論文の概要: Learning Displacement-Robust Representations for Landslide Early Warning under Rainfall Forecast Uncertainty

• arxiv url: http://arxiv.org/abs/2605.17419v1
• Date: Sun, 17 May 2026 12:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.366674
• Title: Learning Displacement-Robust Representations for Landslide Early Warning under Rainfall Forecast Uncertainty
• Title（参考訳）: 降雨予知不確かさ下における地すべり早期警戒のための変位・破壊表現の学習
• Authors: Ren Ozeki, Hamada Rizk, Hirozumi Yamaguchi,
• Abstract要約: リアルタイム災害監視のための地すべり早期警報システム(LEWS)は,近未来の地すべりリスクを見積もる必要がある。 近年の地すべり予測手法は,統計的および深層学習手法を用いて予測性能を向上した。 しかし、運用環境では、地すべり予測は降雨の予測に依存しており、しばしば降雨場の空間的変位を含む。
• 参考スコア（独自算出の注目度）: 6.244816393907942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rainfall-induced landslides pose a growing risk worldwide as climate change intensifies extreme rainfall events. To provide sufficient evacuation time, landslide early warning systems (LEWS) for real-time disaster monitoring must estimate near-future landslide risk by integrating observed rainfall with short-term rainfall forecasts from spatio-temporal environmental data streams. Although recent landslide prediction methods have improved predictive performance using statistical and deep learning approaches, most assume accurate rainfall inputs. In operational settings, however, landslide prediction relies on rainfall forecasts, which often contain spatial displacement of rainfall fields due to forecasting uncertainties. Such displacement can alter local accumulated rainfall and degrade prediction accuracy. To address this challenge, we propose a novel LEWS robust to rainfall field displacement. The key idea is to learn latent representations from rainfall and terrain data that remain stable under displacement in rainfall field motion, enabling reliable geospatial data integration for landslide risk estimation. The landslide prediction model is trained using Rainfall-Motion-Aware Contrastive Learning (RMCL), which introduces temporally correlated rainfall field perturbations to emulate forecast-induced displacement in rainfall-driven spatio-temporal environmental data streams. Experiments were conducted using two years of rainfall and terrain data across Japan, covering 19 regions with landslide events. The proposed system achieved up to 37% higher precision than state-of-the-art baselines. These results demonstrate that modeling rainfall as a moving spatial field and addressing rainfall field displacement during learning significantly improve the reliability of short-term landslide prediction in operational early warning systems.
• Abstract（参考訳）: 降雨によって引き起こされる地すべりは、気候変動が極端な降雨を増大させるにつれて、世界中でリスクが増大する。 リアルタイム災害監視のための地すべり早期警報システム (LEWS) は, 観測雨量と時空間データストリームからの短期降雨予測を統合することで, 地すべりの危険性を推定しなければならない。 近年の地すべり予測手法は, 統計的および深層学習による予測性能の向上を図っているが, 多くの場合, 正確な降雨入力を前提としている。 しかし、運用環境では、地すべり予測は、不確実性の予測による降雨場の空間的変位を含む場合が多い降雨予測に依存する。 このような変位は局所的な降雨量を変化させ、予測精度を低下させる。 この課題に対処するために,降雨場変位に頑健な新しいLEWSを提案する。 重要な考え方は、降雨場運動の変位下で安定な地形データや降雨地データから潜伏表現を学習し、地すべりリスク推定のための信頼性の高い地理空間データ統合を可能にすることである。 地すべり予測モデルは, 降雨駆動時空間環境データストリームの予測誘起変位をエミュレートするために, 時間的に相関した降雨場摂動を導入した降雨運動対応コントラスト学習(RMCL)を用いて訓練される。 地すべりの19地域を対象として,2年間の降雨量と地形データを用いて実験を行った。 提案システムは最先端のベースラインよりも最大で37%精度が向上した。 これらの結果から, 早期警戒システムにおいて, 降雨を移動空間場としてモデル化し, 学習中の降雨場変位に対処することにより, 短期的な地すべり予測の信頼性が向上することが示唆された。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• DPSformer: A long-tail-aware model for improving heavy rainfall prediction [48.884870685632755]
  DPSformerは,高分解能分岐による豪雨イベントの表現を充実させる長テール認識モデルである。 豪雨の場合、DPSformerはベースラインの数値気象予測(NWP)モデルのCritical Success Index(CSI)を0.012から0.067に引き上げる。 我々の研究は、降雨予測のための効果的な長期的パラダイムを確立し、早期警戒システムを強化し、極端な気象事象の社会的影響を軽減するための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2025-09-20T15:09:38Z)
• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• Graph Learning-based Regional Heavy Rainfall Prediction Using Low-Cost Rain Gauges [0.0]
  農村部における降雨の自動記録・監視・予測のための低コストIoTシステムを提案する。 第2に,グラフニューラルネットワーク(GNN)を実装した地域豪雨予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-22T03:40:16Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Accurate and Clear Precipitation Nowcasting with Consecutive Attention and Rain-map Discrimination [11.686939430992966]
  本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。 このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
  論文  参考訳（メタデータ） (2021-02-16T14:22:54Z)

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。