論文の概要: Modular Deep-Learning-Based Early Warning System for Deadly Heatwave Prediction

• arxiv url: http://arxiv.org/abs/2512.09074v1
• Date: Tue, 09 Dec 2025 19:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.30093
• Title: Modular Deep-Learning-Based Early Warning System for Deadly Heatwave Prediction
• Title（参考訳）: 過熱波予測のためのモジュール型深層学習による早期警報システム
• Authors: Shangqing Xu, Zhiyuan Zhao, Megha Sharma, José María Martín-Olalla, Alexander Rodríguez, Gregory A. Wellenius, B. Aditya Prakash,
• Abstract要約: DeepThermは、熱関連の死亡履歴を必要としない、致命的な熱波予測のためのモジュール式早期警報システムである。 ディープラーニングの柔軟性を強調して、DeepThermは二重予測パイプラインを採用し、ヒートウェーブがない場合にベースラインの死亡率を下げている。 その結果、様々な地域、期間、人口集団で一貫した、堅牢で正確なパフォーマンスを示しながら、誤報と誤報のトレードオフを可能にした。
• 参考スコア（独自算出の注目度）: 53.09098740555834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Severe heatwaves in urban areas significantly threaten public health, calling for establishing early warning strategies. Despite predicting occurrence of heatwaves and attributing historical mortality, predicting an incoming deadly heatwave remains a challenge due to the difficulty in defining and estimating heat-related mortality. Furthermore, establishing an early warning system imposes additional requirements, including data availability, spatial and temporal robustness, and decision costs. To address these challenges, we propose DeepTherm, a modular early warning system for deadly heatwave prediction without requiring heat-related mortality history. By highlighting the flexibility of deep learning, DeepTherm employs a dual-prediction pipeline, disentangling baseline mortality in the absence of heatwaves and other irregular events from all-cause mortality. We evaluated DeepTherm on real-world data across Spain. Results demonstrate consistent, robust, and accurate performance across diverse regions, time periods, and population groups while allowing trade-off between missed alarms and false alarms.
• Abstract（参考訳）: 都市部では深刻な熱波が公衆衛生を著しく脅かし、早期警戒戦略の確立を訴えている。 熱波の発生を予測し、歴史的死亡の原因となるが、熱関連死亡を定義・推定することが困難であるため、入ってくる致命的な熱波の予測は依然として困難である。 さらに、早期警告システムを確立するには、データ可用性、空間的および時間的堅牢性、決定コストなどの追加的な要件が課される。 これらの課題に対処するため、熱関連の死亡履歴を必要とせず、致命的な熱波予測のためのモジュール式早期警報システムであるDeepThermを提案する。 ディープラーニングの柔軟性を強調して、DeepThermは二重予測パイプラインを採用し、熱波などの不規則な事象が原因で、ベースラインの死亡率を下げている。 DeepThermをスペイン全土の現実世界のデータで評価した。 その結果、様々な地域、期間、人口集団で一貫した、堅牢で正確なパフォーマンスを示しながら、誤報と誤報のトレードオフを可能にした。

関連論文リスト

• A Graph Neural Network Approach for Localized and High-Resolution Temperature Forecasting [1.3182845148636309]
  熱波は最も致命的な気象災害の一つである。 現在の数値気象予測モデルは、しばしばマイクロスケールの極端を捉えない。 局所化高分解能温度予測のためのグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-29T16:31:51Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• Deep learning framework for predicting stochastic take-off and die-out of early spreading [3.3147247892604708]
  大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T08:18:47Z)
• 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)
• Advancing Marine Heatwave Forecasts: An Integrated Deep Learning Approach [3.8713566366330325]
  極端気候現象熱波(MHW)は海洋生態系や産業に重大な課題をもたらす。 本研究では,世界規模での短期的・長期的MHW予測のための統合型ディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T06:11:52Z)
• 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)
• Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data [6.972317847755389]
  極端熱波の予測モデルを構築する手法を開発した。 これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。 ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
  論文  参考訳（メタデータ） (2022-08-01T16:19:38Z)
• Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
  最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
  論文  参考訳（メタデータ） (2021-03-17T16:10:06Z)

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。