Denoising Diffusion Probabilistic Models for Coastal Inundation Forecasting

要約

沿岸の洪水は、コミュニティに重大なリスクをもたらし、潜在的な損傷を軽減するために迅速かつ正確な予測方法を必要とします。
この問題にアプローチするために、拡散モデルの除去に基づいて設計された確率的時空予測法であるDiff-floodを提示します。
diff-floodは、空間的コンテキストと時間的コンテキストの両方を考慮に入れることにより、場所での浸水レベルを予測します。
近隣の場所での浸水レベルとデジタル標高データを空間的コンテキストとして利用します。
コンテキストのタイムウィンドウからの浸水履歴と追加の共変量は、時間的コンテキストとして使用されます。
その後、畳み込みニューラルネットワークと分析メカニズムを使用して、データ内の時空間的ダイナミクスをキャプチャします。
私たちは、沿岸の洪水の影響を強いる地域であるバージニア州東海岸からの沿岸浸水データに関するdiff-floodを訓練し、テストしました。
我々の結果は、DIFF-FLOODは、予測パフォーマンス（2つのパフォーマンスメトリックの点で6％〜64％の改善）とスケーラビリティに関して、既存の予測方法を上回ることを示しています。

要約(オリジナル)

Coastal flooding poses significant risks to communities, necessitating fast and accurate forecasting methods to mitigate potential damage. To approach this problem, we present DIFF-FLOOD, a probabilistic spatiotemporal forecasting method designed based on denoising diffusion models. DIFF-FLOOD predicts inundation level at a location by taking both spatial and temporal context into account. It utilizes inundation levels at neighboring locations and digital elevation data as spatial context. Inundation history from a context time window, together with additional co-variates are used as temporal context. Convolutional neural networks and cross-attention mechanism are then employed to capture the spatiotemporal dynamics in the data. We trained and tested DIFF-FLOOD on coastal inundation data from the Eastern Shore of Virginia, a region highly impacted by coastal flooding. Our results show that, DIFF-FLOOD outperforms existing forecasting methods in terms of prediction performance (6% to 64% improvement in terms of two performance metrics) and scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google