論文の概要: A Model-Agnostic Physics-Guided Adapter for Few-Shot Transfer of Coastal Flood Prediction Models to Unseen Regions

• arxiv url: http://arxiv.org/abs/2609.37565v1
• Date: Tue, 29 Sep 2026 13:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.564243
• Title: A Model-Agnostic Physics-Guided Adapter for Few-Shot Transfer of Coastal Flood Prediction Models to Unseen Regions
• Title（参考訳）: モデル非依存型物理誘導型沿岸洪水予測モデルから未確認領域への移行
• Abstract要約: 深層学習サロゲートは、物理学に基づく流体力学シミュレータよりもはるかに高速に高解像度の沿岸洪水マップを作成できる。 我々は,洪水予測モデルの効率的な数ショット転送を可能にする,コンパクトでアーキテクチャに依存しない適応インタフェースであるPhysor Adapter (PA)を紹介した。 PAは、地形の標高と学習した水位を比較し、ピーク水位を学習ゲートを介してデータ駆動分岐と組み合わせて予測する。
• 参考スコア（独自算出の注目度）: 2.005138325118741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning surrogates can produce high-resolution coastal flood maps orders of magnitude faster than physics-based hydrodynamic simulators, yet transferring them to new coastal regions remains costly, since generating target-region data for fine-tuning typically requires numerous time-consuming simulations. To tackle this bottleneck, we introduce the Physics Adapter (PA), a compact, architecture-agnostic adaptation interface that enables efficient few-shot transfer of flood prediction models across diverse coastal regions. PA predicts peak water level through a differentiable wet/dry response that compares terrain elevation against a learned water level, and blends this physics-structured prediction with a data-driven branch through a learned gate. Unlike physics-informed formulations, PA imposes no PDE-residual or conservation losses and instead exploits elevation as an architectural inductive bias, adding a negligible number of trainable parameters. We integrate PA into 12 heterogeneous models, and evaluate them on two coastal regions with markedly distinct geometries, topographies, and shoreline protection configurations. The performance of PA is benchmarked against a no-physics baseline, full fine-tuning, and standard parameter-efficient fine-tuning (PEFT) methods, considering both within-region generalization to unseen sea level rise values and between-region transfer. In low-shot regime (K=3), and averaged over all backbones and transfer settings, adding PA reduces root mean square error by 11.5% when only the output head is adapted on a frozen backbone, by 15.4% when combined with PEFT methods, and by 22.9% under full fine-tuning, compared to matched configurations without PA. Taken together, the findings of this work offer practitioners a concrete recipe for extending DL-based coastal flood predictors to new, data-scarce regions.
• Abstract（参考訳）: 深層学習サロゲートは、物理に基づく流体力学シミュレータよりも桁違いに高速な高解像度の沿岸洪水マップを作成できるが、微調整のためのターゲット領域データを生成するには、多くの時間を要するため、新しい沿岸地域への移動はコストがかかる。 このボトルネックに対処するために,多様な沿岸域にまたがる洪水予測モデルの効率的な数ショット転送を可能にする,コンパクトでアーキテクチャに依存しない適応インタフェースであるPhysical Adapter (PA)を導入する。 PAは、地形の標高と学習した水位を比較し、ピーク水位を学習ゲートを介してデータ駆動分岐と組み合わせて予測する。 物理学で表現された定式化とは異なり、PAはPDE-残留損失や保存損失を課さず、代わりにアーキテクチャ上の帰納バイアスとして標高を活用し、無視できる数のトレーニング可能なパラメータを追加する。 PAを12種類の異種モデルに統合し, 地形, 地形, 海岸線保護配置を著しく異なる2つの沿岸域で評価した。 PAの性能を非物理ベースライン,完全微調整,および標準パラメータ効率細調整(PEFT)法と比較し,海面上昇値から海面上昇値への一般化と地域間移動を考慮した。 ローショット(K=3)では、全てのバックボーンと転送設定で平均化され、PAを追加すると、ルート平均二乗誤差はルート平均二乗誤差が11.5%減少し、出力ヘッドだけが冷凍バックボーンに適合すると15.4%減少し、PEFT法と組み合わせると22.9%減少する。 この研究の成果は、DLベースの沿岸洪水予測器を新しいデータスカース地域に拡張するための具体的なレシピを提供するものである。

関連論文リスト

• 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)
• Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning [1.8354875841169143]
  気候変動と海面上昇は沿岸都市への脅威をエスカレートさせる。 従来の物理に基づく流体力学シミュレータは計算コストが高く、都市規模で沿岸計画を行うには実用的ではない。 我々は,沿岸の洪水予測を目的とした,新しい軽量畳み込みニューラルネットワーク(CNN)モデルを開発した。
  論文  参考訳（メタデータ） (2025-10-29T23:23:11Z)
• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• 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)
• Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
  未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。 本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。 その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
  論文  参考訳（メタデータ） (2023-08-02T07:23:50Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
  射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。 私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。 次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:35:33Z)

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。