論文の概要: Fusing Earth observation embeddings and spaceborne terrain with meteorological forcing for flood peak depth prediction from high-water marks

• arxiv url: http://arxiv.org/abs/2611.05220v1
• Date: Tue, 03 Nov 2026 17:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 13:40:32.05854
• Title: Fusing Earth observation embeddings and spaceborne terrain with meteorological forcing for flood peak depth prediction from high-water marks
• Title（参考訳）: 高水点からの洪水ピーク深度予測のための気象強制型地球観測埋没地と地表地形
• Abstract要約: 通常、乾燥した土地の洪水のピーク深さは、損傷と生命の危険を左右する。 深層洪水モデルは観測深度ではなく、流体力学シミュレーションで訓練されている。 フィールド観測から洪水ピーク深度を学習し,ピーク前に予測できるかどうかを問う。
• 参考スコア（独自算出の注目度）: 3.6512488304697523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flood peak depth on normally dry land governs damage and risk to life, but is observed only sparsely, by post-event high-water mark (HWM) surveys, and depth derived from satellite flood extent is produced after the event and inherits the vertical error of the digital elevation model (DEM) it is computed from. Deep-learning flood models have in turn been trained on hydrodynamic simulations rather than on observed depths. We ask whether flood peak depth can be learned from field observations and predicted before the peak from spaceborne terrain, geospatial foundation-model embeddings and antecedent meteorological forcing. We assembled 5689 USGS HWM surveys from 39 events (2011-2025) in 24 U.S. states and Puerto Rico, assigned each a peak time from nearby sensors, paired each with a rain-free window at the same site, and linked them to Copernicus GLO-30 terrain, AlphaEarth embeddings and 144 h of hourly forcing masked to the lead time. A cross-modal fusion network trained on these observations predicts depth at the surveyed marks with a mean absolute error of 0.39 m 6 h ahead of the peak. Supervision by surveyed depth corrects the DEM error implicitly: differencing the measured peak water level with the same DEM gives 0.93 m at the same marks, 2.4 times larger, although it uses the measured water level and the model does not. Forcing accounts for 77% of the attributed reduction in depth error; terrain and the embeddings are statistically equivalent to each other and contribute the remaining 23%. On eleven held-out events the model still separates flooded from rain-free conditions but no longer resolves depth at the marks (R2 = 0.03), so the skill reported here is confined to the events and regions sampled. Field-surveyed depths can thus supervise flood depth prediction and correct terrain error that extent-based estimation cannot, while transfer to unseen storms remains the open problem.
• Abstract（参考訳）: 通常の乾燥地における洪水深度は、損傷や生命の危険を左右するが、熱水後のハイウォーター・マーク(HWM)サーベイによってわずかに観察され、その後に衛星の洪水深度から導かれる深さが生成され、そこから計算されたデジタル標高モデル(DEM)の垂直誤差を継承する。 ディープラーニングの洪水モデルは、観測された深さではなく、流体力学のシミュレーションで訓練されている。 地上観測から洪水ピーク深度が学べるかどうかを問うとともに, 地表地形, 地形基盤モデル埋め込み, 先行的な気象強制から, ピーク前に予測できるかどうかを問う。 米国24州の39件(2011-2025)とプエルトリコの5689件のHWM調査を行い、近くのセンサーからそれぞれピーク時刻を割り出し、同じ場所で雨のない窓とペアを合わせ、Copernicus GLO-30の地形、AlphaEarthの埋め込み、144時間毎のマスクをリードタイムに固定した。 これらの観測で訓練されたクロスモーダル核融合ネットワークは、ピークの0.39m6h前の平均絶対誤差で調査された地点の深さを予測する。 測定されたピーク水位を同じDEMで区別すると、同じ地点で0.93m、2.4倍大きくなりますが、測定された水位を使用し、モデルは使用しません。 深さ誤差の77%を強制的に減少させ、地形と埋め込みは統計的に等価であり、残りの23%に寄与する。 11回の滞留イベントにおいて、モデルはまだ無雨状態から洪水を分離するが、マークの深さをもはや解決しない(R2 = 0.03)ため、ここで報告されるスキルは、サンプリングされたイベントや領域に限られる。 フィールドサーベイド深度は、洪水深度予測と、範囲に基づく推定ができない正確な地形誤差を監視できるが、未知の嵐への移動は未解決の問題のままである。

関連論文リスト

• Generative Refinement Learning for Temporal Interpolation in Scientific Machine Learning [51.277198654134615]
  固定格子点における平均的な観測は誤差を生じさせる可能性があり、運動推定だけでは物理場の値がどう変化するかは決定できない。 まず,各格子点における2つの観測値の重み付き平均値を用いて,その不足領域を補間的フラウ・エクスパートで推定する。 トレーニング中、観測された中間体からこの推定を減じると、条件拡散モデルが生成することを学習する残余が得られる。
  論文  参考訳（メタデータ） (2026-10-27T07:08:23Z)
• 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)
• 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)
• 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)
• High-resolution probabilistic estimation of three-dimensional regional ocean dynamics from sparse surface observations [0.0]
  海洋内部は地球の気候を規制するが、in situの観測が限られているため、わずかに観測されている。 本研究では,高分解能な3次元海洋環境を極端に粗い表面データから再構築するための深度認識型生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-03T08:10:55Z)
• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• 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)
• 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)

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。