論文の概要: MFiSP: A Multimodal Fire Spread Prediction Framework

• arxiv url: http://arxiv.org/abs/2510.23934v1
• Date: Mon, 27 Oct 2025 23:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.620154
• Title: MFiSP: A Multimodal Fire Spread Prediction Framework
• Title（参考訳）: MFiSP:マルチモーダル火災拡散予測フレームワーク
• Authors: Alec Sathiyamoorthy, Wenhao Zhou, Xiangmin Zhou, Xiaodong Li, Iqbal Gondal,
• Abstract要約: オーストラリアのブラック・サマー・ブッシュファイアでは、19万ヘクタールが破壊され、3,000軒の家屋が破壊され、7ヶ月続いた。 ファイア・モデリングは、ファイア・ビヘイビア・アナリティクス(FBA)と静的環境データによる手動の解釈に依存している。 本研究では,ソーシャルメディアデータとリモートセンシング観測を統合したMFISP(Multimodal Fire Spread Prediction Framework)を提案する。
• 参考スコア（独自算出の注目度）: 6.083458052048495
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The 2019-2020 Black Summer bushfires in Australia devastated 19 million hectares, destroyed 3,000 homes, and lasted seven months, demonstrating the escalating scale and urgency of wildfire threats requiring better forecasting for effective response. Traditional fire modeling relies on manual interpretation by Fire Behaviour Analysts (FBAns) and static environmental data, often leading to inaccuracies and operational limitations. Emerging data sources, such as NASA's FIRMS satellite imagery and Volunteered Geographic Information, offer potential improvements by enabling dynamic fire spread prediction. This study proposes a Multimodal Fire Spread Prediction Framework (MFiSP) that integrates social media data and remote sensing observations to enhance forecast accuracy. By adapting fuel map manipulation strategies between assimilation cycles, the framework dynamically adjusts fire behavior predictions to align with the observed rate of spread. We evaluate the efficacy of MFiSP using synthetically generated fire event polygons across multiple scenarios, analyzing individual and combined impacts on forecast perimeters. Results suggest that our MFiSP integrating multimodal data can improve fire spread prediction beyond conventional methods reliant on FBAn expertise and static inputs.
• Abstract（参考訳）: 2019-2020年、オーストラリアのブラック・サマー・ブッシュファイアは1900万ヘクタールの家屋を破壊、3,000軒の家屋を破壊し、7ヶ月間続いた。 従来の火災モデリングは、ファイア・ビヘイビア・アナリティスト(FBA)による手動の解釈と静的な環境データに依存しており、しばしば不正確さと運用上の制限に繋がる。 NASAのFIRMS衛星画像やVolunteered Geographic Informationのような新しいデータソースは、動的な火災拡散予測を可能にすることで潜在的な改善を提供する。 本研究では、ソーシャルメディアデータとリモートセンシング観測を統合して予測精度を高めるマルチモーダル火災拡散予測フレームワーク(MFiSP)を提案する。 同化サイクル間の燃料マップ操作戦略を適応させることで、観測された拡散率に合わせて火の挙動予測を動的に調整する。 複数のシナリオにまたがって合成生成した火災事象多角形を用いて,MFiSPの有効性を評価し,予測周囲の個人および複合的な影響を解析した。 その結果,MFiSPによるマルチモーダルデータの統合により,FBAnの専門知識や静的入力に依存する従来の手法を超えて,火災拡散予測が向上することが示唆された。

関連論文リスト

• 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)
• FireCastNet: Earth-as-a-Graph for Seasonal Fire Prediction [2.748450182087935]
  本稿では,3次元畳み込みエンコーダとGraphCastを組み合わせた新しいアーキテクチャFireCastNetを提案する。 FireCastNetは、異なる空間スケールと時間スケールで、山火事につながるコンテキストをキャプチャするために訓練されている。 本研究は,燃えている地域の存在を予測するためのモデルの有効性を評価することに焦点を当てた。
  論文  参考訳（メタデータ） (2025-02-03T17:30:45Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks [2.748450182087935]
  We use SeasFire, a comprehensive global wildfire data with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning。 予測分析のために、野火の時間的文脈を捉えた異なるアーキテクチャでディープラーニングモデルを訓練する。 本研究は,季節火災予報における深層学習モデルの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-04-09T16:28:54Z)
• 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)
• 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)
• Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
  衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。 本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
  論文  参考訳（メタデータ） (2023-09-05T23:24:34Z)
• Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local Data [0.0]
  本稿では,米国西部の10か所で収集されたローカルデータをローカルエージェントで共有する分散学習フレームワークを提案する。 提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
  論文  参考訳（メタデータ） (2022-09-15T22:34:06Z)

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。