論文の概要: SurgeGen: A Hybrid Generative Diffusion Framework for Storm Surge Scenario Synthesis

• arxiv url: http://arxiv.org/abs/2609.03382v1
• Date: Thu, 03 Sep 2026 05:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.932127
• Title: SurgeGen: A Hybrid Generative Diffusion Framework for Storm Surge Scenario Synthesis
• Title（参考訳）: SurgeGen: ストームサージシナリオ合成のためのハイブリッド生成拡散フレームワーク
• Authors: Shunan Zheng, John J. Hasenbein,
• Abstract要約: 降雨による降雨量の予測は,洪水の緩和と沿岸リスク管理に不可欠である。 伝統的に、物理学に基づく数値モデルでは、数値法を用いてナヴィエ-ストークス方程式を解くことにより、嵐の急増をシミュレートする。 本研究では,仮説的嵐を前提とした2段階の高潮発生モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting storm surge induced by landfalling tropical cyclones is crucial for flood mitigation and coastal risk management. Traditionally, physics-based numerical models simulate storm surge by solving the Navier--Stokes equations using numerical methods, but these simulations are computationally expensive. Generative models are promising for storm surge emulation because they can generate diverse realizations rather than producing a single deterministic prediction. However, their use for storm surge emulation remains largely unexplored. In this paper, we leverage diffusion models for storm surge surrogate modeling, combining a baseline prediction stage with conditional generation to provide a more interpretable modeling framework. We develop SurgeGen, a two-stage generative framework for generating storm surge scenarios conditioned on hypothetical storms with parameters defined in a continuous space. First, a baseline model produces a coarse estimate of the storm surge height. This estimate then conditions a diffusion model, which generates refined storm surge scenarios that better capture spatial patterns and variability. We demonstrate that our approach can generate realistic and diverse storm surge scenarios under conditions both within and outside the training distribution.
• Abstract（参考訳）: 降雨による降雨量の予測は,洪水の緩和と沿岸リスク管理に不可欠である。 伝統的に、物理学に基づく数値モデルは、数値法を用いてナビエ-ストークス方程式を解くことで嵐の急増をシミュレートするが、これらのシミュレーションは計算的に高価である。 生成モデルは、単一の決定論的予測を生成するのではなく、多様な実現を生成できるため、暴風雨エミュレーションを約束している。 しかし、彼らの強風エミュレーションへの利用はほとんど未調査のままである。 本稿では,嵐サージサロゲートモデリングのための拡散モデルを活用し,ベースライン予測段階と条件生成を組み合わせ,より解釈可能なモデリングフレームワークを提供する。 SurgeGen は連続した空間でパラメータを定め,仮説上の嵐を前提とした2段階の嵐発生シナリオを生成するフレームワークである。 まず, ベースラインモデルを用いて, 暴風上昇高さの粗い推定を行う。 この推定は拡散モデルを用いて、空間パターンと変動性をよりよく捉えるための改良された嵐サージシナリオを生成する。 本手法は,トレーニング分布内外の条件下で,現実的かつ多様な暴風発生シナリオを生成できることを実証する。

関連論文リスト

• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• HurriCast: Synthetic Tropical Cyclone Track Generation for Hurricane Forecasting [5.314981748001983]
  リスクアセスメントのための合成熱帯サイクロン(TC)トラックの生成は、特に北米における気候変動と災害救済の影響に対する準備の重要応用である。 政府や政策立案者にとって、TCの潜在的な影響を理解することは、効果的な緊急対応戦略の開発、コードの構築の更新、レジリエンスと緩和プロジェクトへの投資の優先順位付けに役立つ。 ARIMA と K-MEANS の手法と Autoencoder を併用したハイブリッド手法は,より歴史あるTC の挙動を把握し,将来の軌道や強度を計画するために用いられている。
  論文  参考訳（メタデータ） (2023-09-12T19:48:52Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• A Framework for Flexible Peak Storm Surge Prediction [2.362412515574206]
  暴風雨は沿岸地域では大きな自然災害であり、大きな被害と生命の喪失の原因となっている。 我々は,多段階アプローチに基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。 我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
  論文  参考訳（メタデータ） (2022-04-27T20:02:25Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。