論文の概要: FireScope: Wildfire Risk Prediction with a Chain-of-Thought Oracle

• arxiv url: http://arxiv.org/abs/2511.17171v1
• Date: Fri, 21 Nov 2025 11:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.997069
• Title: FireScope: Wildfire Risk Prediction with a Chain-of-Thought Oracle
• Title（参考訳）: FireScope: Oracleによる山火事のリスク予測
• Authors: Mario Markov, Stefan Maria Ailuro, Luc Van Gool, Konrad Schindler, Danda Pani Paudel,
• Abstract要約: 既存の方法には、信頼性の高い一般化に必要な因果推論と理解が欠如している。 Sentinel-2イメージと気候データと専門家が定義したリスクを結合したデータセットとベンチマークであるtextbfFireScope-Benchを紹介します。 米国でトレーニングし、ヨーロッパでテストすると、$textbfFireScope$は大幅なパフォーマンス向上を達成する。 本研究は,推論が一般化と解釈可能性の両方を改善することによって,予測モデルの基礎となることを示す。
• 参考スコア（独自算出の注目度）: 69.84129020970477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting wildfire risk is a reasoning-intensive spatial problem that requires the integration of visual, climatic, and geographic factors to infer continuous risk maps. Existing methods lack the causal reasoning and multimodal understanding required for reliable generalization. We introduce $\textbf{FireScope-Bench}$, a large-scale dataset and benchmark that couples Sentinel-2 imagery and climate data with expert-defined risk rasters across the USA, and real wildfire events in Europe for cross-continental evaluation. Building on this dataset, we propose $\textbf{FireScope}$, a VLM-based reasoning-to-generation framework that learns from both reinforcement learning and visual supervision to predict risk rasters with complementary reasoning traces. When trained in the USA and tested in Europe, $\textbf{FireScope}$ achieves substantial performance gains, while expert feedback and automated analysis confirm that its reasoning traces are faithful and semantically meaningful. Our findings demonstrate that reasoning can ground raster prediction models, improving both generalization and interpretability. To our knowledge, this is the first framework to (1) demonstrate that language-based reasoning can improve generalization in visual generation, (2) propose a high-resolution wildfire risk model that can be applied across continents, and (3) enable systematic studies of robust cross-continental generalization for multimodal fire risk models. We believe that $\textbf{FireScope-Bench}$ has the potential to serve as a foundation for advancing reasoning-driven, interpretable and generalizable spatial modeling. Data and source code will be made publicly available.
• Abstract（参考訳）: 森林火災リスクの予測は、連続したリスクマップを推測するために、視覚的、気候的、地理的要因の統合を必要とする推論集約的な空間問題である。 既存の手法では、信頼性の高い一般化に必要な因果推論やマルチモーダル理解が欠如している。 これはSentinel-2の画像と気候データを米国全体で専門家が定義したリスクラスターと組み合わせた大規模なデータセットとベンチマークであり、ヨーロッパにおける実際の山火事は大陸横断的な評価を目的としている。 このデータセット上に構築した$\textbf{FireScope}$は、強化学習と視覚監督の両方から学習し、相補的推論トレースによるリスクラスタの予測を行うVLMベースの推論・ツー・ジェネレーションフレームワークである。 米国でトレーニングされ、ヨーロッパでテストされた場合、$\textbf{FireScope}$は、大幅なパフォーマンス向上を達成する一方、専門家のフィードバックと自動分析は、その推論トレースが忠実で意味のあるものであることを確認します。 本研究は,推論がラスタ予測モデルの基礎となることを示し,一般化と解釈性の両方を改善した。 我々の知る限り、(1)言語に基づく推論が視覚発生の一般化を改善することを実証する最初の枠組みであり、(2)大陸全体で適用可能な高解像度の山火事リスクモデルを提案し、(3)マルチモーダル火災リスクモデルに対する堅牢な大陸間一般化の体系的研究を可能にする。 我々は$\textbf{FireScope-Bench}$が推論駆動、解釈可能、一般化可能な空間モデリングの基盤となる可能性を持っていると考えている。 データとソースコードは公開されます。

関連論文リスト

• That's Deprecated! Understanding, Detecting, and Steering Knowledge Conflicts in Language Models for Code Generation [55.78914774437411]
  大規模言語モデル(LLM)は、パラメトリック知識とプロンプトに含まれる矛盾する情報との相違に直面して振る舞う。 このような対立を構築・解釈するためのドメインに依存しないフレームワークを提案する。 本研究では, アクティベーションレベルのステアリングが, ランダムベースライン上でのステアリング成功率を最大12.6%向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-10-21T22:27:56Z)
• Empowering LLM Agents with Geospatial Awareness: Toward Grounded Reasoning for Wildfire Response [9.801192259936888]
  既存の統計的アプローチは意味的な文脈を欠くことが多く、イベント全体にわたって一般化し、限定的な解釈性を提供する。 地空間認識層(Geospatial Awareness Layer, GAL)を導入し, LLMエージェントを地球構造データに固定する。 GALは、外部ジオデータベースからインフラストラクチャ、人口統計、地形、気象情報を自動的に取得し、統合する。 このリッチなコンテキストにより、エージェントはエビデンスベースのリソース割り当てレコメンデーションを作成することができる。
  論文  参考訳（メタデータ） (2025-10-14T01:59:02Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• Diversity-Incentivized Exploration for Versatile Reasoning [63.653348177250756]
  textbfDi-textbf Incentivized Exploration for textbfVersatiltextbfE textbfReasoningを提案する。
  論文  参考訳（メタデータ） (2025-09-30T13:11:46Z)
• mSCoRe: a $M$ultilingual and Scalable Benchmark for $S$kill-based $Co$mmonsense $Re$asoning [74.97363626515236]
  textbfSkill ベースの textbfCommonsense textbfReasoning (textbfmSCoRe) のための textbfMultilingual と Scalable Benchmark を提案する。 本ベンチマークでは,LLMの推論能力を体系的に評価するための3つの重要な要素を取り入れた。 本研究は,多言語多言語一般と文化的共通点に直面する場合,そのような推論強化モデルの限界を明らかにするものである。
  論文  参考訳（メタデータ） (2025-08-13T18:59:02Z)
• CanadaFireSat: Toward high-resolution wildfire forecasting with multiple modalities [13.151866497852211]
  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)
• 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)
• Advanced Wildfire Prediction in Morocco: Developing a Deep Learning Dataset from Multisource Observations [0.0]
  本研究ではモロッコの山火事予測に特化して設計された,新しい包括的データセットを紹介する。 植生の健康度(NDVI)、人口密度、土壌水分量、気象データなどの重要な環境指標をまとめた。 予備的な結果は、このデータセットを用いたモデルが最大90%の精度を達成し、予測能力を著しく改善していることを示している。
  論文  参考訳（メタデータ） (2024-11-09T15:01:12Z)
• Explainable Global Wildfire Prediction Models using Graph Neural Networks [2.2389592950633705]
  本稿では,グローバルな山火事予測のための革新的なグラフニューラルネットワーク(GNN)モデルを提案する。 我々のアプローチは、地球温暖化や山火事のデータをグラフ表現に変換し、ヌル海洋データロケーションのような課題に対処します。
  論文  参考訳（メタデータ） (2024-02-11T10:44:41Z)

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。