論文の概要: High-Resolution Live Fuel Moisture Content (LFMC) Maps for Wildfire Risk from Multimodal Earth Observation Data

• arxiv url: http://arxiv.org/abs/2506.20132v1
• Date: Wed, 25 Jun 2025 04:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.605219
• Title: High-Resolution Live Fuel Moisture Content (LFMC) Maps for Wildfire Risk from Multimodal Earth Observation Data
• Title（参考訳）: マルチモーダル地球観測データを用いた高分解能ライブ燃料水分量(LFMC)マップ
• Authors: Patrick Alan Johnson, Gabriel Tseng, Yawen Zhang, Heather Heward, Virginia Sjahli, Favyen Bastani, Joseph Redmon, Patrick Beukema,
• Abstract要約: 森林火災は警戒速度で激しさと深刻度が増している。 AIと一般に利用可能な衛星データの最近の進歩により、世界中の重要な山火事リスクファクターを高解像度かつ低レイテンシで監視することが可能になった。 Live Fuel Moisture Content (LFMC) は、山火事の危険因子であり、山火事の研究と運用の両方に有用である。 本研究では,大規模空間完全(壁面間)LFMCマップ作成のための事前訓練された高マルチモーダル地球観測モデルについて検討する。
• 参考スコア（独自算出の注目度）: 9.686908393221868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wildfires are increasing in intensity and severity at an alarming rate. Recent advances in AI and publicly available satellite data enable monitoring critical wildfire risk factors globally, at high resolution and low latency. Live Fuel Moisture Content (LFMC) is a critical wildfire risk factor and is valuable for both wildfire research and operational response. However, ground-based LFMC samples are both labor intensive and costly to acquire, resulting in sparse and infrequent updates. In this work, we explore the use of a pretrained, highly-multimodal earth-observation model for generating large-scale spatially complete (wall-to-wall) LFMC maps. Our approach achieves significant improvements over previous methods using randomly initialized models (20 reduction in RMSE). We provide an automated pipeline that enables rapid generation of these LFMC maps across the United States, and demonstrate its effectiveness in two regions recently impacted by wildfire (Eaton and Palisades).
• Abstract（参考訳）: 森林火災は警戒速度で激しさと深刻度が増している。 AIと一般公開された衛星データの最近の進歩により、世界中の重要な山火事リスク要因を、高解像度で低レイテンシで監視することが可能になった。 Live Fuel Moisture Content (LFMC) は、山火事の危険因子であり、山火事研究と運用上の対応の両方に有用である。 しかし、地上のLFMCサンプルは労働集約的であり、取得するのにコストがかかるため、スパースと頻繁な更新が生じる。 本研究では,大規模空間完全(壁面間)LFMCマップ作成のための事前訓練された高マルチモーダル地球観測モデルについて検討する。 提案手法は,ランダム初期化モデル(RMSEの20還元)を用いて従来の手法よりも大幅に改善されている。 本稿では,アメリカ全土のLFMCマップを高速に生成し,近年の山火事(イートン・アンド・パリセード)の被害を受けた2つの地域において,その有効性を示す自動パイプラインを提案する。

関連論文リスト

• Generative Algorithms for Wildfire Progression Reconstruction from Multi-Modal Satellite Active Fire Measurements and Terrain Height [0.0]
  WRF-SFIREによる歴史的山火事のシミュレーションにより, 条件付きジェネレーティブ・アドリアル・ネットワークを訓練した。 火災発生時刻を簡潔に表現し、WRF-SFIREソリューションに近似観測演算子を適用して訓練用測定値を求める。 このモデルは、到着時刻、測度、地形の逆転を訓練し、一度訓練された場合、実際の火災の測定とそれに対応する地形データを利用して、到着時刻のサンプルを生成する。
  論文  参考訳（メタデータ） (2025-06-12T06:54:51Z)
• CanadaFireSat: Toward high-resolution wildfire forecasting with multiple modalities [3.8153349016958074]
  カナダは2023年に最も深刻な山火事の季節を経験している。 この極端な山火事の季節は、気候変化によって引き起こされる火災の季節の長さと深刻度の増加が、ボレアル生態系に影響を与えることの象徴である。 より優れた緩和ソリューションで、ボリアルなコミュニティにおける山火事管理を強化することが重要である。
  論文  参考訳（メタデータ） (2025-06-10T10:58:43Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• Deep graphical regression for jointly moderate and extreme Australian wildfires [0.7864304771129751]
  オーストラリアの近年の山火事は、経済的損失と資産破壊に繋がった。 気候変動によってその強度、持続時間、頻度が悪化するのではないかという懸念が高まっている。 ファイアスプレッドの全分布を確実にモデル化するために,頑健な統計手法を開発することが不可欠である。
  論文  参考訳（メタデータ） (2023-08-28T13:04:52Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Deep Learning Methods for Daily Wildfire Danger Forecasting [6.763972119525753]
  森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。 我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。 我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
  論文  参考訳（メタデータ） (2021-11-04T10:39:12Z)
• Mitigating Greenhouse Gas Emissions Through Generative Adversarial Networks Based Wildfire Prediction [11.484140660635239]
  我々は,山火事リスク予測のための深層学習に基づくデータ拡張手法を開発した。 提案手法を採用することで,地球規模の温室効果ガス排出量削減のため,山火事対策の予防戦略を採ることができる。
  論文  参考訳（メタデータ） (2021-08-20T00:36:30Z)
• 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)

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。