Deep Learning for Remote Sensing to Improve Flood Inundation Mapping

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:AIとリモートセンシングを組み合わせた洪水マッピングの新手法として参考になる。

🏢実務担当者:災害リスク管理や保険業界で洪水リスク評価に活用可能。

🏛政策担当者:気候変動適応策としての防災技術の進展を示す事例。

洪水は世界中で最も広範囲に及ぶ自然災害である。適時かつ正確な洪水氾濫マッピングは、災害リスク管理に情報を提供するために不可欠である。光学衛星ミッションは、洪水検出と氾濫マッピングに重要な高解像度のマルチスペクトル観測を提供する。しかし、その運用上の有用性は、極端な降水イベント中の雲被覆によって厳しく制約される。時間的合成や補間に基づく従来の雲除去技術は、しばしば氾濫の動態を捉えることに失敗する。本研究では、Masked Diffusion Transformer アーキテクチャを活用した、Denoising Diffusion Probabilistic Models に基づく洪水画像のための雲除去フレームワークを紹介する。提案手法は、自己注意機構を利用してより広い空間的文脈を捉え、マスク付きトークンモデリングを用いて雲に覆われた領域の再構成を明示的に学習する。現実的な雲パターンを伴うマルチスペクトル Sentinel-2B 洪水シーンで訓練されたモデルは、視覚的忠実度と水文学的整合性の両方を保持する雲なし画像の実現を生成する。再構成性能は、標準的な画像品質指標と洪水固有の水文学的指標を用いて評価され、水塊の連続性の改善と、水検出指標に重要なスペクトルシグネチャの保存を示す。結果は、拡散ベースの生成的モデリングが、光学洪水モニタリングにおける雲除去に対して堅牢で物理的に一貫した代替手段を提供し、災害リスク管理と洪水関連の意思決定を支援するための、より信頼性が高く継続的な観測を可能にすることを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Flooding is the most pervasive natural disaster worldwide. Timely and accurate flood inundation mapping are essential for informing disaster risk management. Optical satellite missions provide high-resolution, multispectral observations critical for flood detection and inundation mapping. However, their operational utility is severely constrained by cloud cover during extreme precipitation events. Conventional cloud-removal techniques based on temporal compositing or interpolation often fail to capture inundation dynamics. In this study, we introduce a cloud-removal framework for flood imagery based on Denoising Diffusion Probabilistic Models, leveraging the Masked Diffusion Transformer architecture. The proposed approach exploits self-attention mechanisms to capture wider spatial context and employs masked token modeling to explicitly learn the reconstruction of cloud-obscured regions. Trained on multispectral Sentinel-2B flood scenes with realistic cloud patterns, the model generates cloud-free image realizations that preserve both visual fidelity and hydrological consistency. Reconstruction performance is evaluated using standard image quality metrics alongside flood-specific hydrological measures, demonstrating improved continuity of water bodies and preservation of spectral signatures critical for water detection indices. The results indicate that diffusion-based generative modeling offers a robust and physically consistent alternative for cloud removal in optical flood monitoring, enabling more reliable, continuous observations to support disaster risk management and flood-related decision making.

• semanticscholar https://doi.org/10.48550/arxiv.2606.02310first seen 2026-08-10 05:24:54 · last seen 2026-08-13 05:37:33