論文の概要: Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data

• arxiv url: http://arxiv.org/abs/2112.02447v1
• Date: Sat, 4 Dec 2021 23:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 11:20:53.330296
• Title: Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data
• Title（参考訳）: 翌日のWildfireスプレッド:リモートセンシングデータからWildfireスプレッドを予測する機械学習データセット
• Authors: Fantine Huot, R. Lily Hu, Nita Goyal, Tharun Sankar, Matthias Ihme, Yi-Fan Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.814925201882753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting wildfire spread is critical for land management and disaster preparedness. To this end, we present `Next Day Wildfire Spread,' a curated, large-scale, multivariate data set of historical wildfires aggregating nearly a decade of remote-sensing data across the United States. In contrast to existing fire data sets based on Earth observation satellites, our data set combines 2D fire data with multiple explanatory variables (e.g., topography, vegetation, weather, drought index, population density) aligned over 2D regions, providing a feature-rich data set for machine learning. To demonstrate the usefulness of this data set, we implement a convolutional autoencoder that takes advantage of the spatial information of this data to predict wildfire spread. We compare the performance of the neural network with other machine learning models: logistic regression and random forest. This data set can be used as a benchmark for developing wildfire propagation models based on remote sensing data for a lead time of one day.
• Abstract（参考訳）: 森林火災の広がりを予測することは、土地管理と災害対策にとって重要である。 この目的のために、米国全体で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集約した、大規模で多変量の歴史的山火事データセットである「Next Day Wildfire Spread」を提示する。 地球観測衛星に基づく既存の火災データセットとは対照的に、2dの火災データと複数の説明変数(地形、植生、天候、干ばつ指数、人口密度など)を組み合わせて、2dの領域に配置し、機械学習のための特徴豊富なデータセットを提供する。 このデータセットの有用性を示すために,このデータの空間情報を活用した畳み込みオートエンコーダを実装し,野火の拡散を予測する。 ニューラルネットワークの性能を、ロジスティック回帰やランダムフォレストといった他の機械学習モデルと比較する。 このデータセットは、1日のリードタイムでリモートセンシングデータに基づいたワイルドファイア伝播モデルを開発するためのベンチマークとして使用できる。

関連論文リスト

• Rapid Wildfire Hotspot Detection Using Self-Supervised Learning on Temporal Remote Sensing Data [0.12289361708127873]
  衛星ネットワークや高度なAIモデルからリモートセンシングされたデータを活用して、ホットスポットを自動的に検出することは、山火事モニタリングシステムを構築する効果的な方法である。 本稿では,欧州の火災イベントに関連するリモートセンシングデータの時系列を含む新しいデータセットと,多時期データを解析し,潜在的にほぼリアルタイムにホットスポットを識別できる自己監視学習(SSL)モデルを提案する。 我々は、我々のデータセットといくつかの火災イベントを含む熱異常のデータセットであるThrawsを用いて、モデルの性能を訓練し、評価し、F1スコア63.58を得る。
  論文  参考訳（メタデータ） (2024-05-30T14:31:46Z)
• Mesogeos: A multi-purpose dataset for data-driven wildfire modeling in the Mediterranean [5.100085108873068]
  Mesogeosは地中海の山火事モデリングのための大規模なデータセットである。 これは、山火事の運転者(気象学、植生、人的活動)を表す変数と、山火事の発火と焼かれた地域に関する歴史的記録を統合している。 Datacube構造は、さまざまな山火事モデリングタスクで機械学習(ML)の使用を評価する機会を提供する。
  論文  参考訳（メタデータ） (2023-06-08T12:11:16Z)
• Argoverse 2: Next Generation Datasets for Self-Driving Perception and Forecasting [64.7364925689825]
  Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。 Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。 Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
  論文  参考訳（メタデータ） (2023-01-02T00:36:22Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• 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)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)
• Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data [11.071023080939794]
  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。
  論文  参考訳（メタデータ） (2020-10-15T00:27:22Z)
• Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver Gaze Zone Estimation Dataset [55.391532084304494]
  ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。 ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
  論文  参考訳（メタデータ） (2020-04-13T14:47:34Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。