論文の概要: Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery

• arxiv url: http://arxiv.org/abs/2606.06524v1
• Date: Tue, 02 Jun 2026 19:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.341279
• Title: Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery
• Title（参考訳）: 物理誘導ディープラーニングによる洪水予測の高度化:UNet, FNO, SAR/Optical Imageryを併用して
• Authors: Tewodros Syum Gebre, Jagrati Talreja, Leila Hashemi-Beni,
• Abstract要約: この研究は、多モードリモートセンシングと深さ平均浅水方程式を統合した物理誘導型ディープラーニングフレームワークを導入する。 提案したハイブリッドアーキテクチャは、UNetとFNO(Fourier Neural Operator)を組み合わせて、流域と流域の油圧相互作用をモデル化する。 このモデルは0.82のユニオンと0.90のF1スコアのインターセクションを達成し、UNetのみのベースラインとFNOのみのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.3186130813218338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and scalable flood mapping remains challenging due to limited ground observations, heterogeneous terrain conditions, and the difficulty of enforcing hydrodynamic consistency within data-driven models. This work introduces a physics-guided deep learning framework that integrates multi-modal remote sensing (Sentinel-1 SAR, Sentinel-2 optical imagery, and DEM-derived terrain features) with constraints from the depth-averaged shallow water equations (SWE). The proposed hybrid architecture combines a UNet to capture fine-scale spatial details with a Fourier Neural Operator (FNO) to model basin-scale hydraulic interactions, while physics-informed residual losses ensure mass and momentum consistency. Evaluated across diverse floodplain settings, the hybrid model achieves an Intersection over Union of 0.82 and an F1 score of 0.90 for flood extent prediction, outperforming UNet-only and FNO-only baselines. Using hydrodynamic simulations as reference data, the model achieves an RMSE of 0.21 m for water depth and 0.15 m/s for flow velocity. Physics consistency is maintained, with low residuals and mass imbalance below 2.1%. Ablation studies confirm that removing physicsbased regularization significantly degrades performance, underscoring the value of physical constraints for stability and generalization. These results demonstrate that embedding hydrodynamic principles into deep learning yields more accurate, reliable, and physically coherent flood predictions, offering strong potential for operational monitoring and large-scale deployment.
• Abstract（参考訳）: 精密でスケーラブルな洪水マッピングは、地上観測の制限、不均一な地形条件、およびデータ駆動モデルにおける流体の整合性の強化が困難であるため、依然として困難である。 本研究では,マルチモーダルリモートセンシング(Sentinel-1 SAR,Sentinel-2光画像,DEM由来地形特徴)を,深度平均浅水方程式(SWE)の制約と統合した物理誘導型ディープラーニングフレームワークを提案する。 提案したハイブリッドアーキテクチャは、UNetとFNO(Fourier Neural Operator)を組み合わせて、流域と流域の油圧相互作用をモデル化する。 多様な洪水原の設定で評価され、ハイブリッドモデルは0.82のユニオンと0.90のF1スコアを達成し、UNetのみのベースラインとFNOのみのベースラインを上回っている。 流体力学シミュレーションを基準データとして、水深0.21m、流速0.15m/sのRMSEを達成する。 物理の一貫性は維持され、残留率が低く、質量不均衡は2.1%以下である。 アブレーション研究は、物理学に基づく正則化の除去が性能を著しく低下させ、安定性と一般化のための物理的制約の値が強調されることを確認した。 これらの結果は, 流体力学の原理を深層学習に組み込むことにより, より正確で信頼性が高く, 物理的に一貫性のある洪水予測が得られ, 運用監視や大規模展開に強い可能性を示唆している。

関連論文リスト

• Physics-Informed Machine Learning for Short-Term Flood Prediction [0.3186130813218338]
  本研究では,LSTMモデルの損失関数に直接,水文学的な知識を組み込むフレームワークを提案する。 特に、トレンドアライメント制約は、降水と放電の傾向の方向性の不整合を罰する。 この正規化は、限られた訓練データであっても、物理的に妥当なヒドログラフの振る舞いを学ぶことを奨励する。
  論文  参考訳（メタデータ） (2026-06-02T19:01:06Z)
• Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments [0.0]
  この研究は、幾何学的-流体力学的力をリアルタイムで予測することでギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。
  論文  参考訳（メタデータ） (2026-05-18T15:24:23Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots [0.5161531917413708]
  本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。 オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。 4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
  論文  参考訳（メタデータ） (2026-03-06T18:35:48Z)
• PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
  本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。 このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
  論文  参考訳（メタデータ） (2026-01-23T00:43:51Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling [0.8999666725996978]
  沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-20T16:06:10Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)

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。