気候変動の影響と海岸線の適応を考慮した沿岸洪水予測のための深層視覚ベースフレームワーク

気候変動、特に海面上昇（Sea Level Rise: SLR）がもたらす脅威の増大に伴い、潜在的な沿岸洪水ハザードを推定および分析するための計算効率の高い手段の必要性がますます切迫しています。データ駆動型の監督学習手法は、従来の物理ベースの水力学シミュレータに関連する計算ボトルネックを解消し、プロセスを大幅に加速させる有望な候補となっています。しかし、特に深層学習（Deep Learning: DL）技術に基づく正確で信頼性の高い沿岸洪水予測モデルの開発は、以下の2つの主要な問題に直面しています：(1) 学習データの不足と (2) 詳細な浸水マッピングに必要な高次元出力です。これらの障壁を取り除くために、低データ環境下での高精度な深層ビジョンベースの沿岸洪水予測モデルの訓練用システムフレームワークを提案します。本研究では、完全トランスフォーマー構造やアディティブアテンションゲート付き畳み込みニューラルネットワーク（Convolutional Neural Network: CNN）など、異なる既存のビジョンモデルに対して提案されたワークフローをテストしました。さらに、本研究対象となる沿岸洪水予測問題に特化した深層CNNアーキテクチャを導入します。このモデルは特にコンパクトさに焦点を当てて設計されており、リソース制約のある状況やアクセシビリティ面に対応できるように配慮されています。開発されたDLモデルの性能は、一般的に採用されている地理統計回帰手法や従来の機械学習（Machine Learning: ML）アプローチと比較検証され、予測品質において大幅な改善が示されました。最後に、物理ベースの水力学シミュレータを使用して生成されたアブダビ海岸部の人為的浸水マップからなる慎重に編纂されたデータセットを提供することで貢献度を総括します。このデータセットは将来の沿岸洪水予測モデル評価におけるベンチマークとして利用できます。