論文の概要: SeasFire as a Multivariate Earth System Datacube for Wildfire Dynamics
- arxiv url: http://arxiv.org/abs/2312.07199v1
- Date: Tue, 12 Dec 2023 12:07:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 16:11:26.177996
- Title: SeasFire as a Multivariate Earth System Datacube for Wildfire Dynamics
- Title（参考訳）: 多変量地球系データキューブとしてのシーズファイア
- Authors: Ilektra Karasante, Lazaro Alonso, Ioannis Prapas, Akanksha Ahuja, Nuno
Carvalhais and Ioannis Papoutsis
- Abstract要約: SeasFire Datacube(シーズファイア・データキューブ)は、地球観測を通して世界規模のサブシーズンの山火事モデリングに適した、厳密にキュレートされたデータセットです。
SeasFireデータキューブは気候、植生、人為的要因を含む59の変数で構成され、時間分解能は8日間で、空間分解能は0.25度、2001年から2021年までである。
深層学習モデルを用いて,山火事運転者の変動と季節性,海洋-気候接続と山火事の因果関係のモデル化,および複数の時間スケールにわたるサブシーズンの山火事パターンの予測について,SeasFireの汎用性について紹介する。
- 参考スコア（独自算出の注目度）: 1.019446914776079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The global occurrence, scale, and frequency of wildfires pose significant
threats to ecosystem services and human livelihoods. To effectively quantify
and attribute the antecedent conditions for wildfires, a thorough understanding
of Earth system dynamics is imperative. In response, we introduce the SeasFire
datacube, a meticulously curated spatiotemporal dataset tailored for global
sub-seasonal to seasonal wildfire modeling via Earth observation. The SeasFire
datacube comprises of 59 variables encompassing climate, vegetation, oceanic
indices, and human factors, has an 8-day temporal resolution and a spatial
resolution of 0.25 degrees, and spans from 2001 to 2021. We showcase the
versatility of SeasFire for exploring the variability and seasonality of
wildfire drivers, modeling causal links between ocean-climate teleconnections
and wildfires, and predicting sub-seasonal wildfire patterns across multiple
timescales with a Deep Learning model. We publicly release the SeasFire
datacube and appeal to Earth system scientists and Machine Learning
practitioners to use it for an improved understanding and anticipation of
wildfires.
- Abstract（参考訳）: 森林火災の世界的な発生、規模、頻度は、生態系サービスや人間の生活に大きな脅威をもたらす。
森林火災の前兆条件を効果的に定量化し、属性付けするため、地球系力学の徹底的な理解が不可欠である。
そこで,本研究では,地球観測による季節的野火モデルに準じた時空間データセットであるseasfire datacubeについて紹介する。
SeasFire データキューブは気候、植生、海洋指数、人為的要因を含む59の変数で構成され、8日間の時間分解能と0.25度の空間分解能を持ち、2001年から2021年まで広がる。
深層学習モデルを用いて,山火事運転者の多様性と季節性を探究し,海と気候の相互接続と山火事の因果関係をモデル化し,複数の時間スケールにわたるサブシーズンの山火事パターンを予測した。
私たちは、SeasFireデータキューブを公開し、地球システム科学者や機械学習の実践者に、山火事の理解と予測の改善に利用するようアピールします。
関連論文リスト
- Global Lightning-Ignited Wildfires Prediction and Climate Change Projections based on Explainable Machine Learning Models [0.8039067099377079]
森林火災は人口に重大な自然災害のリスクをもたらし、気候変動の加速に貢献している。
本研究では,世界規模で雷に照らされた山火事の特徴と予測を目的とした機械学習モデルを提案する。
雷に照らされた山火事の季節的・空間的傾向が気候変動の影響について分析した。
論文 参考訳（メタデータ） (2024-09-16T07:19:08Z) - OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。
1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
論文 参考訳（メタデータ） (2024-05-12T09:32:40Z) - Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks [2.748450182087935]
We use SeasFire, a comprehensive global wildfire data with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning。
予測分析のために、野火の時間的文脈を捉えた異なるアーキテクチャでディープラーニングモデルを訓練する。
本研究は,季節火災予報における深層学習モデルの可能性を示すものである。
論文 参考訳（メタデータ） (2024-04-09T16:28:54Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Deep Learning for Global Wildfire Forecasting [1.6929753878977016]
我々は,世界規模の火災データセットを作成し,世界規模の火災発生地域をサブシーズン規模で予測するプロトタイプを実証する。
本稿では,季節・季節の消防車に関連する様々な変数を含む,オープンアクセスのグローバル分析対応データキューブを提案する。
我々は,地球規模の山火事予測をイメージセグメンテーションタスクとして扱う深層学習モデルを訓練し,その前に焼かれた8,16,32,64日間の存在を巧みに予測する。
論文 参考訳（メタデータ） (2022-11-01T15:39:01Z) - RtFPS: An Interactive Map that Visualizes and Predicts Wildfires in the
US [5.463582453213332]
RtFPSは特定の場所での山火事のリスクをリアルタイムで予測する。
また、環境情報とともに歴史的な山火事を示すインタラクティブな地図機能も提供する。
論文 参考訳（メタデータ） (2021-05-23T08:07:01Z) - 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) - Dynamic Community Detection into Analyzing of Wildfires Events [55.72431452586636]
本研究では,山火事の動態について,動的コミュニティ構造が明らかにする情報について検討する。
アマゾン盆地の火災イベントのMODISデータセットを用いた実験を行った。
以上の結果から,年間を通じて観測される山火事のパターンを明らかにすることが可能であることが示唆された。
論文 参考訳（メタデータ） (2020-11-02T17:31:47Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳（メタデータ） (2020-10-20T15:31:38Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z) - 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。