論文の概要: Deep Learning for Remote Sensing to Improve Flood Inundation Mapping
- arxiv url: http://arxiv.org/abs/2606.02310v1
- Date: Mon, 01 Jun 2026 14:28:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.282409
- Title: Deep Learning for Remote Sensing to Improve Flood Inundation Mapping
- Title（参考訳）: リモートセンシングのための深層学習によるフラッドインダクションマッピングの改善
- Authors: Yogesh Bhattarai, Vijay Chaudhary, Wai Lim Kim, Sanjib Sharma,
- Abstract要約: 本稿では,拡散確率モデルに基づく洪水画像のクラウド除去フレームワークを提案する。
現実的な雲のパターンでマルチスペクトルのSentinel-2B洪水シーンで訓練されたこのモデルは、クラウドフリーの画像実現を生成する。
以上の結果から,光フラッシャモニタリングにおいて,拡散に基づく生成モデリングがクラウド除去の頑健かつ物理的に一貫した代替手段となることが示唆された。
- 参考スコア（独自算出の注目度）: 0.09332987715848712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flooding is the most pervasive natural disaster worldwide. Timely and accurate flood inundation mapping are essential for informing disaster risk management. Optical satellite missions provide high-resolution, multispectral observations critical for flood detection and inundation mapping. However, their operational utility is severely constrained by cloud cover during extreme precipitation events. Conventional cloud-removal techniques based on temporal compositing or interpolation often fail to capture inundation dynamics. In this study, we introduce a cloud-removal framework for flood imagery based on Denoising Diffusion Probabilistic Models, leveraging the Masked Diffusion Transformer architecture. The proposed approach exploits self-attention mechanisms to capture wider spatial context and employs masked token modeling to explicitly learn the reconstruction of cloud-obscured regions. Trained on multispectral Sentinel-2B flood scenes with realistic cloud patterns, the model generates cloud-free image realizations that preserve both visual fidelity and hydrological consistency. Reconstruction performance is evaluated using standard image quality metrics alongside flood-specific hydrological measures, demonstrating improved continuity of water bodies and preservation of spectral signatures critical for water detection indices. The results indicate that diffusion-based generative modeling offers a robust and physically consistent alternative for cloud removal in optical flood monitoring, enabling more reliable, continuous observations to support disaster risk management and flood-related decision making.
- Abstract（参考訳）: 洪水は世界中に広がる自然災害である。
タイムリーかつ正確な浸水マッピングは,災害リスク管理の実施に不可欠である。
光衛星ミッションは、洪水検出と浸水マッピングに不可欠な高解像度のマルチスペクトル観測を提供する。
しかし、その運用用途は、極端な降水イベントの間、雲の覆いによって厳しく制約されている。
時間的合成や補間に基づく従来の雲除去技術は、しばしば浸水力学を捉えるのに失敗する。
本研究では,Masked Diffusion Transformer アーキテクチャを活用し,デノイング拡散確率モデルに基づく洪水画像のクラウド除去フレームワークを提案する。
提案手法は,より広い空間的コンテキストを捉えるための自己注意機構を利用して,雲状領域の再構築を明示的に学習するためにマスク付きトークンモデリングを用いる。
マルチスペクトルのSentinel-2Bフラッドシーンを現実的な雲のパターンでトレーニングし、雲のない画像認識を生成し、視覚的忠実度と水文的一貫性を両立させる。
また, 水質指標と洪水特異的な水文測定値を用いて復元性能を評価し, 水域の連続性の向上と水検出指標に不可欠なスペクトルの保存を実証した。
その結果, 拡散型生成モデルにより, 光フラッドモニタリングにおけるクラウド除去の堅牢かつ物理的に一貫した代替手段が得られ, より信頼性が高く連続的な観測が可能となり, 災害リスク管理と洪水関連意思決定を支援することが示唆された。
関連論文リスト
- Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。
本稿ではフォグフール(FogFool)を提案する。
2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-04-16T05:47:57Z) - RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。
提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-23T15:41:40Z) - Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。
マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。
降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-22T15:50:00Z) - SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery [0.0]
SatFlowは低分解能MODIS画像とランドサット観測を融合して高分解能・高分解能表面反射率画像を生成する生成モデルベースフレームワークである。
条件付きフローマッチングを用いて学習した本モデルでは, 構造的・スペクトル的整合性のある画像の生成性能が向上した。
この機能は、作物のフェノロジー追跡や環境変化検出など、下流のアプリケーションに不可欠である。
論文 参考訳（メタデータ） (2025-02-03T06:40:13Z) - AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。
本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
論文 参考訳（メタデータ） (2025-01-14T17:26:02Z) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳（メタデータ） (2022-12-23T03:00:28Z) - Hierarchical Terrain Attention and Multi-Scale Rainfall Guidance For
Flood Image Prediction [14.075721797920679]
本稿では,階層的な地形空間の注意を取り入れた,精密な洪水地図予測のための新しい枠組みを提案する。
我々は, 発電機と判別器の双方に降雨回帰損失を付加監督として活用する。
我々の手法は降雨条件の異なる過去の技術を大きく上回っている。
論文 参考訳（メタデータ） (2022-12-04T13:17:21Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - 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) - Breaking the Limits of Remote Sensing by Simulation and Deep Learning
for Flood and Debris Flow Mapping [13.167695669500391]
リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。
水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。
このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
論文 参考訳（メタデータ） (2020-06-09T10:59:15Z)
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。