論文の概要: HaorFloodAlert: Deseasonalized ML Ensemble for 72-Hour Flood Prediction in Bangladesh Haor Wetlands

• arxiv url: http://arxiv.org/abs/2605.20167v1
• Date: Tue, 19 May 2026 17:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.572126
• Title: HaorFloodAlert: Deseasonalized ML Ensemble for 72-Hour Flood Prediction in Bangladesh Haor Wetlands
• Title（参考訳）: HaorFloodAlert: バングラデシュにおける72時間洪水予測のためのMLアンサンブル
• Authors: Salma Hoque Talukdar Koli, Fahima Haque Talukder Jely, Md. Samiul Alim, Md. Zakir Hossen,
• Abstract要約: バングラデシュの湿地で13日、洪水が発生し、ほとんど警告は出なかった。 河川の洪水のために建設された現在の施設は、バックウォーターのダイナミクスを完全に見逃している。 私たちはHaorFloodAlertを開発しました。これは、Sunamganj Haorの72時間の洪水確率を予測できる、デシーズン化された機械学習アンサンブルです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flash floods in Bangladesh's haor wetlands show up with almost no warning. They wreck the annual boro rice harvest. Current setups, built for riverine floods, miss backwater dynamics entirely. These basins are flat. Water does not behave like it does on the Brahmaputra. We built HaorFloodAlert, a deseasonalized machine learning ensemble that forecasts 72-hour flood probability for the Sunamganj Haor (approximately 8,000 km2). Temperature was acting as a seasonal cheat code - it inflated accuracy by 6.9 pp just because floods happen in warm months. We caught that. We also built an upstream Barak River Sentinel-1 SAR proxy from Silchar, Assam, giving about 36 hours of lead time. Otsu-thresholded SAR change detection validates at 84-91 percent spatial match. The operational ensemble (RF 0.5625 + XGBoost 0.4375) hits 89.6 percent LOOCV accuracy, 87.5 percent recall, and 0.943 AUC-ROC on 77 real Sentinel-1 events. A three-tier alert pipeline and a BRRI-calibrated boro rice damage estimator are included.
• Abstract（参考訳）: バングラデシュの湿地で13日、洪水が発生し、ほとんど警告は出なかった。 彼らは毎年のボロ稲の収穫を壊した。 河川の洪水のために建設された現在の施設は、バックウォーターのダイナミクスを完全に見逃している。 これらの盆地は平らです。 水はブラフマプトラのように振る舞わない。 私たちはHaorFloodAlertを作りました。この機械学習アンサンブルは、Sunamganj Haor(約8000km2)の72時間の洪水確率を予測します。 気温は季節的な不正コードとして振る舞われており、温暖な月に洪水が起こるため、正確度は6.9pp上昇した。 私たちはそれをつかんだ。 また、アサムのSilcharから上流のBarak River Sentinel-1 SARプロキシを構築し、約36時間のリードタイムを与えました。 大津ホールドSAR変化検出は84-91%の空間一致で検証される。 運用アンサンブル(RF 0.5625 + XGBoost 0.4375)は89.6%のLOOCV精度、87.5%のリコール、8.43のAUC-ROCで77の実際のSentinel-1イベントが行われた。 三段警戒パイプラインとBRRI校正ボロ米被害推定器を含む。

関連論文リスト

• Flood Risk Follows Valleys, Not Grids: Graph Neural Networks for Flash Flood Susceptibility Mapping in Himachal Pradesh with Conformal Uncertainty Quantification [0.20871483263418808]
  洪水はインドのヒマハル・プラデーシュで最も破壊的な自然災害であり、2023年のモンスーンシーズンだけで400人以上が死亡し、12億ドルの損失を出した。 既存のリスクマップはすべてのピクセルを独立して扱う。 我々は、流域接続グラフに基づいて訓練されたグラフニューラルネットワーク(GraphSAGE)でこの問題に対処する。
  論文  参考訳（メタデータ） (2026-03-15T02:54:24Z)
• 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)
• RiverMamba: A State Space Model for Global River Discharge and Flood Forecasting [22.01585992639946]
  近年の河川流出予測の深層学習手法により,洪水予測の精度と効率が向上した。 既存の水文学における深層学習のアプローチは、主に局所的な応用に限られている。 本稿では,長期的再分析データを用いた新しいディープラーニングモデルであるRiverMambaを紹介する。
  論文  参考訳（メタデータ） (2025-05-28T16:21:58Z)
• A Spatial-temporal Deep Probabilistic Diffusion Model for Reliable Hail Nowcasting with Radar Echo Extrapolation [23.505051094150126]
  本稿では,レーダエコー外挿によるハイル流し込みのための時空間gEnerAtive Model(SteamCast)を提案する。 SteamCastは、9つの異なる垂直方向のレーダー反射率変数に対して6分間隔で30分間の流星を、中国のヤンヤン市で約1km×1kmの解像度で緯度-経度格子上に供給している。 レーダエコーの時空間的特徴をうまく融合させることで、SteamCastは競争力を提供し、場合によってはPredRNNやVMRNNのような他のディープラーニングベースモデルよりも優れた結果をもたらす。
  論文  参考訳（メタデータ） (2025-03-26T04:14:19Z)
• Satellite-Surface-Area Machine-Learning Models for Reservoir Storage Estimation: Regime-Sensitive Evaluation and Operational Deployment at Loskop Dam, South Africa [0.0]
  予測誤差は、低(250 x 106立方メートル)と高(250 x 106立方メートル)の2つの状態に分解された。 リッジ回帰はRMSE (12.3×106立方メートル) が最も低く、GBが16%、RFが7%向上した。 i)日常的な作業に毎日GBの再訓練を,ii)干ばつ早期警告にリッジを,iii)すべての気象ダッシュボードに積み重ねたブレンドを推奨する。
  論文  参考訳（メタデータ） (2025-02-27T11:14:14Z)
• UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
  UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。 8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。 我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
  論文  参考訳（メタデータ） (2024-06-06T14:28:43Z)
• Kuro Siwo: 33 billion $m^2$ under the water. A global multi-temporal satellite dataset for rapid flood mapping [3.0231703355316104]
  最近のパキスタンとニュージーランドの破滅的な出来事は、正確な洪水マッピングの必要性を浮き彫りにしている。 我々は、世界中の43の洪水イベントにまたがる、手動で注釈付きマルチ時間データセットであるKuro Siwoを紹介した。 私たちのデータセットは338億ドル(約3兆3300億円)以上の土地をマッピングしています。
  論文  参考訳（メタデータ） (2023-11-18T13:55:05Z)
• Graph Transformer Network for Flood Forecasting with Heterogeneous Covariates [2.694662116529994]
  河川システムのためのグラフ変換器ネットワーク(FloodGTN)を用いた洪水予測ツール FloodGTNは、グラフニューラルネットワーク(GNN)とLSTMを用いて、異なる監視ステーションにおける水位の連続時間依存性を学習する。 FloodGTNツールを南フロリダ水管理地区のデータに適用した。
  論文  参考訳（メタデータ） (2023-10-11T16:24:06Z)
• 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)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)

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。