論文の概要: Systematic Absence of Low-Confidence Nighttime Fire Detections in VIIRS Active Fire Product: Evidence of Undocumented Algorithmic Filtering

• arxiv url: http://arxiv.org/abs/2510.26816v1
• Date: Tue, 28 Oct 2025 07:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.846414
• Title: Systematic Absence of Low-Confidence Nighttime Fire Detections in VIIRS Active Fire Product: Evidence of Undocumented Algorithmic Filtering
• Title（参考訳）: VIIRSアクティブ消火製品における低信頼夜間火災検出の系統的欠如:未文書のアルゴリズムフィルタリングの証拠
• Authors: Rohit Rajendra Dhage,
• Abstract要約: 夜間観測における低信頼度分類の完全欠如を示す。 このパターンは、月中、緯度帯、NOAA-20衛星とスオミ-NPP衛星の両方で世界中に持続する。 私は、VIIRSユーザガイドにこのアルゴリズム制約の明示的な文書を推奨します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Visible Infrared Imaging Radiometer Suite (VIIRS) active fire product is widely used for global fire monitoring, yet its confidence classification scheme exhibits an undocumented systematic pattern. Through analysis of 21,540,921 fire detections spanning one year (January 2023 - January 2024), I demonstrate a complete absence of low-confidence classifications during nighttime observations. Of 6,007,831 nighttime fires, zero were classified as low confidence, compared to an expected 696,908 under statistical independence (chi-squared = 1,474,795, p < 10^-15, Z = -833). This pattern persists globally across all months, latitude bands, and both NOAA-20 and Suomi-NPP satellites. Machine learning reverse-engineering (88.9% accuracy), bootstrap simulation (1,000 iterations), and spatial-temporal analysis confirm this is an algorithmic constraint rather than a geophysical phenomenon. Brightness temperature analysis reveals nighttime fires below approximately 295K are likely excluded entirely rather than flagged as low-confidence, while daytime fires show normal confidence distributions. This undocumented behavior affects 27.9% of all VIIRS fire detections and has significant implications for fire risk assessment, day-night detection comparisons, confidence-weighted analyses, and any research treating confidence levels as uncertainty metrics. I recommend explicit documentation of this algorithmic constraint in VIIRS user guides and reprocessing strategies for affected analyses.
• Abstract（参考訳）: Visible Infrared Imaging Radiometer Suite (VIIRS) のアクティブファイア製品は、地球規模の火災監視に広く利用されているが、その信頼性分類スキームは文書化されていない体系的なパターンを示している。 1年間(2023年1月～2024年1月)にわたる火災検出21,540,921件の分析を通じて,夜間観測における低信頼度分類の完全欠如を実証した。 6,007,831件の夜間火災のうち、0は統計的独立下での696,908件(chi-squared = 1,474,795, p < 10^-15, Z = -833)と比較して低い信頼度に分類された。 このパターンは、月中、緯度帯、NOAA-20衛星とスオミ-NPP衛星の両方で世界中に持続する。 機械学習のリバースエンジニアリング(88.9%の精度)、ブートストラップシミュレーション(1,000回)、時空間解析により、これは物理現象ではなくアルゴリズムによる制約であると確認された。 明度温度分析により、約295K未満の夜間火災は、低信頼とマークされるのではなく、完全に排除されていることが判明した。 この文書化されていない行動は、全VIIRS火災検知の27.9%に影響し、火災リスク評価、昼夜の検出比較、信頼度重み付け分析、および信頼度レベルを不確実性指標として扱う研究に重大な影響を及ぼす。 本稿では,VIIRS ユーザガイドにおけるこのアルゴリズム制約の明示的な文書化と,影響のある解析のための再処理戦略を推奨する。

関連論文リスト

• Uncertainty-Aware Post-Detection Framework for Enhanced Fire and Smoke Detection in Compact Deep Learning Models [0.0]
  既存のビジョンベースの手法は、効率性と信頼性のバランスをとる上で困難に直面している。 YOLOv5nやYOLOv8nといったディープラーニングモデルは、UAV、CCTVシステム、IoTデバイスへのデプロイに広く採用されている。 本稿では,統計的不確実性と領域関連視覚的手がかりの両方を用いて,検出信頼度を再スケールする不確実性検出後フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:36:57Z)
• Fire Detection From Image and Video Using YOLOv5 [0.0]
  改良されたYOLOv5火災検出深層学習アルゴリズムを提案する。 Fire-YOLOv5は最先端のオブジェクト検出ネットワークと比較して優れた結果が得られる。 入力画像サイズが416×416のとき、平均検出時間は1フレームあたり0.12秒である。
  論文  参考訳（メタデータ） (2023-10-10T06:37:03Z)
• Obscured Wildfire Flame Detection By Temporal Analysis of Smoke Patterns Captured by Unmanned Aerial Systems [0.799536002595393]
  本研究は,RGBカメラのみを搭載したドローンを用いて,隠された山火事をリアルタイムに検出する課題について論じる。 本稿では,ビデオシーケンス中の煙のパターンの時間的解析に基づくセマンティックセグメンテーションを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-30T19:45:43Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Wildfire Smoke Detection with Computer Vision [0.0]
  YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。 その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。 これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
  論文  参考訳（メタデータ） (2023-01-12T15:12:56Z)
• 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)
• Practical Recommendations for the Design of Automatic Fault Detection Algorithms Based on Experiments with Field Monitoring Data [0.0]
  自動故障検出(AFD)は太陽光発電システムポートフォリオの運用と保守を最適化するための重要な技術である。 本研究では,ドイツに設置した80基の屋上型PVシステムにおいて58ヶ月以上にわたって収集されたモニタリングデータを用いて,実運転条件下で一連のAFDアルゴリズムを検証した。 その結果、この種のAFDアルゴリズムは、90%以上の特異性を持つエネルギー損失の82.8%を検出できる可能性が示された。
  論文  参考訳（メタデータ） (2022-03-02T13:43:17Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)

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。