論文の概要: Forecasting Post-Wildfire Vegetation Recovery in California using a
Convolutional Long Short-Term Memory Tensor Regression Network
- arxiv url: http://arxiv.org/abs/2311.02492v1
- Date: Sat, 4 Nov 2023 19:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 17:16:03.509540
- Title: Forecasting Post-Wildfire Vegetation Recovery in California using a
Convolutional Long Short-Term Memory Tensor Regression Network
- Title（参考訳）: 畳み込み長期記憶テンソル回帰ネットワークを用いたカリフォルニアにおける火炎後植生回復予測
- Authors: Jiahe Liu, Xiaodi Wang
- Abstract要約: 本研究は, 火災後の植物回復を予測し, 解析するための新しいアプローチを提案する。
このモデルは、2013年から2020年にかけて発生した104のカリフォルニアの山火事で訓練され、テストされている。
全体として、我々のk値予測は印象的な性能を示し、50%の予測は0.12以下の絶対誤差を示し、75%は0.24以下の誤差を示す。
- 参考スコア（独自算出の注目度）: 1.5051841526022436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of post-wildfire plant regrowth is essential for developing
successful ecosystem recovery strategies. Prior research mainly examines key
ecological and biogeographical factors influencing post-fire succession. This
research proposes a novel approach for predicting and analyzing post-fire plant
recovery. We develop a Convolutional Long Short-Term Memory Tensor Regression
(ConvLSTMTR) network that predicts future Normalized Difference Vegetation
Index (NDVI) based on short-term plant growth data after fire containment. The
model is trained and tested on 104 major California wildfires occurring between
2013 and 2020, each with burn areas exceeding 3000 acres. The integration of
ConvLSTM with tensor regression enables the calculation of an overall logistic
growth rate k using predicted NDVI. Overall, our k-value predictions
demonstrate impressive performance, with 50% of predictions exhibiting an
absolute error of 0.12 or less, and 75% having an error of 0.24 or less.
Finally, we employ Uniform Manifold Approximation and Projection (UMAP) and KNN
clustering to identify recovery trends, offering insights into regions with
varying rates of recovery. This study pioneers the combined use of tensor
regression and ConvLSTM, and introduces the application of UMAP for clustering
similar wildfires. This advances predictive ecological modeling and could
inform future post-fire vegetation management strategies.
- Abstract（参考訳）: 森林火災後の植物再生の研究は, 生態系回復戦略の立案に不可欠である。
先行研究は主に、火災後の継承に影響を与える重要な生態学的・生物地理学的要因を調査した。
本研究は, 火災後の植物回復を予測し, 解析するための新しいアプローチを提案する。
本研究では, 火災封止後の短期植物生育データに基づいて, 将来の正規化差分植生指数(NDVI)を予測する畳み込み長短期記憶テンソル回帰(ConvLSTMTR)ネットワークを開発した。
このモデルは2013年から2020年にかけてカリフォルニア州で発生した104の野火で訓練され、テストされている。
ConvLSTMとテンソル回帰の統合により、予測されたNDVIを用いて全体的なロジスティック成長率kを計算することができる。
全体として、我々のk値予測は印象的なパフォーマンスを示し、予測の50%は絶対誤差0.12以下、75%は誤差0.24以下である。
最後に,uniform manifold approximation and projection (umap) と knn clustering を用いて回復傾向を同定し,回復率の異なる領域への洞察を提供する。
本研究は, テンソル回帰とConvLSTMの併用を先導し, 類似の山火事のクラスター化に UMAP を適用した。
これは予測的生態モデリングを推進し、将来の火災後の植生管理戦略を知らせる可能性がある。
関連論文リスト
- Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。
我々は多種多様な高次元データにまたがって理論を検証する。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Explainable Global Wildfire Prediction Models using Graph Neural
Networks [2.2389592950633705]
本稿では,グローバルな山火事予測のための革新的なグラフニューラルネットワーク(GNN)モデルを提案する。
我々のアプローチは、地球温暖化や山火事のデータをグラフ表現に変換し、ヌル海洋データロケーションのような課題に対処します。
論文 参考訳（メタデータ） (2024-02-11T10:44:41Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - Learning Inter-Annual Flood Loss Risk Models From Historical Flood
Insurance Claims and Extreme Rainfall Data [0.0]
洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。
本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
論文 参考訳（メタデータ） (2022-12-15T19:23:02Z) - A Novel Semisupervised Contrastive Regression Framework for Forest
Inventory Mapping with Multisensor Satellite Data [5.652290685410878]
本研究では,連続する森林変数の壁面間マッピングのための新しい半教師付き回帰フレームワークを開発する。
このフレームワークは、Copernicus Sentinel-1とSentinel-2の画像を用いて、ボレアル林のサイトで実証されている。
達成された予測精度は、バニラUNetや従来の回帰モデルよりも優れている。
論文 参考訳（メタデータ） (2022-12-01T03:26:02Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - 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。