論文の概要: DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings

• arxiv url: http://arxiv.org/abs/2607.16050v1
• Date: Fri, 17 Jul 2026 15:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.888454
• Title: DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings
• Title（参考訳）: DELUGE:基礎モデル埋め込みの解釈条件による大陸規模の毎日の洪水被害予測に向けて
• Abstract要約: アメリカ合衆国におけるNFIP(National Flood Insurance Program)の45%を占める。 本報告では, 日中多変量洪水被害予測のための多モード深層学習フレームワークであるDELUGEについて, 1kmの分解能と全国規模で紹介する。
• 参考スコア（独自算出の注目度）: 19.819705029025908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pluvial (rainfall-driven) flooding accounts for 45% of National Flood Insurance Program (NFIP) claims in the United States and is harder to predict than its riverine and coastal counterparts, with existing approaches limited to coarse resolution, regional domains, or computationally intensive process-based models unsuitable for daily continental-scale use. We present DELUGE, a multimodal deep learning framework for daily pluvial flood damage prediction at ~1 km resolution and national scale, trained on spatially and temporally corrected NFIP claims (2017-2022) and structured around the hazard, exposure, and vulnerability components of disaster risk. Rather than blanket coverage of the Conterminous United States (CONUS), we model the top 100 highest-claim 75 km cells, distributed nationwide and accounting for ~81% of total pluvial flood claims. Our architectural novelty is a pair of parametric modules in the hydrometeorology branch, a Value Modulator and a Temporal Modulator, conditioned on terrain descriptors and AlphaEarth foundation-model embeddings, that expose directly inspectable hydrological response parameters and provide architecture-level interpretability-by-design. Under a spatial block holdout, DELUGE outperforms tuned Random Forest, XGBoost, and LightGBM baselines by 9% to 30% on a dollar-weighted area under the precision-recall curve (PR-AUC), a metric that emphasizes the rare, high-cost claims of greatest operational interest. Beyond DELUGE, we argue this interpretable conditioning scheme is a transferable pattern for integrating foundation-model embeddings into other geospatial prediction tasks.
• Abstract（参考訳）: Pluvial (Rainfall-driven) floodingは、米国におけるNFIP(National Flood Insurance Program)の45%を占めており、河川や沿岸部よりも予測が難しい。 災害リスクの危険, 暴露, 脆弱性コンポーネントを中心に, 空間的および時間的に補正されたNFIPクレーム(2017-2022)に基づいて, 毎日1km程度の洪水被害予測と全国規模の多モード深層学習フレームワークDLUGEを提案する。 大陸間アメリカ合衆国(conterminous United States,CONUS)の包括的範囲ではなく、全国に分布する75kmの細胞のトップ100をモデル化し、人工洪水の総面積の約81%を占めた。 我々のアーキテクチャの新規性は、水理学の分野におけるパラメトリックモジュールのペア、バリューモジュレータとテンポラルモジュレータであり、地形記述子とAlphaEarth基盤モデル埋め込みを条件とし、直接検査可能な応答パラメータを公開し、アーキテクチャレベルの解釈可能性を提供する。 空間的ブロックホールドアウトの下では、DLUGEはRandom Forest、XGBoost、LightGBMのベースラインを精度-リコール曲線(PR-AUC)の下で、9%から30%向上させる。 DELUGE以外にも、この解釈可能な条件付けスキームは、基礎モデル埋め込みを他の地理空間予測タスクに統合するための伝達可能なパターンであると主張する。

関連論文リスト

• ST-ResGAT: Explainable Spatio-Temporal Graph Neural Network for Road Condition Prediction and Priority-Driven Maintenance [5.876489372173655]
  気候にやさしい道路網は、反応性のある固定修理から予測的で意思決定可能なメンテナンスへとパラダイムシフトする必要がある。 本稿では,時空間残差グラフ注意ネットワークST-ResGATを紹介する。 残グラフアテンション符号化とGNN時間アグリゲーションを融合し、舗装劣化を予測する。
  論文  参考訳（メタデータ） (2026-03-14T20:24:32Z)
• Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations [41.99844472131922]
  グラフニューラルネットワーク(GNN)を用いた海面温度(SST)予測のためのアンサンブル学習戦略について検討する。 我々は,北大西洋のカナリア諸島にGNNアーキテクチャを適用し,袋詰に触発された均質アンサンブルアプローチを実装した。 ガウスノイズ、パーリンノイズ、フラクタルパーリンノイズなど、複数のノイズに基づくアンサンブル生成戦略を評価する。
  論文  参考訳（メタデータ） (2026-03-06T11:04:12Z)
• 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)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• 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)
• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。