論文の概要: Data-efficient flood depth prediction through domain-aware coreset selection and tabular foundation models

• arxiv url: http://arxiv.org/abs/2606.05265v1
• Date: Wed, 03 Jun 2026 16:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.298157
• Title: Data-efficient flood depth prediction through domain-aware coreset selection and tabular foundation models
• Title（参考訳）: ドメイン認識コアセット選択と表層基礎モデルによるデータ効率の高い浸水深度予測
• Authors: Lipai Huang, Adithi Srinath, Manas Singh, Junwei Ma, Ali Mostafavi,
• Abstract要約: リアルタイムに近い洪水深度予測は、正確な、高速で、流域をまたいで移動可能なモデルを要求する。 スーパービジョンされたサロゲートは、物理ベースのシミュレータを正確にマッチングすることができるが、流域ごとに数百万のトレーニング行が必要であり、元のメッシュを超えて外挿することはできない。 本稿では,提案するドメイン対応コアセット構築パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 2.2588613467061274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Near-real-time flood depth prediction demands surrogate models that are accurate, fast, and transferable across watersheds. Supervised surrogates can match physics-based simulators in accuracy but need millions of training rows per watershed and cannot extrapolate beyond their original mesh. We propose a domain-aware coreset construction pipeline that conditions a tabular foundation model at inference time. The pipeline stratifies storms by return period and most-affected watershed, then samples hexagons with a target-aware spatial selector. With 0.7% of the per-watershed training pool, the model attains a mean $R^2$ of 0.663 across nine Houston-area watersheds, within 98.5% of the supervised reference ($R^2$ = 0.673). It transfers to held-out watersheds without task-specific retraining, staying ahead of a coreset-trained supervised baseline. On real storms it exceeds the supervised reference on a far out-of-distribution case and trails it on a mostly in-distribution one. Domain-aware coreset construction lets tabular foundation models deliver data-efficient, watershed-transferable flood predictions without per-watershed training.
• Abstract（参考訳）: リアルタイムに近い洪水深度予測は、正確な、高速で、流域をまたいで移動可能なモデルを要求する。 スーパービジョンされたサロゲートは、物理ベースのシミュレータを精度良くマッチングできるが、流域ごとに数百万のトレーニング行を必要とするため、オリジナルのメッシュを超越することはできない。 本稿では,提案するドメイン対応コアセット構築パイプラインを提案する。 パイプラインは、帰還期間と最も影響の大きい流域によって嵐を階層化し、その後、ターゲットを意識した空間セレクタで六角形をサンプリングする。 流域あたりのトレーニングプールの0.7%で、ヒューストンの9つの流域で平均的なR^2$ 0.663、監督基準の98.5%(R^2$ = 0.673)に達する。 タスク固有のリトレーニングなしで、コアセットで訓練された教師付きベースラインの前に留まる。 実際の嵐では、遠くに分布するケースの監督された基準を超え、ほとんど分布しないケースで追跡する。 ドメイン対応コアセットの構築により、表形式の基盤モデルは、流域ごとのトレーニングをせずに、データ効率が高く、水流変換可能な洪水予測を提供する。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation [0.0]
  洪水は、ダム、門、ポンプ、貯水池などの水圧構造で極端な気象現象の前に、戦略的に水を放出することで緩和または防止することができる。 地域水管理機関が使用する標準的なアプローチは「ルールベース」手法であり、歴史的およびタイムテストされた人間の経験に基づいて、所定のプレリリース水を指定する。 本研究では,正確な水事前リリースによる高速かつ最適な洪水管理を実現するための予測インフォームド深層学習アーキテクチャ (FIDLAR) を提案する。
  論文  参考訳（メタデータ） (2024-02-20T20:53:04Z)
• 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)
• MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak Inundation Depth And Decoding Influencing Features [0.8497188292342053]
  本研究は、ハリス郡の物理に基づく流体力学シミュレーションに基づいて訓練された機械学習モデルMaxFloodCastを実証する。 MaxFloodCastは、効率的かつ解釈可能な浸水深度予測を提供する。
  論文  参考訳（メタデータ） (2023-08-11T16:58:57Z)
• 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)
• 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)
• Continental-scale streamflow modeling of basins with reservoirs: a demonstration of effectiveness and a delineation of challenges [4.834945446235863]
  主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。 ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。 アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
  論文  参考訳（メタデータ） (2021-01-12T11:49:54Z)
• A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data [0.965964228590342]
  この調査ではテキサス州ハリス郡をテストベッドとし、3つの歴史的な洪水からチャネルセンサーのデータを得た。 このモデルは、2019年のヒューストンのイメルダ洪水を予測するためにテストされ、その結果は経験的な洪水とよく一致している。
  論文  参考訳（メタデータ） (2020-06-15T17:25:34Z)

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。