論文の概要: A Geometry-Informed Neural Operator surrogate of LISFLOOD-FP for rapid pluvial-fluvial flood forecasting: the case of Forlì, Italy
- arxiv url: http://arxiv.org/abs/2611.03381v1
- Date: Mon, 02 Nov 2026 16:22:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 04:57:26.501312
- Title: A Geometry-Informed Neural Operator surrogate of LISFLOOD-FP for rapid pluvial-fluvial flood forecasting: the case of Forlì, Italy
- Title（参考訳）: LISFLOOD-FPの地形インフォームドニューラル・オペレーターによる急激な洪水予報:イタリア・フォルレを事例として
- Abstract要約: Forl(イタリア)におけるLISFLOOD-FPの時間依存型幾何インフォームドニューラル演算子(GINO)について述べる。
このサロゲートは、リバーステージゲージとレインゲージのみが利用可能な運用環境のために設計されている。
あるNVIDIA A10G GPUでは、72hの予測は55秒ではなく1.7秒、LISFLOOD-FPで計算された50人のアンサンブルは46分ではなく6.2秒である。
- 参考スコア（独自算出の注目度）: 0.2174820084855635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physically based two-dimensional hydraulic models are too slow for real-time inundation forecasting and large ensembles. We present a time-dependent geometry-informed neural operator (GINO) surrogate of LISFLOOD-FP for the municipality of Forlì (Italy), severely affected by the May 2023 Emilia-Romagna floods. The surrogate is designed for an operational setting in which only river stage gauges and rain gauges are available. A reproducible pipeline turns public regional observations into a physically based training set: each river inflow is driven by the first stage gauge downstream of it through a calibrated water-surface boundary condition, and rain enters as SCS-CN effective rainfall. The surrogate is an autoregressive GINO trained on 216 simulations of 24 observed events with scaled forcing. It predicts volume-conserving polygon-mean depths on an exposure-based Voronoi mesh of 659 nodes, with a 20 min step over 72 h. The surrogate is tested on 38 independent observed events that it never saw during training. On these events it reaches a critical success index (CSI) of 0.934 at 0.05m and 0.844 at 0.3 m, a depth RMSE of 0.008m and an $R^2$ of 0.984 for maximum-depth maps. On one NVIDIA A10G GPU a 72-h forecast takes 1.7 s instead of 55 s with LISFLOOD-FP, and a 50-member ensemble, computed in a single batched rollout, takes 6.2 s instead of about 46 min, which makes probabilistic flood forecasting practical. These results show that neural-operator surrogates can deliver accurate pluvial-fluvial flood forecasts driven by river stage for operational early warning.
- Abstract（参考訳）: 物理モデルに基づく2次元水理モデルは、リアルタイムの浸水予測や大規模なアンサンブルには遅すぎる。
本研究では,2023年5月のエミリア・ロマグナ洪水の影響を強く受け,時依存的形状インフォームドニューラルオペレーター(GINO)によるLISFLOOD-FPの探索を行った。
このサロゲートは、リバーステージゲージとレインゲージのみが利用可能な運用環境のために設計されている。
再現可能なパイプラインは、公共の地域観測を物理的に基礎とした訓練セットに変え、それぞれの川の流れは、調整された水面境界条件によって下流の1段目のゲージによって駆動され、雨はSCS-CNの効果的な降雨として入ってくる。
シュロゲートは、24回の観測イベントの216回のシミュレーションで訓練された自己回帰型GINOである。
659ノードの露光に基づくVoronoiメッシュ上での体積保存ポリゴン平均深度を72時間以上20分で予測する。
シュロゲートは、トレーニング中に見たことのない38の独立した観測イベントでテストされる。
これらの事象では、0.05mの0.934、0.3mの0.844、深さ RMSE 0.008m、最大深度マップのR^2$ 0.984の臨界成功指数(CSI)に達する。
あるNVIDIA A10G GPUでは、72hの予測は55秒ではなく1.7秒、LISFLOOD-FPで計算された50人のアンサンブルは、46分ではなく6.2秒である。
これらの結果から,ニューラル・オペレーショナル・サロゲートは,河川の段差による水深変動予測を高精度に行うことができ,早期警戒が可能であることが示唆された。
関連論文リスト
- C-STRIDE: An Observation-Driven AI Digital Twin for Predicting Basin-Wide Flood Fields from Sparse Stream-Gauge Histories [6.500780078443362]
我々は、観測駆動型AIデジタルツインであるC-STRIDEを紹介します。
2次元の流体力学モデルからシミュレーションを訓練し、別のデータ同化ステップを必要としない。
シカゴ近郊のデスプレーンズ川流域では、6つの計器が4200万個以上の格子状細胞を予測している。
論文 参考訳（メタデータ） (2026-09-30T05:16:47Z) - Distributed Hydrological Modeling in the Feature Space [20.854476713921716]
河川力学は、異なる空間的・時間的スケールでの保存、気象学的強制、流れの伝播に影響される。
河川流出の予報には,河川網を流れる上流から下流への流れをグリッドセルや漁獲量で考慮する枠組みが必要である。
トポロジを意識した状態空間演算子を予測力学に直接組み込んだ特徴空間ルーティングを導入する。
提案手法は, 解析データと観測データの両方で最先端の成果を達成し, 河川流出の地図を1分6時間で最大10日間のリードタイムで予測できる。
論文 参考訳（メタデータ） (2026-09-26T22:03:07Z) - Hapi: A Multivariable Land-Surface Transformer for Medium-Range Hydrological Forecasting at Continental Scale [3.335368455894024]
Hapiは、学習したLaplacianタスクの重みをトレーニングに対する各変数の貢献を調整することで、24-72時間の予測を0.05円の解像度で生成する。
2024年、ERA5-Landからの再建された気象と地上からの入力を用いたテストデータにより、ハピは、洪水検出における操作物理学に基づくモデルと最先端のAIモデルより優れていた。
論文 参考訳（メタデータ） (2026-09-19T02:29:47Z) - MAGPIE-Net: Predicting short-duration heavy-rainfall events in station neighborhoods from multitemporal FY-4A AGRI observations [5.170200431898208]
短時間の重雨警報は、1hの降水量が目標駅付近のしきい値を超えるかどうかを判断する。
殆どのディープラーニングの流し込み手法は、グリッド化された降水予測の後処理によってこれらの信号を局所的な警告に変換する。
我々は,地理的に適応し,異なるグリッド・ツー・ステーション・マッピングを経路に組み込んだMAGPIE-Netを提案する。
論文 参考訳（メタデータ） (2026-08-18T13:17:21Z) - 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) - MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak
Inundation Depth And Decoding Influencing Features [0.8497188292342053]
本研究は、ハリス郡の物理に基づく流体力学シミュレーションに基づいて訓練された機械学習モデルMaxFloodCastを実証する。
MaxFloodCastは、効率的かつ解釈可能な浸水深度予測を提供する。
論文 参考訳（メタデータ） (2023-08-11T16:58:57Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z)
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。