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
- A Synergistic Approach to Wildfire Prevention and Management Using AI, ML, and 5G Technology in the United States [44.99833362998488]
本研究は、アメリカ合衆国における山火事の検出および対処のための積極的な方法を検討する。
本研究の目的は,高度技術を用いた山火事の予防的検出と防止である。
AI対応のリモートセンシングや5Gベースのアクティブモニタリングなど、さまざまな方法により、アクティブな山火事の検出と管理が強化される。
論文 参考訳（メタデータ） (2024-02-27T04:09:30Z) - 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) - FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。
我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文 参考訳（メタデータ） (2023-11-06T18:42:05Z) - 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) - 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) - 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 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。