論文の概要: Which Site, and When: A Free-Satellite-Data Test of Himalayan Glacial Lake Bursts, Landslides, and Ice Floods
- arxiv url: http://arxiv.org/abs/2608.12422v1
- Date: Wed, 12 Aug 2026 10:04:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.278872
- Title: Which Site, and When: A Free-Satellite-Data Test of Himalayan Glacial Lake Bursts, Landslides, and Ice Floods
- Title（参考訳）: ヒマラヤ氷河の玄武岩, 地すべり, 氷洪水の観測
- Abstract要約: 2つの自由衛星信号は、ネパール・ヒマラヤの氷河湖のアウトバーストリスクに関する実際の情報を運ぶ。
我々は、どのサイトが感受性があり、いつトリガーが到着するかを予測するモデルを提案し、評価する。
- 参考スコア（独自算出の注目度）: 0.19573380763700712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two free satellite signals carry real information about glacial-lake outburst risk in the Nepal Himalaya: radar interferometry sees a moraine dam slowly sagging, and satellite weather marks the weeks when a primed lake is under stress. A companion feasibility study found that deformation indicates which lake is destabilizing and weather indicates when it is at risk, but proposed no predictive model. To address this gap, we propose and evaluate models that predict which site is susceptible and when a trigger arrives. We test three related hazards on free data alone: large moraine- and ice-dammed bursts, rainfall-triggered landslides, and smaller floods from ponds on and around a glacier. Each hazard gets two questions, never blended. Using 589 dated outbursts from HMAGLOFDB and several thousand catalogued landslides, we match each event against similar but unfailed sites, and hold every model to a strong simple baseline under spatial cross-validation that withholds whole map tiles, so no model succeeds by recognising a trained-on neighbourhood. Antecedent weather times the trigger at ROC 0.73 for big bursts, 0.83 for landslides, and 0.82 for small floods. Terrain ranks susceptibility only in part: scored naively it appears near 0.9, largely because catalogued failures cluster in wetter ranges; matched against comparable nearby sites the honest figures are 0.76, 0.71, and 0.54 (no better than chance). The burst signal holds within single regions, reaching 0.89 in Nepal alone. Five deep-learning models do not decisively beat a simple gradient-boosted baseline. Three score marginally higher on landslides, a hint too small to confirm. For the lake hazards the baseline wins outright, reproduced by a three-rule decision tree on ruggedness and monsoon rainfall. We close with a ranked Nepal watchlist, a prioritisation aid, not a prediction, and note where free data reaches its limits.
- Abstract（参考訳）: 2つの自由衛星信号は、ネパール・ヒマラヤの氷河湖のアウトバーストリスクに関する実際の情報を持っている。
コンパニオン・ファシビリティー(英語版)の調査では、変形はどの湖が不安定であるかを示し、天気はそれがいつ危険であるかを示すが、予測モデルは提案されていない。
このギャップに対処するため、我々は、どのサイトが影響を受けやすいか、いつトリガーが到着するかを予測するモデルを提案し、評価する。
フリーデータだけでは,大きなモレーンや氷のダムによるバースト,降雨で引き起こされた地すべり,氷河周辺の池からの小さな洪水など,関連する3つの危険条件を検証した。
それぞれのハザードは2つの質問を受け取ります。
HMAGLOFDBと数千のカタログ化地すべりから得られた589個のアウトバーストを用いて、各事象を類似しているが障害のないサイトとマッチングし、全てのモデルが、地図タイル全体の保持を抑える空間的相互検証の下で強い単純なベースラインに保持するので、訓練された近傍の認識によってモデルが成功することはない。
ROC 0.73は大きなバースト、0.83は地すべり、0.82は小さな洪水の引き金となる。
テランは、わずかに0.9に近づいたが、主な原因は、分類された故障が湿地帯に散らばっていることであり、比較的近い場所では0.76、0.71、0.54と一致している(偶然よりは良くない)。
バースト信号は1つの領域に留まり、ネパールだけで0.89に達する。
5つのディープラーニングモデルは、単純な勾配ブーストベースラインを決定的に上回らない。
地すべりでは3ポイント上昇したが、確認するには小さすぎる。
湖沼の危険のために、ベースラインは直勝し、3ルールの決定木で再現され、荒れ果てた雨とモンスーンの降雨が続く。
ネパールでランク付けされたウォッチリスト、優先順位付け支援、予測ではなく、無料データが限界に達するところを注視する。
関連論文リスト
- Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate [47.36630149538994]
高次元のオンライン予測では、最良の予測子はいくつかの機能にのみ依存する可能性があるため、後悔は周囲の次元ではなく、疎らさでスケールすべきである。
WarmuthとAmidはCOLT 2023で、これらの3つのルールのいずれかが競合するオンライン後悔の保証を認めているかどうかを尋ねた。
安価なニュアンスは、リフィットが真の予測座標を過度に重くする原因となる。
論文 参考訳（メタデータ） (2026-08-18T09:32:03Z) - 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) - Land cover and flood type govern the detection limits of satellite-based flood mapping across diverse global flood events [0.3448975792603021]
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。
論文 参考訳（メタデータ） (2026-06-05T18:46:03Z) - A satellite foundation model for improved wealth monitoring [45.63770015866594]
貧困統計は社会政策を導くが、多くの低所得国や中所得国では、これらのデータを収集する国勢調査や家庭調査は費用がかかる。
ここでは、Tempovについて紹介する。Tempovは、300万の両時間ランドサットペアの自己監督によって事前訓練された衛星基盤モデルであり、パラメータ効率の細かい微調整をスパースサーベイラベルに適用する。
このモデルは大規模で高解像度の富のマッピングと動的測定を可能にし、観測されたラベル、レトロスペクティブのヒンドキャスティング、decadal change trackingのあと10年間、ゼロショットのストリームキャストを含む。
論文 参考訳（メタデータ） (2026-04-25T06:37:51Z) - Flood Risk Follows Valleys, Not Grids: Graph Neural Networks for Flash Flood Susceptibility Mapping in Himachal Pradesh with Conformal Uncertainty Quantification [0.20871483263418808]
洪水はインドのヒマハル・プラデーシュで最も破壊的な自然災害であり、2023年のモンスーンシーズンだけで400人以上が死亡し、12億ドルの損失を出した。
既存のリスクマップはすべてのピクセルを独立して扱う。
我々は、流域接続グラフに基づいて訓練されたグラフニューラルネットワーク(GraphSAGE)でこの問題に対処する。
論文 参考訳（メタデータ） (2026-03-15T02:54:24Z) - 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) - 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) - Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳（メタデータ） (2024-09-27T09:51:25Z) - At the junction between deep learning and statistics of extremes:
formalizing the landslide hazard definition [1.03590082373586]
本研究では,斜面単位レベルでの地すべり危険度を推定する統一モデルを構築した。
ネパールで30年間にわたり観測された降雨トリガーによる地すべりを解析し,複数回の帰還期間における地すべりの危険度を評価する。
提案手法は,地すべりのハザードを統一的にモデル化するのに有効であることを示す。
論文 参考訳（メタデータ） (2024-01-25T14:48:08Z) - 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) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z)
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。