Fugu-MT 論文翻訳(概要): An Emulation Framework for Fire Front Spread

論文の概要: An Emulation Framework for Fire Front Spread

arxiv url: http://arxiv.org/abs/2203.12160v1
Date: Wed, 23 Mar 2022 03:07:10 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 16:37:48.492944
Title: An Emulation Framework for Fire Front Spread
Title（参考訳）: 火災フロントスプレッドのためのエミュレーションフレームワーク
Authors: Andrew Bolt, Joel Janek Dabrowski, Carolyn Huston, Petra Kuhnert
Abstract要約: ブッシュファイアの拡散に関する実証観測は、特定の条件下での火災応答を推定するために用いられる。私たちは機械学習を使って、茂み火のエミュレーションアプローチを推進しています。また,エミュレーションにより,シミュレーションしたファイアフロントデータを密に再現できることを示す。
参考スコア（独自算出の注目度）: 0.9940728137241214
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Forecasting bushfire spread is an important element in fire prevention and response efforts. Empirical observations of bushfire spread can be used to estimate fire response under certain conditions. These observations form rate-of-spread models, which can be used to generate simulations. We use machine learning to drive the emulation approach for bushfires and show that emulation has the capacity to closely reproduce simulated fire-front data. We present a preliminary emulator approach with the capacity for fast emulation of complex simulations. Large numbers of predictions can then be generated as part of ensemble estimation techniques, which provide more robust and reliable forecasts of stochastic systems.
Abstract（参考訳）: 森林火災の延焼予測は, 防火・対応活動において重要な要素である。ブッシュファイアスプレッドの実証観測は、特定の条件下での火災応答を推定するために使用できる。これらの観測は、シミュレーションを生成するために使用できるスプレッドモデルを形成する。我々は機械学習を用いてブッシュファイアのエミュレーションアプローチを駆動し、エミュレーションがシミュレーションされた火災フロントデータを密接に再現する能力を持っていることを示す。本稿では,複雑なシミュレーションを高速にエミュレーションできるエミュレータ・アプローチを提案する。多数の予測は、より堅牢で信頼性の高い確率システムの予測を提供するアンサンブル推定手法の一部として生成される。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
論文参考訳（メタデータ） (2023-10-02T19:38:04Z)
A generative model for surrogates of spatial-temporal wildfire nowcasting [13.551652250858144]
3次元ベクトル量子変分オートコーダを用いて生成モデルを提案する。このモデルは、最近カリフォルニア州で起きた大規模な山火事(チムニー火災)のエコリージョンでテストされている。数値的な結果から, 連続かつ構造的な火災シナリオの生成に成功した。
論文参考訳（メタデータ） (2023-08-05T06:54:18Z)
A Neural Emulator for Uncertainty Estimation of Fire Propagation [12.067753469557598]
ワイルドファイアは、風速や方向といった環境条件の変化が観察された行動に大きな変化をもたらす、非常に高いプロセスである。ファイアフロント進行における不確実性を定量化する伝統的なアプローチは、シミュレーションのアンサンブルを通して確率マップを生成することである。本稿では,入力パラメータの不確実性を考慮した火災伝播確率を直接推定する手法を提案する。
論文参考訳（メタデータ） (2023-05-10T13:42:52Z)
Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文参考訳（メタデータ） (2022-10-28T21:23:03Z)
A Spatio-Temporal Neural Network Forecasting Approach for Emulation of Firefront Models [11.388800758488314]
モデルエミュレーションのための専用時間ニューラルネットワークベースのフレームワークを提案する。提案手法は、ニューラルネットワークに基づくアプローチにおいてしばしば困難となる、空間的および時間的細部での予測を近似することができる。実証実験では、シミュレーションとエミュレートされたファイアフロント間の良好な一致が示され、平均的なジャカードスコアは0.76である。
論文参考訳（メタデータ） (2022-06-17T03:11:18Z)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文参考訳（メタデータ） (2021-03-12T17:00:23Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。