AIを有効化したストリートビューによる最低床高（LFE）抽出とテキサス全域にわたるMLによる補完を用いた、区画（プロパティ）レベルの洪水リスク評価

arXiv cs.LG / 2026/4/2

💬 オピニオンIdeas & Deep AnalysisModels & Research

原文を読む →

共有:

要点

本論文は、テキサスにおける地域スケールの洪水リスク評価のために、Google ストリートビュー画像から建物ごとの最低床高（LFE）および道路等級（街路の地盤）と最低床の高さ差（HDSL）を抽出する、エンドツーエンドのAIパイプラインを提示する。
その手法は、ストリートビュー抽出（Elev-Visionによる）を、地形・水文・地理・洪水曝露の各特徴量を用いた、性能ゲーティング付きの機械学習による補完（ランダムフォレストおよび勾配ブースティング）と結合し、不足しているHDSL値を補う。
得られた標高推定値を、Fathom 100年に1度（1-in-100年）の浸水域サーフェスおよびUSACEの損傷（depth-damage）関数と統合し、区画（プロパティ）レベルでの屋内浸水深と想定損失を算出する。
テキサスの18の関心地域（AOI）にわたる結果では、区画の73.4%でストリートビューの利用可能性があり、構造物の49.0%でLFE/HDSLの直接抽出が可能だった。補完は、クロスバリデーションにより性能が防御可能なしきい値を満たしたAOIにのみ適用され、精度が不十分な場合には一部のAOIが除外された。
著者らは、このアプローチにより、ハザード／曝露のマッピングから、構造物レベルの屋内浸水と損害推定へと移行することで、地域の洪水リスクの特性化が改善されると主張している。これにより、網羅的なElevation Certificateを持たない自治体でも再現可能になる。