論文の概要: Machine Learning and VIIRS Satellite Retrievals for Skillful Fuel
Moisture Content Monitoring in Wildfire Management
- arxiv url: http://arxiv.org/abs/2305.11910v1
- Date: Wed, 17 May 2023 21:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 05:20:21.554536
- Title: Machine Learning and VIIRS Satellite Retrievals for Skillful Fuel
Moisture Content Monitoring in Wildfire Management
- Title（参考訳）: 山火事管理における高度燃料水分量モニタリングのための機械学習とVIIRS衛星検索
- Authors: John S. Schreck, William Petzke, Pedro A. Jimenez, Thomas Brummet,
Jason C. Knievel, Eric James, Branko Kosovic, David John Gagne
- Abstract要約: 植生の燃料水分量(FMC)のモニタリングは、火災の影響を管理し緩和するために重要である。
In situ FMC観測と数値天気予報(NWP)モデルと衛星検索の組み合わせにより、機械学習(ML)モデルの開発により、連続した米国(CONUS)上でのFMCの致命的検索を推定できるようになった。
本研究では,国立水モデルと高分解能ラピッドリフレッシュ(HRRR)NWPモデル,および表面特性を特徴付ける静的変数,および表面反射率と陸面温度(LST)検索を用いてMLモデルを訓練した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring the fuel moisture content (FMC) of vegetation is crucial for
managing and mitigating the impact of wildland fires. The combination of in
situ FMC observations with numerical weather prediction (NWP) models and
satellite retrievals has enabled the development of machine learning (ML)
models to estimate dead FMC retrievals over the contiguous US (CONUS). In this
study, ML models were trained using variables from the National Water Model and
the High-Resolution Rapid Refresh (HRRR) NWP models, and static variables
characterizing the surface properties, as well as surface reflectances and land
surface temperature (LST) retrievals from the VIIRS instrument on board the
Suomi-NPP satellite system. Extensive hyper-parameter optimization yielded
skillful FMC models compared to a daily climatography RMSE (+44\%) and to an
hourly climatography RMSE (+24\%). Furthermore, VIIRS retrievals were important
predictors for estimating FMC, contributing significantly as a group due to
their high band-correlation. In contrast, individual predictors in the HRRR
group had relatively high importance according to the explainability techniques
used. When both HRRR and VIIRS retrievals were not used as model inputs, the
performance dropped significantly. If VIIRS retrievals were not used, the RMSE
performance was worse. This highlights the importance of VIIRS retrievals in
modeling FMC, which yielded better models compared to MODIS. Overall, the
importance of the VIIRS group of predictors corroborates the dynamic
relationship between the 10-h fuel and the atmosphere and soil moisture. These
findings emphasize the significance of selecting appropriate data sources for
predicting FMC with ML models, with VIIRS retrievals and selected HRRR
variables being critical components in producing skillful FMC estimates.
- Abstract（参考訳）: 植生の燃料水分量(FMC)のモニタリングは、森林火災の影響を管理し緩和するために重要である。
In situ FMC 観測と数値天気予報(NWP)モデルと衛星検索を組み合わせることで、機械学習(ML)モデルの開発を可能にし、連続した米国(CONUS)上でのFMC 探索を推定した。
本研究では,国立水モデルと高分解能ラピッドリフレッシュ(HRRR)NWPモデル,および表面特性を特徴づける静的変数,およびスオミ-NPP衛星システム上でのVIIRS観測装置からの表面反射率と地表面温度(LST)の検索を用いてMLモデルを訓練した。
高度パラメータ最適化により,毎日の気候学rmse (+44\%) と1時間毎の気候学rmse (+24\%) と比較して熟練したfmcモデルが得られた。
さらに、VIIRS検索はFMCを推定するための重要な予測因子であり、高いバンド相関によりグループとして大きく寄与した。
一方,HRRR群の個人予測器は,説明可能性技術により比較的重要であった。
HRRRとVIIRSの検索がモデル入力として使用されなかった場合、性能は大幅に低下した。
VIIRSの検索が使われなかった場合、RMSEの性能は悪化した。
このことは、MODISよりも優れたモデルをもたらすFMCのモデリングにおけるVIIRS検索の重要性を強調している。
全体として、予測器のVIIRS基の重要性は、10h燃料と大気と土壌水分との動的関係を裏付ける。
これらの結果は,MLモデルを用いてFMCを予測するための適切なデータソースを選択することの重要性を強調した。
関連論文リスト
- A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions [2.531156266686649]
本稿では,風速の短期予測のための新しい適応モデルを提案する。
単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。
論文 参考訳（メタデータ） (2024-08-28T06:07:58Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。
その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
論文 参考訳（メタデータ） (2024-06-08T04:23:21Z) - 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) - Scaling Relationship on Learning Mathematical Reasoning with Large
Language Models [75.29595679428105]
本研究では,事前学習損失,教師付きデータ量,拡張データ量が教師付きLDMの推論性能に与える影響について検討する。
複数のモデルからの拒絶サンプルは、LLaMA-7BをGSM8Kの49.3%の精度に押し上げ、監督された微調整(SFT)の精度を35.9%上回る結果となった。
論文 参考訳（メタデータ） (2023-08-03T15:34:01Z) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - 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 Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:30:49Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳（メタデータ） (2020-01-16T07:14:32Z)
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。