論文の概要: Spatial Heterogeneity-Aware Multi-Hazard Susceptibility and Risk Mapping at Regional Scale

• arxiv url: http://arxiv.org/abs/2608.08321v1
• Date: Sat, 08 Aug 2026 20:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.767845
• Title: Spatial Heterogeneity-Aware Multi-Hazard Susceptibility and Risk Mapping at Regional Scale
• Title（参考訳）: 空間的不均一性を考慮したマルチハザード・サセプティビリティと地域規模でのリスクマッピング
• Authors: Aswathi Mundayatt, Siddharth Anil, Hitanshu Seth, Jaya Sreevalsan-Nair,
• Abstract要約: 本研究では,ケララ,インド,ネパールにおける洪水・地すべり感受性と相対リスクマッピングのための空間認識フレームワークを開発した。 15km×15kmの格子細胞と地域固有のコンテキストゾーンを結合し、近接ゲート型クロスゾーントレーニング(S1)と生態ゲート型ゾーン制約トレーニング(S2)を比較する。 S1は高い平均精度、精度、リコール、F1スコア、AUC-ROC、PR-AUCを達成した。 S2はネパールのハザードと、予測器の選択、SHAPランキング、応答におけるゾーン固有の差の両方に対して低いブライアスコアを生成した。
• 参考スコア（独自算出の注目度）: 1.108292291257035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floods and landslides often co-occur, but their relationships with environmental controls vary spatially. This study develops a spatial heterogeneity-aware framework for flood-landslide susceptibility and relative-risk mapping in Kerala, India, and Nepal. It combines 15 km x 15 km grid cells with region-specific contextual zones and compares proximity-gated cross-zone training (S1) and ecology-gated zone-constrained training (S2). S1 permits geographically nearby models to be assigned across contextual boundaries, whereas S2 restricts model development and assignment to the same zone. Random Forest models for each hazard use strategy-specific predictor sets and are evaluated on spatially held-out test samples. Susceptibility surfaces are integrated with CRITIC-weighted exposure and vulnerability indices to produce hazard-specific and nine-class bivariate relative-risk maps. S1 achieved higher mean accuracy, precision, recall, F1-score, AUC-ROC, and PR-AUC for both hazards and regions. The largest difference occurred for Nepal flood susceptibility, where AUC-ROC increased from 0.728 under S2 to 0.886 under S1 and PR-AUC from 0.512 to 0.823. S2 produced lower Brier scores for both Nepal hazards and retained zone-specific differences in predictor selection, SHAP rankings, and response patterns, particularly in Kerala. Both strategies reproduced flood-prone lowland and landslide-prone upland patterns but differed in susceptibility and risk classes. Bivariate risk-map agreement was 0.521 in Kerala and 0.711 in Nepal, with allocation disagreement exceeding quantity disagreement in all S1-S2 comparisons. Susceptibility-to-risk correspondence remained below 0.350, showing that exposure and vulnerability changed priority locations. Overall, cross-zone learning strengthens regional discrimination, while zone-constrained learning preserves environmental differences, supporting their integration.
• Abstract（参考訳）: 洪水や地すべりはしばしば共起するが、環境管理との関係は空間的に異なる。 本研究では,インド,インド,ネパールのケララにおいて,洪水・地すべり感受性と相対リスクマッピングのための空間的不均一性を考慮したフレームワークを開発した。 15km×15kmの格子細胞と地域固有のコンテキストゾーンを結合し、近接ゲート型クロスゾーントレーニング(S1)と生態ゲート型ゾーン制約トレーニング(S2)を比較する。 S1は地理的に近接するモデルをコンテキスト境界を越えて割り当てることを許し、S2はモデルの開発と同一ゾーンへの割り当てを制限する。 各ハザード利用戦略固有の予測セットのランダムフォレストモデルを作成し、空間的に保持されたテストサンプルで評価する。 感受性表面は、CRITIC重み付き露光および脆弱性指標と統合され、危険特異的で9種類の二変量相対リスクマップを生成する。 S1は高い平均精度、精度、リコール、F1スコア、AUC-ROC、PR-AUCを達成した。 AUC-ROCはS2の0.728からS1の0.886に増加し、PR-AUCは0.512から0.823に増加した。 S2は、特にケララにおいて、ネパールのハザードと、予測器の選択、SHAPランキング、反応パターンにおけるゾーン固有の差異の両方に対して低いブライアスコアを生成した。 いずれの戦略も浸水性低地と地すべり性高地パターンを再現したが、感受性と危険度は異なる。 両変数のリスクマップ協定はケララで0.521、ネパールで0.711であり、全てのS1-S2の比較では割り当ての不一致が量差を超えた。 感受性とリスクの対応は0.350以下であり、露光と脆弱性が優先位置を変更したことを示している。 総合的に、クロスゾーン学習は地域差別を強化する一方、ゾーン制限学習は環境差を保ち、その統合を支援する。

関連論文リスト

• Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
  Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。 衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
  論文  参考訳（メタデータ） (2026-07-08T18:14:24Z)
• FL-MHSM: Spatially-adaptive Fusion and Ensemble Learning for Flood-Landslide Multi-Hazard Susceptibility Mapping at Regional Scale [1.3607388598209322]
  本研究では,F-MHSM (FL-MHSM) を用いた浸水・地すべり型マルチハザード・サセプティビリティ・マッピングのためのディープラーニング (DL) ワークフローを提案する。 2段階の空間分割、確率的早期融合(EF)、木ベースの後期融合(LF)ベースライン、ソフトゲーティング・ミックス・オブ・エキスパートズ(MoE)モデルを組み合わせている。 ケララでは、EFはLFとの競争を続け、洪水リコールは0.816から0.840に改善され、ブライアスコアは0.092から0.086に低下した。 MoEは洪水感受性の最も優れた性能を提供し、AUC-ROC 0.905、リコール0.930を達成した。
  論文  参考訳（メタデータ） (2026-04-17T17:23:55Z)
• Probabilistic Wildfire Susceptibility from Remote Sensing Using Random Forests and SHAP [0.0]
  森林火災は世界中の生態系に重大な脅威をもたらす。 本研究は、ランダム森林アルゴリズムを用いて、カリフォルニアの総合的な山火事リスクマップを作成することを目的としている。
  論文  参考訳（メタデータ） (2025-11-12T06:05:41Z)
• Graph Transformer-Based Flood Susceptibility Mapping: Application to the French Riviera and Railway Infrastructure Under Climate Change [0.0]
  本研究は, 洪水に起因したフレンチ・リヴィエラへの洪水感受性マッピングのためのグラフトランスフォーマー(GT)アーキテクチャの最初の適用について紹介する。 GTはラプラシアン位置エンコーダ(PE)とアテンション機構を用いた流域トポロジーを取り入れている。 Laplacian PEの次元の減少は部分的なクラスターを示し、空間情報を捉えることができた。
  論文  参考訳（メタデータ） (2025-03-31T14:04:04Z)
• 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)
• 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)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)

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。