Fugu-MT 論文翻訳(概要): Harnessing Self-Supervised Deep Learning and Geostationary Remote Sensing for Advancing Wildfire and Associated Air Quality Monitoring: Improved Smoke and Fire Front Masking using GOES and TEMPO Radiance Data

論文の概要: Harnessing Self-Supervised Deep Learning and Geostationary Remote Sensing for Advancing Wildfire and Associated Air Quality Monitoring: Improved Smoke and Fire Front Masking using GOES and TEMPO Radiance Data

arxiv url: http://arxiv.org/abs/2510.09845v1
Date: Fri, 10 Oct 2025 20:19:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:29.646574
Title: Harnessing Self-Supervised Deep Learning and Geostationary Remote Sensing for Advancing Wildfire and Associated Air Quality Monitoring: Improved Smoke and Fire Front Masking using GOES and TEMPO Radiance Data
Title（参考訳）: 森林火災対策のための自己監督型深層学習・測地リモートセンシングと大気質モニタリング:GOESとTEMPO放射データを用いた煙・火災フロントマスキングの改善
Authors: Nicholas LaHaye, Thilanka Munashinge, Hugo Lee, Xiaohua Pan, Gonzalo Gonzalez Abad, Hazem Mahmoud, Jennifer Wei,
Abstract要約: この研究は、NASAのTEMPO衛星ミッションによる前例のない時間的データを活用することで、米国西部の山火事の改善と大気汚染管理の可能性を実証している。本研究では,革新的自己教師型深層学習システムを用いて,山火事前線と煙突の時空間拡散をリアルタイムにマッピングする深層学習の有効性を実証する。
参考スコア（独自算出の注目度）: 0.09772267314090433
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work demonstrates the possibilities for improving wildfire and air quality management in the western United States by leveraging the unprecedented hourly data from NASA's TEMPO satellite mission and advances in self-supervised deep learning. Here we demonstrate the efficacy of deep learning for mapping the near real-time hourly spread of wildfire fronts and smoke plumes using an innovative self-supervised deep learning-system: successfully distinguishing smoke plumes from clouds using GOES-18 and TEMPO data, strong agreement across the smoke and fire masks generated from different sensing modalities as well as significant improvement over operational products for the same cases.
Abstract（参考訳）: この研究は、NASAのTEMPO衛星による前例のない時間データの活用と自己監督型深層学習の進歩を利用して、米国西部の山火事の改善と大気質管理の可能性を実証している。本稿では, GOES-18とTEMPOデータを用いた雲と煙煙の識別に成功し, 異なる感知モードから発生する煙と煙のマスク間の強い合意と, 同一事例における運用製品に対する大幅な改善を図った。

関連論文リスト

Development and Application of Self-Supervised Machine Learning for Smoke Plume and Active Fire Identification from the FIREX-AQ Datasets [1.4613528315101563]
地域・地球環境・大気品質に対する火災の影響(FIREX-AQ)は、山火事や農業火災が大気の質や気候に与える影響をよりよく理解することを目的としたフィールドキャンペーンである。本研究では、キャンペーン中に収集した衛星及び軌道下リモートセンシングデータセットのアクティブ・ファイア・スモークプ識別・追跡のための自己教師型機械学習(ML)手法を適用し、評価した。
論文参考訳（メタデータ） (2025-01-25T23:00:07Z)
Rapid Wildfire Hotspot Detection Using Self-Supervised Learning on Temporal Remote Sensing Data [0.12289361708127873]
衛星ネットワークや高度なAIモデルからリモートセンシングされたデータを活用して、ホットスポットを自動的に検出することは、山火事モニタリングシステムを構築する効果的な方法である。本稿では,欧州の火災イベントに関連するリモートセンシングデータの時系列を含む新しいデータセットと,多時期データを解析し,潜在的にほぼリアルタイムにホットスポットを識別できる自己監視学習(SSL)モデルを提案する。我々は、我々のデータセットといくつかの火災イベントを含む熱異常のデータセットであるThrawsを用いて、モデルの性能を訓練し、評価し、F1スコア63.58を得る。
論文参考訳（メタデータ） (2024-05-30T14:31:46Z)
Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文参考訳（メタデータ） (2023-08-14T16:48:57Z)
Multimodal Wildland Fire Smoke Detection [5.15911752972989]
研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T01:16:06Z)
Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文参考訳（メタデータ） (2022-12-09T11:32:36Z)
FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
論文参考訳（メタデータ） (2021-12-16T03:49:58Z)
Spatio-Temporal Split Learning for Autonomous Aerial Surveillance using Urban Air Mobility (UAM) Networks [16.782309873372057]
本稿では,街路火災の検知を目的とした監視型UAVを利用する。このシナリオに時空間分割学習を適用して、プライバシを保護し、世界規模で火災分類モデルを訓練する。本稿では,このUAV環境での分断学習に必要なクライアント数とデータ比率と,必要なネットワークインフラについて検討する。
論文参考訳（メタデータ） (2021-11-15T01:39:31Z)
Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文参考訳（メタデータ） (2021-03-30T18:26:39Z)
SS-SFDA : Self-Supervised Source-Free Domain Adaptation for Road Segmentation in Hazardous Environments [54.22535063244038]
本研究では,雨や霧などの悪天候条件下での道路の非監督的区画化に対する新しいアプローチを提案する。これには、自己教師付き学習を用いたソースフリードメイン適応(SFDA)のための新しいアルゴリズムが含まれている。実際の悪天候条件と合成悪天候条件に対応するデータセットを6ドルで評価した。
論文参考訳（メタデータ） (2020-11-27T09:19:03Z)
STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
論文参考訳（メタデータ） (2020-11-10T02:28:47Z)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。