論文の概要: Wildfire danger prediction optimization with transfer learning
- arxiv url: http://arxiv.org/abs/2403.12871v1
- Date: Tue, 19 Mar 2024 16:15:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 13:34:19.947837
- Title: Wildfire danger prediction optimization with transfer learning
- Title(参考訳): 移動学習による火災危険予測の最適化
- Authors: Spiros Maggioros, Nikos Tsalkitzis,
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、様々なコンピュータ科学領域で実証されている。
本稿では,山火事の影響地域を特定するための地理空間データ解析へのCNNの適用について検討する。
伝達学習の統合により,CNNモデルは燃焼領域の同定において95%の精度を達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional Neural Networks (CNNs) have proven instrumental across various computer science domains, enabling advancements in object detection, classification, and anomaly detection. This paper explores the application of CNNs to analyze geospatial data specifically for identifying wildfire-affected areas. Leveraging transfer learning techniques, we fine-tuned CNN hyperparameters and integrated the Canadian Fire Weather Index (FWI) to assess moisture conditions. The study establishes a methodology for computing wildfire risk levels on a scale of 0 to 5, dynamically linked to weather patterns. Notably, through the integration of transfer learning, the CNN model achieved an impressive accuracy of 95\% in identifying burnt areas. This research sheds light on the inner workings of CNNs and their practical, real-time utility in predicting and mitigating wildfires. By combining transfer learning and CNNs, this study contributes a robust approach to assess burnt areas, facilitating timely interventions and preventative measures against conflagrations.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は、様々なコンピュータ科学領域において、オブジェクトの検出、分類、異常検出の進歩を可能にする手段であることが証明されている。
本稿では,山火事の影響地域を特定するための地理空間データ解析へのCNNの適用について検討する。
移動学習技術を活用し,CNNハイパーパラメータを微調整し,FWI(Canadian Fire Weather Index)を統合し,湿度条件の評価を行った。
この研究は、気象パターンに動的に関連付けられた0から5のスケールで山火事リスクレベルを計算するための方法論を確立した。
特に, 伝達学習の統合により, CNNモデルは, 燃焼領域の同定において, 95%の精度を達成できた。
この研究は、CNNの内部構造と、山火事を予測・緩和するための実用的でリアルタイムなユーティリティに光を当てている。
本研究は,移動学習とCNNを組み合わせることで,燃え尽きた地域を評価するための堅牢なアプローチに寄与し,タイムリーな介入の促進と炎症予防対策に寄与する。
関連論文リスト
- Exploring and Analyzing Wildland Fire Data Via Machine Learning
Techniques [0.0]
熱電対温度の10Hz時系列と乱流運動エネルギー(TKE)の相関について検討した。
風速は、ニュージャージー州のサイラス・リトル・エクスペリメント・フォレスト(Silas Little Experimental Forest)の小さな実験用火傷から収集された。
このプロジェクトは、さまざまな機械学習モデルを用いて、TKEを予測する際に高い精度を達成する。
論文 参考訳(メタデータ) (2023-11-09T03:47:49Z) - Effects of spatiotemporal correlations in wind data on neural
network-based wind predictions [0.0]
本研究では,風速予測ニューラルネットワークの性能に及ぼす時空間風の影響について検討した。
CNNモデルの相関関係と性能について,韓国,米国,英国の3つの地域で検討した。
その結果, 自己相関係数が小さい領域の方がCNNの方が好適であることが判明した。
論文 参考訳(メタデータ) (2023-04-04T05:44:12Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。
低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。
機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文 参考訳(メタデータ) (2022-10-28T21:23:03Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Investigating the fidelity of explainable artificial intelligence
methods for applications of convolutional neural networks in geoscience [0.02578242050187029]
CNNの意思決定戦略を説明する手段として、説明可能な人工知能(XAI)の手法が人気を集めている。
ここでは,最もポピュラーなXAI手法の相互比較を確立し,地質学的応用のためのCNN決定を説明する上で,それらの忠実さについて検討する。
論文 参考訳(メタデータ) (2022-02-07T18:47:15Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳(メタデータ) (2021-03-14T20:43:19Z) - 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) - Lifelong Object Detection [28.608982224098565]
私たちは、新しいトレーニングクラスが逐次的に到着し、モデルを漸進的に洗練するという事実を活用します。
我々は、高精度かつ効率的な予測のために、代表対象検出器であるFaster R-CNNを検討する。
論文 参考訳(メタデータ) (2020-09-02T15:08:51Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z)
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。