論文の概要: Assessment of deep learning models integrated with weather and environmental variables for wildfire spread prediction and a case study of the 2023 Maui fires

• arxiv url: http://arxiv.org/abs/2509.21327v1
• Date: Fri, 05 Sep 2025 20:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.739272
• Title: Assessment of deep learning models integrated with weather and environmental variables for wildfire spread prediction and a case study of the 2023 Maui fires
• Title（参考訳）: 火災拡散予測のための気象・環境変数と統合した深層学習モデルの評価と2023年マウイ大火の事例研究
• Authors: Jiyeon Kim, Yingjie Hu, Negar Elhami-Khorasani, Kai Sun, Ryan Zhenqi Zhou,
• Abstract要約: 本研究では,山火事拡散予測のための気象・環境変数と統合された5つの典型的なディープラーニングモデルの能力を評価する。 注目された2つのディープラーニングモデル、ConvLSTMとConvLSTMは、5つのテストされたAIモデルの中で最高のパフォーマンスを発揮する。
• 参考スコア（独自算出の注目度）: 7.760621259456393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the spread of wildfires is essential for effective fire management and risk assessment. With the fast advancements of artificial intelligence (AI), various deep learning models have been developed and utilized for wildfire spread prediction. However, there is limited understanding of the advantages and limitations of these models, and it is also unclear how deep learning-based fire spread models can be compared with existing non-AI fire models. In this work, we assess the ability of five typical deep learning models integrated with weather and environmental variables for wildfire spread prediction based on over ten years of wildfire data in the state of Hawaii. We further use the 2023 Maui fires as a case study to compare the best deep learning models with a widely-used fire spread model, FARSITE. The results show that two deep learning models, i.e., ConvLSTM and ConvLSTM with attention, perform the best among the five tested AI models. FARSITE shows higher precision, lower recall, and higher F1-score than the best AI models, while the AI models offer higher flexibility for the input data. By integrating AI models with an explainable AI method, we further identify important weather and environmental factors associated with the 2023 Maui wildfires.
• Abstract（参考訳）: 効果的な火災管理とリスク評価には,山火事の拡散予測が不可欠である。 人工知能(AI)の急速な進歩により、様々なディープラーニングモデルが開発され、山火事拡散予測に利用されている。 しかし、これらのモデルの利点と限界について限定的な理解が得られており、また、ディープラーニングベースの火災拡散モデルが既存の非AI火災モデルと比較できるかどうかも不明である。 本研究では,ハワイ州における10年以上の山火事データに基づいて,気象・環境変数と統合された5つの典型的な深層学習モデルの山火事拡散予測能力を評価する。 さらに、2023年のマウイ火災を事例として、最も優れたディープラーニングモデルと広く使われている火災拡散モデルであるFARSITEを比較した。 その結果、注目された2つのディープラーニングモデル、すなわちConvLSTMとConvLSTMが、5つのテストされたAIモデルの中で最高のパフォーマンスを発揮することがわかった。 FARSITEは、最高のAIモデルよりも精度が高く、リコールが低く、F1スコアが高い。 説明可能なAI手法でAIモデルを統合することにより、2023年のマウイ山火事に関連する重要な気象要因と環境要因をさらに特定する。

関連論文リスト

• A Probabilistic Approach to Wildfire Spread Prediction Using a Denoising Diffusion Surrogate Model [3.151517598545164]
  本稿では,山火事の広がりを予測するための最初のデノナイズ拡散モデルを提案する。 そうすることで、山火事の動力学の本質的な不確実性が説明できる。 一つの予測を生成する決定論的アプローチとは異なり、我々のモデルは火が次に行く場所の物理的に意味のある分布を反映した予測の集合を生成する。
  論文  参考訳（メタデータ） (2025-07-01T14:04:06Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Explainable AI Integrated Feature Engineering for Wildfire Prediction [1.7934287771173114]
  本研究では,山火事の予測に関係した分類・回帰作業について,各種機械学習アルゴリズムの徹底的な評価を行った。 様々な種類の山火事を分類するために、XGBoostモデルは正確さと堅牢性で他よりも優れていた。 ランダムフォレスト回帰モデルでは、山火事の影響範囲を予測する上で、優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-04-01T21:12:44Z)
• 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)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)
• 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)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Learnable Boundary Guided Adversarial Training [66.57846365425598]
  私たちは、あるクリーンモデルからのモデルロジットを使用して、別のロバストモデルの学習をガイドします。 我々は、CIFAR-100上で、追加の実データや合成データなしで、新しい最先端のロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-11-23T01:36:05Z)
• Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data [11.071023080939794]
  私たちは10年近くにわたるリモートセンシングデータと過去の火災記録を集約して、山火事を予測するデータセットを作成します。 4つの異なるディープラーニングモデルを比較し,解析し,山火事の可能性を推定する。
  論文  参考訳（メタデータ） (2020-10-15T00:27:22Z)
• Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems [64.4896118325552]
  モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。 AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
  論文  参考訳（メタデータ） (2020-07-14T03:49:43Z)

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。