論文の概要: Uncertainty-Aware Deep Learning for Wildfire Danger Forecasting

• arxiv url: http://arxiv.org/abs/2509.25017v1
• Date: Mon, 29 Sep 2025 16:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.13252
• Title: Uncertainty-Aware Deep Learning for Wildfire Danger Forecasting
• Title（参考訳）: 火災危険予報のための不確実性を考慮した深層学習
• Authors: Spyros Kondylatos, Gustau Camps-Valls, Ioannis Papoutsis,
• Abstract要約: 森林火災は最も深刻な自然災害の1つであり、人間や自然の生態系に重大な脅威をもたらす。 深層学習(DL)は山火事の危険性を予測することを約束しているが、その導入は予測の信頼性に関する懸念から妨げられている。 本稿では,短期的な山火事の危険予知を支援するために,モデルとアレータリック(データ)の不確実性を共同で捕捉する不確実性認識型DLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.299698875530481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wildfires are among the most severe natural hazards, posing a significant threat to both humans and natural ecosystems. The growing risk of wildfires increases the demand for forecasting models that are not only accurate but also reliable. Deep Learning (DL) has shown promise in predicting wildfire danger; however, its adoption is hindered by concerns over the reliability of its predictions, some of which stem from the lack of uncertainty quantification. To address this challenge, we present an uncertainty-aware DL framework that jointly captures epistemic (model) and aleatoric (data) uncertainty to enhance short-term wildfire danger forecasting. In the next-day forecasting, our best-performing model improves the F1 Score by 2.3% and reduces the Expected Calibration Error by 2.1% compared to a deterministic baseline, enhancing both predictive skill and calibration. Our experiments confirm the reliability of the uncertainty estimates and illustrate their practical utility for decision support, including the identification of uncertainty thresholds for rejecting low-confidence predictions and the generation of well-calibrated wildfire danger maps with accompanying uncertainty layers. Extending the forecast horizon up to ten days, we observe that aleatoric uncertainty increases with time, showing greater variability in environmental conditions, while epistemic uncertainty remains stable. Finally, we show that although the two uncertainty types may be redundant in low-uncertainty cases, they provide complementary insights under more challenging conditions, underscoring the value of their joint modeling for robust wildfire danger prediction. In summary, our approach significantly improves the accuracy and reliability of wildfire danger forecasting, advancing the development of trustworthy wildfire DL systems.
• Abstract（参考訳）: 森林火災は最も深刻な自然災害の1つであり、人間と自然の生態系に重大な脅威をもたらす。 山火事のリスクが高まると、正確なだけでなく信頼性の高い予測モデルの需要が高まる。 深層学習(DL)は山火事の危険性を予測することを約束しているが、その採用は予測の信頼性に関する懸念から妨げられている。 この課題に対処するため,疫学(モデル)とアレタリック(データの不確実性)を併せ持つ不確実性に配慮したDLフレームワークを提案する。 翌日の予測では、我々の最高の性能モデルはF1スコアを2.3%改善し、予測キャリブレーション誤差を2.1%削減し、予測スキルとキャリブレーションの両方を向上させる。 本実験は, 不確実性推定の信頼性を確認し, 低信頼度予測を拒否する不確実性しきい値の同定や, 付随する不確実性層を有する山火事危険マップの作成など, 意思決定支援の実用性を示すものである。 予測の地平線を最大10日延ばすことで,アレータリックな不確実性は時間とともに増大し,環境条件の変動が大きくなる一方で,疫学的な不確実性は安定している。 最後に, この2つの不確実性タイプは, 低不確実性ケースでは冗長であるが, より困難な条件下で相補的な洞察を与え, 頑健な山火事危険予測のための共同モデリングの価値を裏付けることを示した。 まとめると,本手法は山火事危険予報の精度と信頼性を大幅に向上させ,信頼できる山火事DLシステムの開発を推し進めるものである。

関連論文リスト

• Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms [36.83718113051274]
  あいまいさと新規性拒絶を組み合わせた二重拒絶機構を導入する。 曖昧さの拒絶は、履歴的な誤差分散分析によって評価される、信頼度が低いモデルを棄却することを可能にする。 変分オートコーダとマハラノビス距離を用いたノベルティ拒絶は、トレーニングデータからの偏差を検出する。
  論文  参考訳（メタデータ） (2025-03-25T13:44:29Z)
• Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction [10.832351645863536]
  本稿では, 顕在的深層学習に基づく新しいマルチモーダル軌道予測手法を提案する。 提案手法は, 位置的, モード的確率的不確実性の両方をリアルタイムに推定する。 我々はArgoverse 1 と Argoverse 2 のデータセット上で,提案手法の広範な評価を行う。
  論文  参考訳（メタデータ） (2025-03-07T09:46:21Z)
• Integrating uncertainty quantification into randomized smoothing based robustness guarantees [18.572496359670797]
  ディープニューラルネットワークは、安全クリティカルなアプリケーションにおいて有害な誤った予測を引き起こす可能性のある敵攻撃に対して脆弱である。 ランダムな滑らか化による認証されたロバスト性は、スムーズ化された分類器の予測が与えられた入力の周りの$ell$-ball内では変化しないという確率的保証を与える。 不確実性に基づく拒絶は、しばしば敵の攻撃からモデルを守るために実践的に適用される技法である。 新たなフレームワークは,ネットワークアーキテクチャや不確実性評価の体系的な評価を可能にすることを実証する。
  論文  参考訳（メタデータ） (2024-10-27T13:07:43Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model [22.428737156882708]
  再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。 本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
  論文  参考訳（メタデータ） (2023-05-31T05:04:50Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。