Fugu-MT 論文翻訳(概要): Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts

論文の概要: Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts

arxiv url: http://arxiv.org/abs/2309.02615v1
Date: Tue, 5 Sep 2023 23:24:34 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 17:16:26.351145
Title: Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts
Title（参考訳）: 物理系ワイルドファイア拡散モデルと衛星データとの融合のための生成アルゴリズムによるワイルドファイア予測の初期化
Authors: Bryan Shaddy, Deep Ray, Angel Farguell, Valentina Calaza, Jan Mandel, James Haley, Kyle Hilburn, Derek V. Mallia, Adam Kochanski and Assad Oberai
Abstract要約: 衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Increases in wildfire activity and the resulting impacts have prompted the development of high-resolution wildfire behavior models for forecasting fire spread. Recent progress in using satellites to detect fire locations further provides the opportunity to use measurements to improve fire spread forecasts from numerical models through data assimilation. This work develops a method for inferring the history of a wildfire from satellite measurements, providing the necessary information to initialize coupled atmosphere-wildfire models from a measured wildfire state in a physics-informed approach. The fire arrival time, which is the time the fire reaches a given spatial location, acts as a succinct representation of the history of a wildfire. In this work, a conditional Wasserstein Generative Adversarial Network (cWGAN), trained with WRF-SFIRE simulations, is used to infer the fire arrival time from satellite active fire data. The cWGAN is used to produce samples of likely fire arrival times from the conditional distribution of arrival times given satellite active fire detections. Samples produced by the cWGAN are further used to assess the uncertainty of predictions. The cWGAN is tested on four California wildfires occurring between 2020 and 2022, and predictions for fire extent are compared against high resolution airborne infrared measurements. Further, the predicted ignition times are compared with reported ignition times. An average Sorensen's coefficient of 0.81 for the fire perimeters and an average ignition time error of 32 minutes suggest that the method is highly accurate.
Abstract（参考訳）: 野火活動の増加とその結果生じる影響は、火の拡散を予測するために高分解能の野火行動モデルの開発を促した。衛星による火災位置検出の最近の進歩は、データ同化による数値モデルからの火災拡散予測を改善するために、測定を使用する機会を提供する。本研究は, 衛星観測から山火事の歴史を推定する手法を開発し, 観測された山火事状態から大気・山火事モデルを初期化するために必要な情報を提供する。火災到着時刻は、火が所定の空間的な場所に到達したときであり、山火事の歴史の簡潔な表現として機能する。本研究では、WRF-SFIREシミュレーションで訓練した条件付きWasserstein Generative Adversarial Network (cWGAN)を用いて、衛星アクティブファイアデータから着火時刻を推定する。 cwganは、衛星の能動火検出による着火時刻の条件分布から発火時刻のサンプルを生成するために使用される。 cwganが生成したサンプルは、さらに予測の不確実性を評価するために用いられる。 cWGANは、2020年から2022年にかけて発生したカリフォルニアの4回の山火事でテストされ、高解像度の空中赤外線測定と比較された。さらに、予測点火時間を報告された点火時間と比較する。火災周辺における平均ソレンセン係数0.81と平均点火時間誤差32分は、この手法が極めて正確であることを示唆している。

関連論文リスト

Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
森林火災は気候危機により地球生態系に深刻な危険をもたらす。複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
論文参考訳（メタデータ） (2024-11-14T23:19:55Z)
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)
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)
Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
論文参考訳（メタデータ） (2023-10-02T19:38:04Z)
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)
Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文参考訳（メタデータ） (2022-12-09T11:32:36Z)
Assimilation of Satellite Active Fires Data [0.0]
この論文の目的は、山火事のモデリング能力を改善することで、山火事の影響に対処する技術を開発することである。特に,火災の履歴を構築する方法,山火事データを同化するための新しい技術,およびモデル化された火災の挙動を変更する方法を開発する。
論文参考訳（メタデータ） (2022-04-01T20:11:28Z)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)
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)
Uncertainty Aware Wildfire Management [6.997483623023005]
アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。本稿では,山火事対策のための意思決定論的アプローチを提案する。
論文参考訳（メタデータ） (2020-10-15T17:47:31Z)
Modeling Wildfire Perimeter Evolution using Deep Neural Networks [0.0]
本研究では,24時間間における山火事周囲の進化を予測できる山火事拡散モデルを提案する。このモデルはカリフォルニアのシエラネバダ山脈西部の山火事から、実際の歴史的データセットから、山火事の拡散力学を学習することができる。
論文参考訳（メタデータ） (2020-09-08T20:06:01Z)

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。