論文の概要: Physics-Informed CNN-LSTM for Street-Scale Urban Flood Prediction: Reconciling Aggregate Accuracy and Street-Level Plausibility

• arxiv url: http://arxiv.org/abs/2607.25148v1
• Date: Mon, 27 Jul 2026 23:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.660157
• Title: Physics-Informed CNN-LSTM for Street-Scale Urban Flood Prediction: Reconciling Aggregate Accuracy and Street-Level Plausibility
• Title（参考訳）: 物理インフォームCNN-LSTMによる街路規模の都市洪水予測:アグリゲートの精度と街路レベルの可視性の再検討
• Authors: Luc DCosta, Yidi Wang, Jonathan L. Goodall, Rohan Chandra,
• Abstract要約: 平均二乗誤差損失で訓練されたディープラーニングサロゲートモデルは、統計的に正確だが物理的に制約のない洪水予測を生成する。 我々は,CNN-LSTMモデルの物理インフォームドトレーニングフレームワークを開発し,128×128の空間格子上で15分間隔で都市洪水深度を予測する。
• 参考スコア（独自算出の注目度）: 4.789111524845274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning surrogate models trained with mean-squared-error loss produce statistically accurate but physically unconstrained flood predictions: water may flow uphill, appear spontaneously, or smooth over street-level corridors. We develop a physics-informed training framework for CNN-LSTM models that predict urban flood depths at 15 min intervals over a 128x128 spatial grid. Three differentiable penalty terms are embedded into the loss: (i) a gravity loss penalizing depth increases against the water-surface-elevation gradient, (ii) a continuity loss enforcing local mass conservation with rainfall-adaptive thresholds, and (iii) a topography-aware false-alarm penalty modulated by the topographic wetness index (TWI). We evaluate on the Norfolk, Virginia flood dataset spanning two storm events (August 2017 and September 2022, 300 samples), with all variants trained on identical splits and robustness assessed over repeated random splits and leave-one-storm-out tests. A road-proximal evaluation restricted to a TWI-derived street mask quantifies street-level skill. The physics-constrained model achieves near-zero gravity violations (order 1e-6) and the highest street-channel recall (0.77 +/- 0.09 vs 0.44 +/- 0.10 for the unconstrained baseline), the capability most relevant to traffic routing, and its advantage more than doubles on a held-out storm; a uniform false-alarm variant attains 16% lower mean absolute error but suppresses street recall to 0.25. The TWI-modulated penalty reconciles this trade-off: it improves on the uniform variant on every metric, recovering 60% higher street recall at the lowest MAE among constrained variants and the best street-level F1. These results expose a fundamental tension between aggregate pixel-level error and application-specific physical plausibility, and show that terrain-aware loss modulation offers a principled resolution.
• Abstract（参考訳）: 平均二乗誤差損失で訓練された深層学習サロゲートモデルは、統計的に正確だが物理的に制約のない洪水予測をもたらす。 我々は,CNN-LSTMモデルの物理インフォームドトレーニングフレームワークを開発し,128×128の空間格子上で15分間隔で都市洪水深度を予測する。 損失には3つの異なる刑期が組み込まれている。 一 水面上昇勾配に対して重力損失のペナライズ深さが増加すること。 二 降雨適応しきい値による局所的質量保存の継続損失及び 3)TWI(Topographic wetness Index)によって調節される、トポグラフィーを意識した偽アラームの処罰。 我々は、2つの嵐イベント(2017年8月と2022年9月、300サンプル)にまたがるノーフォークの洪水データセットを評価し、同じ分割とロバスト性に基づいて訓練された全ての変種を、繰り返しランダム分割と1回の暴風試験で評価した。 TWI由来の街路マスクに制限された道路近位評価は、街路レベルのスキルを定量化する。 物理制約付きモデルは、ほぼゼロに近い重力違反(順番1e-6)と、最も高いストリートチャネルリコール(0.77 +/- 0.09 vs 0.44 +/- 0.10)、トラフィックルーティングに最も関係する能力、そしてその利点は、ホールトアウトストームで2倍以上、均一なフェイルアラーム変種は平均絶対誤差が16%低下するが、ストリートリコールは0.25に抑制される。 TWI変調されたペナルティは、すべてのメートル法における均一な変量を改善することで、制約のある変量と最高の街路レベルのF1の中で、最も低いMAEで60%高い街路リコールを回復する。 これらの結果は,集合画素レベルの誤差とアプリケーション固有の物理的可視性の間に根本的緊張関係を呈し,地形認識による損失変調が原理的解決をもたらすことを示す。

関連論文リスト

• DELUGE: Towards Continental-Scale Daily Pluvial Flood Damage Prediction via Interpretable Conditioning on Foundation Model Embeddings [19.819705029025908]
  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。
  論文  参考訳（メタデータ） (2026-07-17T15:27:47Z)
• Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery [0.3186130813218338]
  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。
  論文  参考訳（メタデータ） (2026-06-02T19:14:04Z)
• Multi-Quantile Regression for Extreme Precipitation Downscaling [2.2165845825140695]
  降水量減少のための深い超解像ネットワークは、強いバルクスキルを達成できるが、体系的には洪水のリスクを引き起こすヘビーテールイベントを過小評価する。 主な障害は損失関数であり、データではないことを実証する。 ピンボール損失を0.50,0.95,0.99,0.999でトレーニングしたマルチ量子超解像ネットワークQ-SRDRNでこれを解決する。
  論文  参考訳（メタデータ） (2026-05-12T21:17:26Z)
• FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing [0.0]
  予測犯罪リスクのみに基づいてパトロール資源を割り当てる予測的警察システムは、フィードバック駆動データを通じて意図せずに人種格差を増幅することができる。 本稿では,犯罪予測と公正な制約付きパトロールアロケーションと閉ループ展開フィードバックシミュレータを組み合わせた,時間的イベントグラフフレームワークFASEを提案する。 割り当てレベルの公平性だけでは、データの再トレーニングにおけるフィードバック誘起バイアスを排除せず、完全なパイプライン全体にわたる公平な介入の必要性を強調します。
  論文  参考訳（メタデータ） (2026-04-19T21:22:45Z)
• When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
  本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。 PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
  論文  参考訳（メタデータ） (2026-02-21T07:22:37Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• 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)

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。