論文の概要: Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference

• arxiv url: http://arxiv.org/abs/2605.24106v1
• Date: Fri, 22 May 2026 18:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.6316
• Title: Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference
• Title（参考訳）: 地球観測における「物理ショック」の克服 : PINNに基づく洪水推論のための不確実性フレームワーク
• Authors: Tewodros Syum Gebre, Jagrati Talreja, Matilda Anokye, Leila Hashemi-Beni,
• Abstract要約: リモートセンシングデータからの迅速かつ正確な洪水範囲マッピングは, 災害対応に不可欠である。 標準的なディープラーニングモデルは、水文学的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。 本研究では,地球観測に特化した新しい不確実性対応PINNフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.29165586612027233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid and accurate flood extent mapping from Remote Sensing data, such as Synthetic Aperture Radar (SAR), is critical for operational disaster response, but standard Deep Learning models often produce physically impossible predictions due to a lack of hydrological constraints. While PhysicsInformed Neural Networks (PINNs) attempt to address this by embedding governing laws directly into the loss function, their application to real-world remote sensing data frequently fails. Enforcing rigid spatial derivatives (e.g., the 2D Shallow Water Equations) onto unconditioned latent spaces attempting to fit noisy SAR speckle causes catastrophic gradient divergence, a phenomenon we term Physics Shock. In this paper, we propose a novel Uncertainty-Aware PINN framework tailored specifically for applied Earth Observation that addresses this instability. By integrating a dynamic Warm-Start protocol and modeling heteroscedastic aleatoric uncertainty via a negative log-likelihood objective, the network learns to dynamically relax physical constraints in regions of high sensor noise while strictly enforcing them in high-confidence areas. Evaluated on the Sen1Floods11 dataset, our probabilistic Attention-Gated FNO-UNet successfully stabilizes multi-objective optimization, achieving a +25% relative improvement in Intersection over Union (IoU) compared to deterministic baselines. Furthermore, through Deep Ensembles, we successfully disentangle intrinsic sensor noise from out-of-distribution terrain ignorance, providing operational agencies with highly calibrated, physically consistent confidence bounds for robust disaster mitigation and real-time decision-making.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)のようなリモートセンシングデータからの高速かつ正確な洪水範囲マッピングは、運用上の災害対応には不可欠であるが、標準的なディープラーニングモデルは、水文的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。 PhysicsInformed Neural Networks (PINN) は損失関数に直接支配法則を埋め込むことでこの問題に対処しようとするが、現実世界のリモートセンシングデータへの適用は頻繁に失敗する。 剛性空間微分(例えば、2次元浅水方程式)を、ノイズの多いSARスペックルに収まるために無条件の潜在空間に強制すると、破滅的な勾配の発散が起こり、これは「物理ショック」と呼ばれる現象である。 本稿では,この不安定性に対処する応用地球観測のための新しい不確実性対応PINNフレームワークを提案する。 動的ウォーム・スタート・プロトコルを統合し、負の対数的目的によって異性論的アレタリック不確かさをモデル化することにより、高感度ノイズ領域における物理的制約を動的に緩和し、高信頼領域で厳密に実施することを学ぶ。 Sen1Floods11データセットに基づいて評価し、確率的注意獲得FNO-UNetは、決定論的ベースラインと比較して、IoU(Intersection over Union)の25%以上の相対的な改善を達成し、多目的最適化に成功している。 さらに,Deep Ensemblesを通じて,分布外の地形から固有センサノイズを除去し,高度に校正され,物理的に一貫した信頼性境界を運用機関に提供することで,災害の堅牢化とリアルタイム意思決定を実現した。

関連論文リスト

• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
  ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
  論文  参考訳（メタデータ） (2026-03-01T10:10:43Z)
• SourceNet: Interpretable Sim-to-Real Inference on Variable-Geometry Sensor Arrays for Earthquake Source Inversion [7.936803576241796]
  SourceNetはTransformerベースのフレームワークで、任意のジオメトリをモデル化するためのフレキシブルなセットとしてセンサアレイを扱う。 10万の合成イベントを事前トレーニングし、2,000の現実世界イベントを微調整することで、SourceNetは保持された実データに対する最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-01-09T21:42:28Z)
• Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints [15.082346657646902]
  微粒子の高分解能マッピング (PM2.5) は持続可能な都市化の基盤であるが, 地中モニタリングネットワークの空間的疎結合性により, 依然として重要な障害となっている。 本研究では,インダクティブ・テンポラル・クリグのための新しいフレームワークであるspatio-Guided Inference Network (SPIN)を提案する。
  論文  参考訳（メタデータ） (2025-11-20T03:18:41Z)
• AquaSentinel: Next-Generation AI System Integrating Sensor Networks for Urban Underground Water Pipeline Anomaly Detection via Collaborative MoE-LLM Agent Architecture [11.644739814142502]
  AquaSentinelは、都市地下パイプラインネットワークにおけるリアルタイムな異常検出のための物理インフォームドAIシステムである。 1) ネットワーク全体の可観測性を最小限のインフラから実現するために,高分散ノードでの戦略的スパースセンサ展開と物理ベースの状態拡張を併用する。
  論文  参考訳（メタデータ） (2025-11-19T20:53:50Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。