論文の概要: Advanced Global Wildfire Activity Modeling with Hierarchical Graph ODE

• arxiv url: http://arxiv.org/abs/2601.01501v1
• Date: Sun, 04 Jan 2026 12:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.44987
• Title: Advanced Global Wildfire Activity Modeling with Hierarchical Graph ODE
• Title（参考訳）: 階層グラフによる先進的地球規模の山火事活動モデリング
• Authors: Fan Xu, Wei Gong, Hao Wu, Lilan Peng, Nan Wang, Qingsong Wen, Xian Wu, Kun Wang, Xibin Zhao,
• Abstract要約: 我々は,山火事の連続的時間的ダイナミクスを学習するための新しいフレームワークである階層ODE(HiGO)を紹介した。 我々は、HiGOが長距離の山火事予測において最先端のベースラインを著しく上回っていることを実証した。
• 参考スコア（独自算出の注目度）: 44.719168733348454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wildfires, as an integral component of the Earth system, are governed by a complex interplay of atmospheric, oceanic, and terrestrial processes spanning a vast range of spatiotemporal scales. Modeling their global activity on large timescales is therefore a critical yet challenging task. While deep learning has recently achieved significant breakthroughs in global weather forecasting, its potential for global wildfire behavior prediction remains underexplored. In this work, we reframe this problem and introduce the Hierarchical Graph ODE (HiGO), a novel framework designed to learn the multi-scale, continuous-time dynamics of wildfires. Specifically, we represent the Earth system as a multi-level graph hierarchy and propose an adaptive filtering message passing mechanism for both intra- and inter-level information flow, enabling more effective feature extraction and fusion. Furthermore, we incorporate GNN-parameterized Neural ODE modules at multiple levels to explicitly learn the continuous dynamics inherent to each scale. Through extensive experiments on the SeasFire Cube dataset, we demonstrate that HiGO significantly outperforms state-of-the-art baselines on long-range wildfire forecasting. Moreover, its continuous-time predictions exhibit strong observational consistency, highlighting its potential for real-world applications.
• Abstract（参考訳）: 地球系の統合的な構成要素として、野生の火は、大気、海洋、地上の過程の複雑な相互作用によって支配され、広範囲の時空間スケールにまたがる。 そのため、大規模な時間スケールでグローバルなアクティビティをモデル化することは、非常に難しい課題である。 深層学習は近年、世界の天気予報において大きなブレークスルーを達成しているが、地球規模の山火事の行動予測の可能性はまだ解明されていない。 本研究では,この問題を再構築し,山火事のマルチスケール連続時間ダイナミクスを学習するための新しいフレームワークである階層グラフODE(HiGO)を導入する。 具体的には、地球系をマルチレベルグラフ階層として表現し、より効率的な特徴抽出と融合を実現するために、イントラレベル情報フローとインターレベル情報フローの両方に適応的なフィルタリングメッセージパッシング機構を提案する。 さらに、GNNパラメータ化ニューラルODEモジュールを複数のレベルに組み込んで、各スケール固有の連続力学を明示的に学習する。 SeasFire Cubeデータセットの広範な実験を通じて、HiGOは長距離の山火事予測において最先端のベースラインを大幅に上回っていることを実証した。 さらに、その連続的な予測は観測の一貫性を強く示し、現実世界の応用の可能性を強調している。

関連論文リスト

• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting [9.013416216828361]
  予測性能の向上を目的としたSGL(Series-Aligned Multi-Scale Graph Learning)フレームワークを提案する。 本研究では,非遅延グラフ信号の集約を容易にする一連のグラフ層を提案する。 気象・交通予測データセットについて実験を行い,その有効性と優越性を実証した。
  論文  参考訳（メタデータ） (2023-12-05T10:37:54Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)

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。