論文の概要: A Neural Emulator for Uncertainty Estimation of Fire Propagation
- arxiv url: http://arxiv.org/abs/2305.06139v2
- Date: Mon, 15 May 2023 02:37:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 20:25:10.461464
- Title: A Neural Emulator for Uncertainty Estimation of Fire Propagation
- Title（参考訳）: 火災伝播の不確かさ推定のためのニューラルエミュレータ
- Authors: Andrew Bolt, Conrad Sanderson, Joel Janek Dabrowski, Carolyn Huston,
Petra Kuhnert
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.067753469557598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wildfire propagation is a highly stochastic process where small changes in
environmental conditions (such as wind speed and direction) can lead to large
changes in observed behaviour. A traditional approach to quantify uncertainty
in fire-front progression is to generate probability maps via ensembles of
simulations. However, use of ensembles is typically computationally expensive,
which can limit the scope of uncertainty analysis. To address this, we explore
the use of a spatio-temporal neural-based modelling approach to directly
estimate the likelihood of fire propagation given uncertainty in input
parameters. The uncertainty is represented by deliberately perturbing the input
weather forecast during model training. The computational load is concentrated
in the model training process, which allows larger probability spaces to be
explored during deployment. Empirical evaluations indicate that the proposed
model achieves comparable fire boundaries to those produced by the traditional
SPARK simulation platform, with an overall Jaccard index (similarity score) of
67.4% on a set of 35 simulated fires. When compared to a related neural model
(emulator) which was employed to generate probability maps via ensembles of
emulated fires, the proposed approach produces competitive Jaccard similarity
scores while being approximately an order of magnitude faster.
- Abstract（参考訳）: 野火の伝播は、風速や方向といった環境条件の小さな変化が観測される行動に大きな変化をもたらす非常に確率的な過程である。
火災前の進行における不確かさ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じて確率写像を生成することである。
しかし、アンサンブルの使用は通常計算コストが高く、不確実性解析の範囲を制限できる。
そこで本稿では,入力パラメータに不確実性がある場合の火災伝播確率を直接推定するために,時空間ニューラルベースモデリング手法を提案する。
この不確実性は、モデルトレーニング中に入力天気予報を意図的に摂動させることによって表される。
計算負荷はモデルトレーニングプロセスに集中しており、デプロイメント中により大きな確率空間を探索することができる。
実証的な評価から、提案モデルは従来のsparkシミュレーションプラットフォームが生成したものと同等の火力限界を達成でき、35の模擬火のセットでjaccardインデックス(類似度スコア)は67.4%であった。
エミュレートされた火災のアンサンブルを介して確率マップを生成するための関連するニューラルネットワーク(エミュレータ)と比較して、提案手法は、ほぼ1桁高速で競合するジャカード類似度スコアを生成する。
関連論文リスト
- Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。
観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。
本手法は, 推定手法よりも有効であることを示す。
論文 参考訳（メタデータ） (2024-08-26T08:39:09Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - 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) - Model Predictive Control with Gaussian-Process-Supported Dynamical
Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。
マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文 参考訳（メタデータ） (2023-03-08T17:14:57Z) - 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) - An Emulation Framework for Fire Front Spread [0.9940728137241214]
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。
論文 参考訳（メタデータ） (2022-03-23T03:07:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - 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) - New Algorithms And Fast Implementations To Approximate Stochastic
Processes [0.0]
モデリングプロセスの効率的な近似を求めるために,新しいアルゴリズムと高速な実装を提案する。
ゴールは常に有限モデルを見つけることであり、これは実際のデータプロセスに関する与えられた知識をできるだけ正確に表現するものである。
論文 参考訳（メタデータ） (2020-12-01T06:14:16Z)
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。