Fugu-MT 論文翻訳(概要): Deep Learning Methods for Daily Wildfire Danger Forecasting

論文の概要: Deep Learning Methods for Daily Wildfire Danger Forecasting

arxiv url: http://arxiv.org/abs/2111.02736v1
Date: Thu, 4 Nov 2021 10:39:12 GMT
ステータス: 処理完了
システム内更新日: 2021-11-05 20:09:14.338841
Title: Deep Learning Methods for Daily Wildfire Danger Forecasting
Title（参考訳）: 毎日の火災危険予報のための深層学習手法
Authors: Ioannis Prapas, Spyros Kondylatos, Ioannis Papoutsis, Gustau Camps-Valls, Michele Ronco, Miguel-\'Angel Fern\'andez-Torres, Maria Piles Guillem, Nuno Carvalhais
Abstract要約: 森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
参考スコア（独自算出の注目度）: 6.763972119525753
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Wildfire forecasting is of paramount importance for disaster risk reduction and environmental sustainability. We approach daily fire danger prediction as a machine learning task, using historical Earth observation data from the last decade to predict next-day's fire danger. To that end, we collect, pre-process and harmonize an open-access datacube, featuring a set of covariates that jointly affect the fire occurrence and spread, such as weather conditions, satellite-derived products, topography features and variables related to human activity. We implement a variety of Deep Learning (DL) models to capture the spatial, temporal or spatio-temporal context and compare them against a Random Forest (RF) baseline. We find that either spatial or temporal context is enough to surpass the RF, while a ConvLSTM that exploits the spatio-temporal context performs best with a test Area Under the Receiver Operating Characteristic of 0.926. Our DL-based proof-of-concept provides national-scale daily fire danger maps at a much higher spatial resolution than existing operational solutions.
Abstract（参考訳）: 森林火災の予測は、災害リスクの低減と環境持続可能性にとって最も重要なものである。我々は,過去10年間の地球観測データを用いて,機械学習タスクとして日々の火災危険予測にアプローチし,次の火災危険を予測する。そこで我々は,オープンアクセス型データキューブを収集,処理,調和し,気象条件,衛星由来製品,地形特徴,人間活動に関連する変数など,火災の発生と拡散に共変する一連の共変種を特徴とする。本研究では,空間的,時空間的,時空間的,時空間的といったさまざまなディープラーニングモデルを実装し,それらをランダムフォレスト(RF)ベースラインと比較する。空間的・時間的文脈がRFを超えるのに十分であるのに対して、時空間的文脈を利用するConvLSTMは、受信側動作特性0.926の試験領域で最適であることがわかった。我々のDLベースの概念実証は、既存の運用ソリューションよりもはるかに高い空間分解能で全国規模の日常火災危険マップを提供する。

関連論文リスト

Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
Reinforcement Learning Based Escape Route Generation in Low Visibility Environments [0.0]
本稿では, 消防士の最適な探索経路と市民の避難経路を, 環境計測に基づいてリアルタイムで決定するシステムを提案する。そこで本稿では, 避難者の早期避難を支援するため, 消防士の最適な捜索経路と市民の避難経路をリアルタイムで決定するシステムを提案する。
論文参考訳（メタデータ） (2024-05-27T23:00:57Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文参考訳（メタデータ） (2023-11-28T03:11:33Z)
FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文参考訳（メタデータ） (2023-11-06T18:42:05Z)
SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文参考訳（メタデータ） (2023-09-30T06:20:21Z)
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)
Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文参考訳（メタデータ） (2021-06-15T17:33:36Z)
Deep Learning-based Damage Mapping with InSAR Coherence Time Series [3.286503080462008]
本研究では, 深層学習とSAR観測のフルタイム履歴を組み合わせた損傷マッピング手法を提案する。我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。本研究では,Sentinel-1 SAR の複数年連続取得による3つの地震の被害予測に本手法を適用した。
論文参考訳（メタデータ） (2021-05-24T21:21:03Z)

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。