論文の概要: Trustworthy Data-Driven Wildfire Risk Prediction and Understanding in Western Canada

• arxiv url: http://arxiv.org/abs/2601.01677v1
• Date: Sun, 04 Jan 2026 22:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.63553
• Title: Trustworthy Data-Driven Wildfire Risk Prediction and Understanding in Western Canada
• Title（参考訳）: カナダ西部における信頼できるデータ駆動型山火事のリスク予測と理解
• Authors: Zhengsen Xu, Lanying Wang, Sibo Cheng, Xue Rui, Kyle Gao, Yimin Zhu, Mabel Heffring, Zack Dewis, Saeid Taleghanidoozdoozan, Megan Greenwood, Motasem Alkayid, Quinn Ledingham, Hongjie He, Jonathan Li, Lincoln Linlin Xu,
• Abstract要約: 近年、カナダ西部における山火事の激化は、社会経済と環境に重大な損失をもたらしている。 本稿では,長期間の時間的モデリングに基づくデータ駆動型山火事リスク予測フレームワークを提案する。 2023年と2024年の火災シーズンでカナダ西部で評価され、提案されたモデルは既存の時系列モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 12.784880191272606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent decades, the intensification of wildfire activity in western Canada has resulted in substantial socio-economic and environmental losses. Accurate wildfire risk prediction is hindered by the intrinsic stochasticity of ignition and spread and by nonlinear interactions among fuel conditions, meteorology, climate variability, topography, and human activities, challenging the reliability and interpretability of purely data-driven models. We propose a trustworthy data-driven wildfire risk prediction framework based on long-sequence, multi-scale temporal modeling, which integrates heterogeneous drivers while explicitly quantifying predictive uncertainty and enabling process-level interpretation. Evaluated over western Canada during the record-breaking 2023 and 2024 fire seasons, the proposed model outperforms existing time-series approaches, achieving an F1 score of 0.90 and a PR-AUC of 0.98 with low computational cost. Uncertainty-aware analysis reveals structured spatial and seasonal patterns in predictive confidence, highlighting increased uncertainty associated with ambiguous predictions and spatiotemporal decision boundaries. SHAP-based interpretation provides mechanistic understanding of wildfire controls, showing that temperature-related drivers dominate wildfire risk in both years, while moisture-related constraints play a stronger role in shaping spatial and land-cover-specific contrasts in 2024 compared to the widespread hot and dry conditions of 2023. Data and code are available at https://github.com/SynUW/mmFire.
• Abstract（参考訳）: 近年、カナダ西部における山火事の激化は、社会経済と環境に重大な損失をもたらしている。 正確な山火事リスク予測は、着火と拡散の本質的な確率性と、燃料条件、気象学、気候変動性、地形、人的活動の非線形相互作用によって妨げられ、純粋にデータ駆動型モデルの信頼性と解釈可能性に挑戦する。 本研究では,予測の不確実性を明示的に定量化し,プロセスレベルの解釈を可能にするとともに,異種ドライバを統合した時系列・マルチスケール時間モデルに基づく信頼性の高いデータ駆動型山火事リスク予測フレームワークを提案する。 2023年と2024年の火災シーズンにおいてカナダ西部で評価され、提案されたモデルは既存の時系列モデルよりも優れており、F1スコアは0.90、PR-AUCは0.98と計算コストが低い。 不確かさを意識した分析は、不明瞭な予測や時空間的決定境界に関連する不確実性の増加を浮き彫りにして、予測信頼における空間的パターンと季節的パターンの構造を明らかにしている。 SHAPをベースとした解釈は、気温関連ドライバが両年で山火事のリスクを支配しているのに対し、水分関連の制約は、2023年の広い暑さや乾燥条件と比較して、2024年の空間的および土地的なコントラストを形成する上でより強い役割を果たすことを示している。 データとコードはhttps://github.com/SynUW/mmFire.comで入手できる。

関連論文リスト

• Probabilistic Wildfire Spread Prediction Using an Autoregressive Conditional Generative Adversarial Network [0.13470973674919004]
  本研究では,確率的山火事拡散予測のための自己回帰的条件生成対向ネットワーク(CGAN)を提案する。 予測タスクを自己回帰問題として定式化することにより、モデルはシーケンシャルな状態遷移を学習し、長期的な予測安定性を確保する。 実験結果から,提案モデルが従来の深層学習モデルより優れており,火災周囲の予測精度と境界線が優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-26T03:32:54Z)
• 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)
• 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)
• Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks [2.748450182087935]
  We use SeasFire, a comprehensive global wildfire data with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning。 予測分析のために、野火の時間的文脈を捉えた異なるアーキテクチャでディープラーニングモデルを訓練する。 本研究は,季節火災予報における深層学習モデルの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-04-09T16:28:54Z)
• 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)
• 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)

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。