Fugu-MT 論文翻訳(概要): Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data

論文の概要: Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data

arxiv url: http://arxiv.org/abs/2010.07445v3
Date: Wed, 10 Feb 2021 14:52:42 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 03:25:09.997678
Title: Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data
Title（参考訳）: 過去のリモートセンシングデータから山火事を予測するディープラーニングモデル
Authors: Fantine Huot, R. Lily Hu, Matthias Ihme, Qing Wang, John Burge, Tianjian Lu, Jason Hickey, Yi-Fan Chen, John Anderson
Abstract要約: 私たちは10年近くにわたるリモートセンシングデータと過去の火災記録を集約して、山火事を予測するデータセットを作成します。 4つの異なるディープラーニングモデルを比較し,解析し,山火事の可能性を推定する。
参考スコア（独自算出の注目度）: 11.071023080939794
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying regions that have high likelihood for wildfires is a key component of land and forestry management and disaster preparedness. We create a data set by aggregating nearly a decade of remote-sensing data and historical fire records to predict wildfires. This prediction problem is framed as three machine learning tasks. Results are compared and analyzed for four different deep learning models to estimate wildfire likelihood. The results demonstrate that deep learning models can successfully identify areas of high fire likelihood using aggregated data about vegetation, weather, and topography with an AUC of 83%.
Abstract（参考訳）: 森林火災の可能性が高い地域を特定することは、土地・林業管理と災害対策の重要な要素である。約10年にわたるリモートセンシングデータと過去の火災記録を集約して、山火事を予測するデータセットを作成します。この予測問題は3つの機械学習タスクからなる。結果は4つの異なるディープラーニングモデルで比較分析され、ワイルドファイアの確率を推定する。その結果,深層学習モデルでは,植生,気象,地形の集計データを用いて83%のaucで高い火災確率の地域を識別できることがわかった。

関連論文リスト

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)
Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文参考訳（メタデータ） (2022-12-09T11:32:36Z)
Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local Data [0.0]
本稿では,米国西部の10か所で収集されたローカルデータをローカルエージェントで共有する分散学習フレームワークを提案する。提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
論文参考訳（メタデータ） (2022-09-15T22:34:06Z)
Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data [5.814925201882753]
Next Day Wildfire Spread」は、アメリカ全土で10年近くにわたってリモートセンシングされたデータを収集した、歴史的な山火事の収集データである。我々は、このデータの空間情報を利用して、山火事の拡散を予測する畳み込みオートエンコーダを実装した。このデータセットは、リモートセンシングデータに基づく1日のリードタイムに基づく山火事伝播モデル開発のためのベンチマークとして使用することができる。
論文参考訳（メタデータ） (2021-12-04T23:28:44Z)
Learning Wildfire Model from Incomplete State Observations [0.0]
我々は、深層ニューラルネットワークを用いて、米国西部の5か所の将来の山火事予測のための動的モデルを作成します。提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
論文参考訳（メタデータ） (2021-11-28T03:21:46Z)
From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文参考訳（メタデータ） (2021-03-14T17:56:17Z)
Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文参考訳（メタデータ） (2020-12-17T15:19:29Z)
Uncertainty Aware Wildfire Management [6.997483623023005]
アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。本稿では,山火事対策のための意思決定論的アプローチを提案する。
論文参考訳（メタデータ） (2020-10-15T17:47:31Z)
Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文参考訳（メタデータ） (2020-09-22T20:19:41Z)
Modeling Wildfire Perimeter Evolution using Deep Neural Networks [0.0]
本研究では,24時間間における山火事周囲の進化を予測できる山火事拡散モデルを提案する。このモデルはカリフォルニアのシエラネバダ山脈西部の山火事から、実際の歴史的データセットから、山火事の拡散力学を学習することができる。
論文参考訳（メタデータ） (2020-09-08T20:06:01Z)

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。