論文の概要: Pyrocast: a Machine Learning Pipeline to Forecast Pyrocumulonimbus (PyroCb) Clouds

• arxiv url: http://arxiv.org/abs/2211.13052v1
• Date: Tue, 22 Nov 2022 14:16:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 14:46:53.039171
• Title: Pyrocast: a Machine Learning Pipeline to Forecast Pyrocumulonimbus (PyroCb) Clouds
• Title（参考訳）: Pyrocast: Pyrocumulonimbus(PyroCb)クラウドを予測するための機械学習パイプライン
• Authors: Kenza Tazi, Emiliano D\'iaz Salas-Porras, Ashwin Braude, Daniel Okoh, Kara D. Lamb, Duncan Watson-Parris, Paula Harder, Nis Meinert
• Abstract要約: Pyrocastは、pyroCb分析と予測のためのパイプラインである。 このデータベースは2018年から2022年にかけて、北米、オーストラリア、ロシアで148件以上のpyroCbイベントの静止画像と環境データを集めている。 オートエンコーダで事前訓練されたCNNとCNNは、所定の火災の6時間前にピロCbの発生を予測するために試験された。
• 参考スコア（独自算出の注目度）: 0.49472103277582824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pyrocumulonimbus (pyroCb) clouds are storm clouds generated by extreme wildfires. PyroCbs are associated with unpredictable, and therefore dangerous, wildfire spread. They can also inject smoke particles and trace gases into the upper troposphere and lower stratosphere, affecting the Earth's climate. As global temperatures increase, these previously rare events are becoming more common. Being able to predict which fires are likely to generate pyroCb is therefore key to climate adaptation in wildfire-prone areas. This paper introduces Pyrocast, a pipeline for pyroCb analysis and forecasting. The pipeline's first two components, a pyroCb database and a pyroCb forecast model, are presented. The database brings together geostationary imagery and environmental data for over 148 pyroCb events across North America, Australia, and Russia between 2018 and 2022. Random Forests, Convolutional Neural Networks (CNNs), and CNNs pretrained with Auto-Encoders were tested to predict the generation of pyroCb for a given fire six hours in advance. The best model predicted pyroCb with an AUC of $0.90 \pm 0.04$.
• Abstract（参考訳）: pyrocumulonimbus (pyrocb)雲は、極端な山火事によって発生する嵐雲である。 ピロCbsは予測不能で危険であり、山火事が広がる。 また、煙粒子や微量ガスを対流圏上層と成層圏下層に注入し、地球の気候に影響を及ぼす。 世界の気温が上昇するにつれて、これらの珍しい現象はより一般的になっている。 したがって、どの火災がピロCbを発生させるかを予測することは、山火事が発生しやすい地域での気候適応の鍵となる。 本稿では pyroCb 解析と予測のためのパイプラインである Pyrocast を紹介する。 パイプラインの最初の2つのコンポーネント、pyroCbデータベースとpyroCb予測モデルが提示される。 このデータベースは2018年から2022年にかけて、北米、オーストラリア、ロシアで148件以上のpyroCbイベントの静止画像と環境データを集めている。 自動エンコーダで事前訓練されたランダムフォレスト、畳み込みニューラルネットワーク(CNN)、CNNは、所定の火災を6時間前に予測するために試験された。 最良のモデルは0.90 \pm 0.04$のaucでpyrocbを予測した。

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)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Simulating the Air Quality Impact of Prescribed Fires Using Graph Neural Network-Based PM$_{2.5}$ Forecasts [0.1052166918701117]
  本研究では, 時空PM$_2.5$予測のための時空間グラフニューラルネットワーク(GNN)に基づく予測モデルを提案する。 2段階のアプローチを用いて、予測モデルを用いて、山火事のPM$_2.5$の寄与を推定する。 本稿では,GNNに基づくPM$_2.5$予測モデルと所定の火災シミュレーションを統合し,PM$_2.5$予測手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T13:18:36Z)
• 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)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Deep Learning for Global Wildfire Forecasting [1.6929753878977016]
  我々は,世界規模の火災データセットを作成し,世界規模の火災発生地域をサブシーズン規模で予測するプロトタイプを実証する。 本稿では,季節・季節の消防車に関連する様々な変数を含む,オープンアクセスのグローバル分析対応データキューブを提案する。 我々は,地球規模の山火事予測をイメージセグメンテーションタスクとして扱う深層学習モデルを訓練し,その前に焼かれた8,16,32,64日間の存在を巧みに予測する。
  論文  参考訳（メタデータ） (2022-11-01T15:39:01Z)
• Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt, Zoom) Camera Technology and Convolutional Neural Networks [0.0]
  野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。 2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。 研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
  論文  参考訳（メタデータ） (2021-09-10T19:30:37Z)
• RtFPS: An Interactive Map that Visualizes and Predicts Wildfires in the US [5.463582453213332]
  RtFPSは特定の場所での山火事のリスクをリアルタイムで予測する。 また、環境情報とともに歴史的な山火事を示すインタラクティブな地図機能も提供する。
  論文  参考訳（メタデータ） (2021-05-23T08:07:01Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。