論文の概要: Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior
- arxiv url: http://arxiv.org/abs/2210.16411v1
- Date: Fri, 28 Oct 2022 21:23:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:03:18.870300
- Title: Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior
- Title（参考訳）: 繰り返し畳み込み型ディープニューラルネットワークによる時間分解ワイルドファイア拡散挙動のモデル化
- Authors: John Burge, Matthew R. Bonanni, R. Lily Hu, Matthias Ihme
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing incidence and severity of wildfires underscores the necessity
of accurately predicting their behavior. While high-fidelity models derived
from first principles offer physical accuracy, they are too computationally
expensive for use in real-time fire response. Low-fidelity models sacrifice
some physical accuracy and generalizability via the integration of empirical
measurements, but enable real-time simulations for operational use in fire
response. Machine learning techniques offer the ability to bridge these
objectives by learning first-principles physics while achieving computational
speedup. While deep learning approaches have demonstrated the ability to
predict wildfire propagation over large time periods, time-resolved fire-spread
predictions are needed for active fire management. In this work, we evaluate
the ability of deep learning approaches in accurately modeling the
time-resolved dynamics of wildfires. We use an autoregressive process in which
a convolutional recurrent deep learning model makes predictions that propagate
a wildfire over 15 minute increments. We demonstrate the model in application
to three simulated datasets of increasing complexity, containing both field
fires with homogeneous fuel distribution as well as real-world topologies
sampled from the California region of the United States. We show that even
after 100 autoregressive predictions representing more than 24 hours of
simulated fire spread, the resulting models generate stable and realistic
propagation dynamics, achieving a Jaccard score between 0.89 and 0.94 when
predicting the resulting fire scar.
- Abstract（参考訳）: 野火の発生率と深刻度の増加は、その行動を正確に予測する必要性を浮き彫りにしている。
first principlesから派生した高忠実度モデルは物理的精度を提供するが、リアルタイムの火災応答に使用するには計算コストが高すぎる。
低忠実度モデルは、経験的測定の統合によっていくつかの物理的精度と一般化性を犠牲にするが、実時間での火災応答のシミュレーションを可能にする。
機械学習技術は、計算スピードアップを達成しながら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。
深層学習のアプローチは、長期間にわたって山火事の伝播を予測する能力を示しているが、アクティブファイアマネージメントには、タイムリーな火災拡散予測が必要である。
本研究では,山火事の時間分解ダイナミクスを正確にモデル化する深層学習手法の能力を評価する。
畳み込み型リカレント深層学習モデルが15分以上にわたって山火事を伝播する予測を行う自己回帰的プロセスを用いる。
本研究では,同種燃料分布を持つフィールド火災と,米国のカリフォルニア地域から採取した実世界トポロジを含む,複雑さの増大をシミュレーションした3つのデータセットへの適用例を示す。
その結果, 火傷発生から24時間を超える自己回帰予測を100回行った場合においても, 火傷発生時のジャカードスコアは0.89～0.94と安定かつ現実的な伝播ダイナミクスが得られた。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - 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) - Estimating fire Duration using regression methods [0.0]
本稿では、RF(ランダム森林)、KNN、XGBoost回帰モデルおよびCNNなどの画像ベースによる既知の山火事の消火期間を予測する。
入力を別々に処理して最適な結果を得ることにより、システムは高速かつ比較的正確な将来の予測を行うことができる。
論文 参考訳（メタデータ） (2023-08-17T12:11:27Z) - 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) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - Characterizing and overcoming the greedy nature of learning in
multi-modal deep neural networks [62.48782506095565]
深層ニューラルネットワークにおける学習の欲張った性質から、モデルは一つのモダリティにのみ依存する傾向にあり、他のモダリティには不適合であることを示す。
本稿では,学習中のモーダル間の条件付き学習速度のバランスをとるアルゴリズムを提案し,グリージー学習の問題に対処できることを実証する。
論文 参考訳（メタデータ） (2022-02-10T20:11:21Z) - 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) - 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) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。
その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
論文 参考訳（メタデータ） (2020-12-11T23:31:43Z)
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。