論文の概要: WildfireGenome: Interpretable Machine Learning Reveals Local Drivers of Wildfire Risk and Their Cross-County Variation

• arxiv url: http://arxiv.org/abs/2511.11589v2
• Date: Wed, 19 Nov 2025 16:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.250025
• Title: WildfireGenome: Interpretable Machine Learning Reveals Local Drivers of Wildfire Risk and Their Cross-County Variation
• Title（参考訳）: WildfireGenome: 解釈可能な機械学習は、Wildfireリスクのローカルドライバとそのクロスカウンタのバリエーションを明らかにする
• Authors: Chenyue Liu, Ali Mostafavi,
• Abstract要約: 現在の山火事リスク評価は、決定スケールでの解釈性を犠牲にしながら、地域精度を最適化する粗いハザードマップと不透明な機械学習モデルに依存している。 ワイルドファイアジェノムは,1)H3レベル8解像度で,連邦の7つの山火事指標をサインアラインPCAベースの複合リスクラベルに融合する,2)地元の山火事リスクのランダムフォレスト分類を行う,3)郡固有の非線形ドライバー関係を明らかにするためのSHAPとICE/PDP分析を行う,という3つの要素を通じて,これらのギャップに対処する。
• 参考スコア（独自算出の注目度）: 1.1368819707015188
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Current wildfire risk assessments rely on coarse hazard maps and opaque machine learning models that optimize regional accuracy while sacrificing interpretability at the decision scale. WildfireGenome addresses these gaps through three components: (1) fusion of seven federal wildfire indicators into a sign-aligned, PCA-based composite risk label at H3 Level-8 resolution; (2) Random Forest classification of local wildfire risk; and (3) SHAP and ICE/PDP analyses to expose county-specific nonlinear driver relationships. Across seven ecologically diverse U.S. counties, models achieve accuracies of 0.755-0.878 and Quadratic Weighted Kappa up to 0.951, with principal components explaining 87-94% of indicator variance. Transfer tests show reliable performance between ecologically similar regions but collapse across dissimilar contexts. Explanations consistently highlight needleleaf forest cover and elevation as dominant drivers, with risk rising sharply at 30-40% needleleaf coverage. WildfireGenome advances wildfire risk assessment from regional prediction to interpretable, decision-scale analytics that guide vegetation management, zoning, and infrastructure planning.
• Abstract（参考訳）: 現在の山火事リスク評価は、決定スケールでの解釈性を犠牲にしながら、地域精度を最適化する粗いハザードマップと不透明な機械学習モデルに依存している。 ワイルドファイアジェノムは,1)H3レベル8解像度で,連邦の7つの山火事指標をサインアラインPCAベースの複合リスクラベルに融合する,2)地元の山火事リスクのランダムフォレスト分類を行う,3)郡固有の非線形ドライバー関係を明らかにするためのSHAPとICE/PDP分析を行う,という3つの要素を通じて,これらのギャップに対処する。 アメリカ合衆国では7つの生態学的に多様な郡で0.755-0.878とQuadratic Weighted Kappaの精度が0.951まで向上し、主な成分は87-94%の指標分散である。 移動試験は、生態学的に類似した領域間での信頼性を示すが、異なる文脈で崩壊する。 説明では、針葉樹林の被覆と標高が支配的なドライバーとして常に強調され、針葉樹林の被覆率は30-40%と急上昇している。 WildfireGenomeは、地域の予測から、植生管理、ゾーン化、インフラ計画のガイドとなる、解釈可能な、大規模な分析まで、山火事のリスク評価を推進している。

関連論文リスト

• Probabilistic Wildfire Susceptibility from Remote Sensing Using Random Forests and SHAP [0.0]
  森林火災は世界中の生態系に重大な脅威をもたらす。 本研究は、ランダム森林アルゴリズムを用いて、カリフォルニアの総合的な山火事リスクマップを作成することを目的としている。
  論文  参考訳（メタデータ） (2025-11-12T06:05:41Z)
• Spatial Uncertainty Quantification in Wildfire Forecasting for Climate-Resilient Emergency Planning [0.0]
  マルチモーダル地球観測データを用いた山火事拡散予測における空間的不確実性の最初の系統的解析を行った。 我々の新しい距離測定により、予測された消火線の周囲に20-60mの緩衝帯を形成する高不確かさ領域が明らかとなった。 この作業により、気候変動による火災リスクの増加に対応するコミュニティを支援する、より堅牢な山火事管理システムが実現される。
  論文  参考訳（メタデータ） (2025-10-08T03:47:14Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Mitigating Greenhouse Gas Emissions Through Generative Adversarial Networks Based Wildfire Prediction [11.484140660635239]
  我々は,山火事リスク予測のための深層学習に基づくデータ拡張手法を開発した。 提案手法を採用することで,地球規模の温室効果ガス排出量削減のため,山火事対策の予防戦略を採ることができる。
  論文  参考訳（メタデータ） (2021-08-20T00:36:30Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)
• Predicting Forest Fire Using Remote Sensing Data And Machine Learning [22.08694022993555]
  東南アジアでは、インドネシアは熱帯泥炭の森林火災によって最も影響を受けた国です。 既存の森林火災予報システムは手作りの特徴に基づいており、地上の高価な機器の設置とメンテナンスが必要である。 インドネシアにおける森林火災の予測にリモートセンシングデータを用いた新しい費用対効果の高い機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-06T11:22:55Z)
• Estimation of Driver's Gaze Region from Head Position and Orientation using Probabilistic Confidence Regions [43.9008720663172]
  スマートな車両は人間の行動を理解し、危険な状況を避けるために行動を予測する必要がある。 運転タスクに関連する最も重要な側面の1つは、ドライバーの視覚的注意です。 本稿では,ドライバの視覚的注意を表現したサルエント領域を作成するための確率モデルに基づく定式化を提案する。
  論文  参考訳（メタデータ） (2020-12-23T15:48:43Z)

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。