Fugu-MT 論文翻訳(概要): Uncertainty Aware Wildfire Management

論文の概要: Uncertainty Aware Wildfire Management

arxiv url: http://arxiv.org/abs/2010.07915v1
Date: Thu, 15 Oct 2020 17:47:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 03:00:05.332755
Title: Uncertainty Aware Wildfire Management
Title（参考訳）: 不確実性はワイルドファイアマネジメントを意識する
Authors: Tina Diao and Samriddhi Singla and Ayan Mukhopadhyay and Ahmed Eldawy and Ross Shachter and Mykel Kochenderfer
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.997483623023005
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent wildfires in the United States have resulted in loss of life and billions of dollars, destroying countless structures and forests. Fighting wildfires is extremely complex. It is difficult to observe the true state of fires due to smoke and risk associated with ground surveillance. There are limited resources to be deployed over a massive area and the spread of the fire is challenging to predict. This paper proposes a decision-theoretic approach to combat wildfires. We model the resource allocation problem as a partially-observable Markov decision process. We also present a data-driven model that lets us simulate how fires spread as a function of relevant covariates. A major problem in using data-driven models to combat wildfires is the lack of comprehensive data sources that relate fires with relevant covariates. We present an algorithmic approach based on large-scale raster and vector analysis that can be used to create such a dataset. Our data with over 2 million data points is the first open-source dataset that combines existing fire databases with covariates extracted from satellite imagery. Through experiments using real-world wildfire data, we demonstrate that our forecasting model can accurately model the spread of wildfires. Finally, we use simulations to demonstrate that our response strategy can significantly reduce response times compared to baseline methods.
Abstract（参考訳）: 近年のアメリカ合衆国における山火事は、生命と数十億ドルの損失をもたらし、無数の建物や森林を破壊した。野火との戦いは非常に複雑である。煙による火災の真の状態や地上監視に伴うリスクを観測することは困難である。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,山火事に対する決定論的アプローチを提案する。資源割当問題を部分観測可能なマルコフ決定プロセスとしてモデル化する。また,関連する共変量の関数として火の拡散をシミュレートするデータ駆動モデルも提示する。ワイルドファイアと戦うためにデータ駆動モデルを使用する際の大きな問題は、火災と関連するコバリアントを関連付ける包括的なデータソースの欠如である。このようなデータセットを作成するために,大規模ラスタとベクトル解析に基づくアルゴリズム的アプローチを提案する。われわれのデータと200万以上のデータポイントは、既存の火災データベースと衛星画像から抽出された共変量を組み合わせた最初のオープンソースデータセットである。実世界のワイルドファイアデータを用いた実験により,我々の予測モデルがワイルドファイアの拡散を正確にモデル化できることを実証した。最後に, シミュレーションを用いて, 応答戦略がベースライン法に比べて応答時間を著しく短縮できることを示す。

関連論文リスト

Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文参考訳（メタデータ） (2024-03-27T15:15:14Z)
Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
論文参考訳（メタデータ） (2023-11-30T12:19:10Z)
Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
論文参考訳（メタデータ） (2023-09-05T23:24:34Z)
FORFIS: A forest fire firefighting simulation tool for education and research [90.40304110009733]
本稿では,Python で実装された森林火災消火シミュレーションツール FORFIS について述べる。私たちのツールは underv3 ライセンスを公開しており、GUI と出力機能が追加されています。
論文参考訳（メタデータ） (2023-05-29T09:14:38Z)
Multimodal Wildland Fire Smoke Detection [5.15911752972989]
研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T01:16:06Z)
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)
Assimilation of Satellite Active Fires Data [0.0]
この論文の目的は、山火事のモデリング能力を改善することで、山火事の影響に対処する技術を開発することである。特に,火災の履歴を構築する方法,山火事データを同化するための新しい技術,およびモデル化された火災の挙動を変更する方法を開発する。
論文参考訳（メタデータ） (2022-04-01T20:11:28Z)
From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文参考訳（メタデータ） (2022-02-11T09:45:11Z)
FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
論文参考訳（メタデータ） (2021-12-16T03:49:58Z)
Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt, Zoom) Camera Technology and Convolutional Neural Networks [0.0]
野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。 2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
論文参考訳（メタデータ） (2021-09-10T19:30:37Z)
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)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。