論文の概要: Predicting Electricity Infrastructure Induced Wildfire Risk in
California
- arxiv url: http://arxiv.org/abs/2206.02930v1
- Date: Mon, 6 Jun 2022 22:16:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 06:09:39.764515
- Title: Predicting Electricity Infrastructure Induced Wildfire Risk in
California
- Title（参考訳）: カリフォルニアにおける電力インフラの火災リスク予測
- Authors: Mengqi Yao, Meghana Bharadwaj, Zheng Zhang, Baihong Jin and Duncan S.
Callaway
- Abstract要約: 本研究では,電気インフラによる山火事の発生時期と発生場所を予測するためのリスクモデルについて検討する。
データは、2015年から2019年にかけてパシフィック・ガス・アンド・エレクトリック・エリアで収集されたグリッドインフラによって引き起こされた歴史的点火とワイヤダウンポイントを含んでいる。
気象や植生の特徴が,着火やワイヤダウンのリスクにおいて,最も重要な特徴の1つとなっていることが判明した。
- 参考スコア（独自算出の注目度）: 6.08936845491444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper examines the use of risk models to predict the timing and location
of wildfires caused by electricity infrastructure. Our data include historical
ignition and wire-down points triggered by grid infrastructure collected
between 2015 to 2019 in Pacific Gas & Electricity territory along with various
weather, vegetation, and very high resolution data on grid infrastructure
including location, age, materials. With these data we explore a range of
machine learning methods and strategies to manage training data imbalance. The
best area under the receiver operating characteristic we obtain is 0.776 for
distribution feeder ignitions and 0.824 for transmission line wire-down events,
both using the histogram-based gradient boosting tree algorithm (HGB) with
under-sampling. We then use these models to identify which information provides
the most predictive value. After line length, we find that weather and
vegetation features dominate the list of top important features for ignition or
wire-down risk. Distribution ignition models show more dependence on
slow-varying vegetation variables such as burn index, energy release content,
and tree height, whereas transmission wire-down models rely more on primary
weather variables such as wind speed and precipitation. These results point to
the importance of improved vegetation modeling for feeder ignition risk models,
and improved weather forecasting for transmission wire-down models. We observe
that infrastructure features make small but meaningful improvements to risk
model predictive power.
- Abstract（参考訳）: 本稿では,電気インフラによる山火事の発生時期と発生位置を予測するためのリスクモデルについて検討する。
われわれのデータには、2015年から2019年にかけて太平洋ガス・電気の領域で収集されたグリッドインフラストラクチャによって引き起こされた歴史的着火とワイヤーダウンポイントと、さまざまな天候、植生、そして位置、年齢、材料を含むグリッドインフラストラクチャに関する非常に高解像度のデータが含まれている。
これらのデータを用いて、トレーニングデータの不均衡を管理するためのさまざまな機械学習手法と戦略を探索する。
我々が取得した受信機動作特性の最も優れた領域は、分布給電用 0.776 と伝送線路のワイヤダウンイベント 0.824 であり、どちらもアンダーサンプリング付きヒストグラムベースの勾配昇降木アルゴリズム (HGB) を用いている。
次に、これらのモデルを使用して、最も予測的な価値を提供する情報を特定する。
線長の後に、着火やワイヤダウンのリスクにおいて、天気と植生の特徴が最も重要な特徴の一覧であることがわかった。
配電着火モデルでは, 燃焼指数, エネルギー放出量, 樹高などの緩やかな植生変数への依存度が高いが, 送電線ダウンモデルは風速や降水量といった一次気象変数に依存している。
これらの結果は,送電線ダウンモデルにおける植生モデルの改善と天気予報の改善が重要であることを示している。
インフラの機能はリスクモデル予測能力に小さなが有意義な改善をもたらす。
関連論文リスト
- Online Planning of Power Flows for Power Systems Against Bushfires Using Spatial Context [9.651976473741843]
2019-20 オーストラリアのブッシュファイアは、多くの経済的損失をもたらし、電力システムの運用に大きな影響を及ぼした。
停電により発電所や送電線が著しく影響を受け、運用コストが増大する。
本研究では,停電を受ける電力系統の最適潮流(OPF)を計画する上で,基本的かつ困難な課題について検討する。
論文 参考訳（メタデータ） (2024-04-20T14:21:16Z) - Modelling wildland fire burn severity in California using a spatial
Super Learner approach [0.04188114563181614]
米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。
遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。
このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
論文 参考訳（メタデータ） (2023-11-25T22:09:14Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Thunderstorm nowcasting with deep learning: a multi-hazard data fusion
model [1.9355744690301404]
さまざまなハザードタイプに適応可能なディープラーニングモデルを提案する。
我々は気象レーダー、雷検出、衛星可視・赤外線画像、数値気象予測、デジタル標高モデルからのデータを利用する。
我々は,1kmの解像度グリッド上で,雷雨,干ばつ,重降雨を確率的に予測するモデルの能力を実証した。
論文 参考訳（メタデータ） (2022-11-02T10:02:13Z) - 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) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - 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) - 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) - 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。