの開発の必要性を浮き彫りにしている。 このプロセスは伝統的に計算に高価な油圧シミュレーションに依存している。 本研究では,グリッドを横断する最大水位を高精度かつ効率的に予測する深層学習に基づく代理モデルを構築することにより,予測ツールを提案する。 これは、U-Netアーキテクチャ、パッチ生成、水理モデルの近似のためのデータハンドリングを最適化するための一連の実験によって達成された。 本研究は,ディープラーニングサロゲートモデルが従来の油圧シミュレーションに代わる計算効率のよい代替となることを示す。 このフレームワークは、北ライン・ヴェストファーレン地域(ドイツ)のWupper捕集の油圧シミュレーションを用いて試験され、同等の結果を得た。

関連論文リスト

• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling [19.028024402759467]
  HydroTraceは、ストリームフローを予測するアルゴリズム駆動のデータに依存しないモデルである。 ナッシュ・サトクリフ効率は98%に達し、目に見えないデータに対して強い一般化を示す。
  論文  参考訳（メタデータ） (2025-01-07T18:59:53Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• Physics-Informed Graph Neural Networks for Water Distribution Systems [3.9675504428227457]
  水道システム(WDS)は、都市開発に欠かせない重要なインフラの不可欠な部分である。 WDSにおける油圧状態推定のための物理インフォームドディープラーニング(DL)モデルを提案する。 本モデルでは,2つの油圧状態特徴を推定するために水圧原理を用いる。
  論文  参考訳（メタデータ） (2024-03-27T13:51:26Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Deep Learning Models for Flood Predictions in South Florida [0.0]
  河川システムにおける水位・段差のシミュレーションと予測は,洪水警報,水理操作,洪水軽減に不可欠である。 本研究では,複数のディープラーニングモデル(DL)をサロゲートモデルとして使用して,水ステージを高速に予測する。 この論文のケーススタディとして南フロリダのマイアミ川の一部が選ばれた。
  論文  参考訳（メタデータ） (2023-06-28T04:15:01Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。