論文の概要: Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale

• arxiv url: http://arxiv.org/abs/2409.00237v1
• Date: Fri, 30 Aug 2024 20:05:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 16:18:33.956360
• Title: Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale
• Title（参考訳）: 世界規模での山火事予測のためのJULES-INFERNOの深層学習サロゲートモデル
• Authors: Sibo Cheng, Hector Chassagnon, Matthew Kasoar, Yike Guo, Rossella Arcucci,
• Abstract要約: この作業では、JULES-INFERNOモデルをシュロゲートするDeep Learning技術に基づいて、2つのデータ駆動モデルを構築している。 より正確には、これらの機械学習モデルは、地球温度、植生密度、土壌水分、およびそれ以前の予測を入力として、その後の地球域の燃焼を予測する。 JULES-INFERNOの出力と比較して、AEPが0.3%以下、SSIMが98%以上である場合)と予測精度の両面で、提案モデルの性能は高い。
• 参考スコア（独自算出の注目度）: 10.16915256748265
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Global wildfire models play a crucial role in anticipating and responding to changing wildfire regimes. JULES-INFERNO is a global vegetation and fire model simulating wildfire emissions and area burnt on a global scale. However, because of the high data dimensionality and system complexity, JULES-INFERNO's computational costs make it challenging to apply to fire risk forecasting with unseen initial conditions. Typically, running JULES-INFERNO for 30 years of prediction will take several hours on High Performance Computing (HPC) clusters. To tackle this bottleneck, two data-driven models are built in this work based on Deep Learning techniques to surrogate the JULES-INFERNO model and speed up global wildfire forecasting. More precisely, these machine learning models take global temperature, vegetation density, soil moisture and previous forecasts as inputs to predict the subsequent global area burnt on an iterative basis. Average Error per Pixel (AEP) and Structural Similarity Index Measure (SSIM) are used as metrics to evaluate the performance of the proposed surrogate models. A fine tuning strategy is also proposed in this work to improve the algorithm performance for unseen scenarios. Numerical results show a strong performance of the proposed models, in terms of both computational efficiency (less than 20 seconds for 30 years of prediction on a laptop CPU) and prediction accuracy (with AEP under 0.3\% and SSIM over 98\% compared to the outputs of JULES-INFERNO).
• Abstract（参考訳）: 世界的な山火事モデルは、変化する山火事の予測と対応において重要な役割を担っている。 JULES-INFERNOは、世界規模で燃えた山火事や地域をシミュレートした、地球規模の植生と火災モデルである。 しかし、データ次元とシステムの複雑さが高いため、JULES-INFERNOの計算コストは、目に見えない初期条件による火災リスク予測に適用することが困難である。 通常、30年間JULES-INFERNOを実行している場合、ハイパフォーマンスコンピューティング(HPC)クラスタ上で数時間かかる。 このボトルネックに対処するため、この研究では、JULES-INFERNOモデルをシュロゲートし、世界的な山火事予測を高速化するDeep Learning技術に基づいて、2つのデータ駆動モデルを構築している。 より正確には、これらの機械学習モデルは、その後の地球域の燃焼を反復的に予測するための入力として、地球温度、植生密度、土壌水分、過去の予測を捉えている。 AEP(Average Error per Pixel)とSSIM(Structure similarity Index Measure)は,提案したサロゲートモデルの性能を評価する指標として使用される。 未確認シナリオのアルゴリズム性能を改善するための微調整戦略も提案されている。 計算効率(ラップトップCPU上で30年間の予測で20秒未満)と予測精度(JULES-INFERNOの出力と比較すると0.3 %以下,SSIM 98 %以上)の両面で,提案モデルの性能は高い。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• 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)
• 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)
• A generalised multi-factor deep learning electricity load forecasting model for wildfire-prone areas [0.0]
  本稿では,山火事シーズンにおける配電網の電力負荷を予測するために,GRUに基づく汎用かつ堅牢なGated Recurrent Unit (GRU) モデルを提案する。 瞬時温度の通常の使用と比較して、平均絶対パーセンテージ誤差(MAPE)は30.73%減少する。 提案手法は平均予測MAPEの約3%を達成し、ビクトリア州に年間8億6600万ドルを節約できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-21T00:42:24Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)

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。