論文の概要: Land cover and flood type govern the detection limits of satellite-based flood mapping across diverse global flood events

• arxiv url: http://arxiv.org/abs/2606.07780v1
• Date: Fri, 05 Jun 2026 18:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.389542
• Title: Land cover and flood type govern the detection limits of satellite-based flood mapping across diverse global flood events
• Title（参考訳）: 多様な地球規模の洪水イベントにおける衛星による洪水の観測限界の土地被覆と洪水タイプによる支配
• Authors: Venkatesh Kolluru, Rajat Shinde, Abdelhak Marouane, Caden Helbling, Deepak Shah, Othneil Drew, Iksha Gurung, Manil Maskey, Rahul Ramachandran,
• Abstract要約: 洪水は最も破壊的な自然災害の1つであり、気候変動に伴う頻度の増加は、衛星ベースの浸水マッピングを災害対応に欠かせないものにしている。 衛星で事前訓練された地球空間基盤モデルは、転送性を提供するが、その運用上の信頼性は様々であり、目に見えない。 ここでは,6つの大陸,8つの気候帯,および6つの洪水メカニズムにまたがる19のアウト・オブ・ディストリビューション・フラッド・イベントにPrithvi-EO-2.0を配置し,2つの独立基準製品に対する検証を行った。
• 参考スコア（独自算出の注目度）: 0.3448975792603021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods are among the most destructive natural hazards, and their increasing frequency under climate change makes satellite-based inundation mapping essential for disaster response. Geospatial foundation models pretrained on satellite archives offer geographic transferability, but their operational reliability across diverse, unseen events remains uncharacterized. Here we deploy Prithvi-EO-2.0 across 19 out-of-distribution flood events (2017-2025) spanning six continents, eight climate zones, and six flood mechanisms, validating against two independent reference products. Detection accuracy depended jointly on land cover and flood type, with cropland yielding the highest agreement (IoU=52%) and riverine events the strongest detection (F1=0.69), while tree cover and built-up areas showed near-zero detection (IoU=4%) regardless of flood mechanism. Dual-reference validation revealed that apparent model error partly reflects definitional inconsistency between reference products rather than detection failure. Iterative pipeline testing identified 23 failure modes, with pipeline engineering dominating initial error over model capacity. These findings establish environment-dependent detection boundaries for operational satellite flood mapping.
• Abstract（参考訳）: 洪水は最も破壊的な自然災害の1つであり、気候変動に伴う頻度の増加は、衛星ベースの浸水マッピングを災害対応に欠かせないものにしている。 衛星アーカイブで事前訓練された地理空間基盤モデルは、地理的転送性を提供するが、多種多様な未確認事象に対する運用上の信頼性は、まだ実現されていない。 ここでは,6つの大陸,8つの気候帯,および6つの洪水メカニズムにまたがる19のアウト・オブ・ディストリビューション・フラッド・イベント(2017-2025)にPrithvi-EO-2.0を配置し,2つの独立基準製品に対する検証を行った。 検定精度は土地被覆型と洪水型に比例し,農耕地は最高合意(IoU=52%),河川イベントは最強検出(F1=0.69),樹木被覆と造成地域は洪水機構にかかわらずほぼゼロに近い検出(IoU=4%)を示した。 二重参照検証により、明らかなモデル誤差は、検出失敗ではなく、参照商品間の定義上の矛盾を部分的に反映していることが明らかとなった。 繰り返しパイプラインテストでは、23の障害モードを特定し、パイプラインエンジニアリングがモデルのキャパシティよりも初期のエラーを支配した。 これらの知見は, 運用衛星フラッドマッピングのための環境依存的な検出境界を確立する。

関連論文リスト

• Deep Learning for Remote Sensing to Improve Flood Inundation Mapping [0.09332987715848712]
  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。
  論文  参考訳（メタデータ） (2026-06-01T14:28:48Z)
• Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
  災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。 タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。 DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
  論文  参考訳（メタデータ） (2026-05-12T06:57:41Z)
• 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)
• Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale [0.44993939572253855]
  洪水は最も被害を被る気象災害の一つであり、2024年は過去最高に暑く、極端な洪水が5大陸の地域社会に影響を与えた。 最近のGeospatial Foundation Models (GFMs) は、大規模自己監督型事前訓練による一般化性の向上を提供する。 我々は、FloodsNetを用いた洪水範囲マッピングのためにESA-IBMのTerraMindを微調整する。
  論文  参考訳（メタデータ） (2025-11-27T19:04:01Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• Spatial-variant causal Bayesian inference for rapid seismic ground failures and impacts estimation [3.190793775376023]
  地震後の地盤破壊と建物被害の迅速かつ正確な推定は、地震後の効果的な応答に不可欠である。 先進的な進歩は、新しい因果グラフベースのベイジアンネットワークを導入し、地震の地すべりを継続的に改善し、衛星画像から得られた損傷推定を構築した。 本研究では, 空間的複雑度を考慮に入れた手法として, 周囲のハザードから関係を捉えるために, 両側フィルタの影響を受けやすい空間変数を導入する手法を考案した。
  論文  参考訳（メタデータ） (2024-11-18T15:01:28Z)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  DAVI(Disaster Assessment with Vision foundation model)は,ドメインの格差に対処し,ターゲット領域に接地トラストラベルを必要とせずに建物レベルで構造的損傷を検出する手法である。 DAVIは、ソース領域で訓練されたモデルからのタスク固有の知識と、イメージセグメンテーションモデルからのタスク非依存の知識を組み合わせて、ターゲット領域の潜在的な損傷を示す擬似ラベルを生成する。 次に、2段階の精錬プロセスを使用し、ピクセルレベルと画像レベルの両方で動作し、災害被害地域の変化を正確に識別する。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• 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)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)

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。