Fugu-MT 論文翻訳(概要): Spatiotemporal Wildfire Prediction and Reinforcement Learning for Helitack Suppression

論文の概要: Spatiotemporal Wildfire Prediction and Reinforcement Learning for Helitack Suppression

arxiv url: http://arxiv.org/abs/2601.14238v1
Date: Tue, 20 Jan 2026 18:50:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:23.457113
Title: Spatiotemporal Wildfire Prediction and Reinforcement Learning for Helitack Suppression
Title（参考訳）: ヘリタック抑制のための時空間火災予測と強化学習
Authors: Shaurya Mathur, Shreyas Bellary Manjunath, Nitin Kulkarni, Alina Vereshchaka,
Abstract要約: 森林火災は頻度と強度で増加しており、何十億ドルものコストが抑制され、毎年アメリカ合衆国で経済被害が拡大している。伝統的な山火事の管理は、主に反応し、火災が検出された後にのみ対処する。 textitFireCastRLは,山火事予測とインテリジェントな抑制戦略を組み合わせた,アクティブなAIフレームワークである。
参考スコア（独自算出の注目度）: 0.7734713569509623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wildfires are growing in frequency and intensity, devastating ecosystems and communities while causing billions of dollars in suppression costs and economic damage annually in the U.S. Traditional wildfire management is mostly reactive, addressing fires only after they are detected. We introduce \textit{FireCastRL}, a proactive artificial intelligence (AI) framework that combines wildfire forecasting with intelligent suppression strategies. Our framework first uses a deep spatiotemporal model to predict wildfire ignition. For high-risk predictions, we deploy a pre-trained reinforcement learning (RL) agent to execute real-time suppression tactics with helitack units inside a physics-informed 3D simulation. The framework generates a threat assessment report to help emergency responders optimize resource allocation and planning. In addition, we are publicly releasing a large-scale, spatiotemporal dataset containing $\mathbf{9.5}$ million samples of environmental variables for wildfire prediction. Our work demonstrates how deep learning and RL can be combined to support both forecasting and tactical wildfire response. More details can be found at https://sites.google.com/view/firecastrl.
Abstract（参考訳）: 森林火災は頻度と強度で増加しており、生態系や地域社会が荒廃している一方、米国内で毎年何十億ドルものコストが削減され、経済被害が生じた。本稿では,山火事予測と知的な抑制戦略を組み合わせた,能動的人工知能(AI)フレームワークである「textit{FireCastRL}」を紹介する。我々のフレームワークはまず、山火事の発火を予測するために深部時空間モデルを用いています。高リスク予測のために, 物理インフォームド3Dシミュレーションにおいて, ヘリタックユニットを用いたリアルタイム抑圧戦術を実行するために, プレトレーニング強化学習(RL)エージェントを配置する。このフレームワークは、緊急対応者によるリソース割り当てと計画の最適化を支援する脅威評価レポートを生成する。さらに,山火事予測のための環境変数のサンプルを$\mathbf{9.5}$ millionを含む大規模時空間データセットを公開している。我々の研究は、予測と戦術的山火事応答の両方をサポートするために、ディープラーニングとRLを組み合わせる方法を示している。詳細はhttps://sites.google.com/view/firecastrl.comで確認できる。

関連論文リスト

Predicting the Containment Time of California Wildfires Using Machine Learning [0.0]
われわれはカリフォルニアの山火事を完全に抑えるのに必要な日数を予測するために機械学習モデルを構築した。本研究では,Long Short-Term Memory(LSTM)ニューラルネットワークを用いて,ベースラインアンサンブル回帰器,ランダムフォレスト,XGBoostの性能を比較した。
論文参考訳（メタデータ） (2025-12-10T17:14:20Z)
FireScope: Wildfire Risk Prediction with a Chain-of-Thought Oracle [69.84129020970477]
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。
論文参考訳（メタデータ） (2025-11-21T11:45:22Z)
External Data Extraction Attacks against Retrieval-Augmented Large Language Models [70.47869786522782]
RAGは、大規模言語モデル(LLM)を拡張するための重要なパラダイムとして登場した。 RAGは外部データ抽出攻撃(EDEA)の新たなリスクを導入している。本研究は, EDEA を検索拡張 LLM に対して形式化する最初の総合的研究である。
論文参考訳（メタデータ） (2025-10-03T12:53:45Z)
Deciphering GunType Hierarchy through Acoustic Analysis of Gunshot Recordings [72.55205022155394]
銃乱射事件や銃乱射事件は公共の安全にとって重大な脅威である。現在の商用の銃弾検出システムは有効だが、しばしば禁止費用がかかる。本研究は, ショット記録の音響解析を活用することで, 費用対効果について検討する。
論文参考訳（メタデータ） (2025-06-25T17:00:21Z)
Reinforcement Learning for Wildfire Mitigation in Simulated Disaster Environments [39.014859667729375]
森林火災は生命、財産、生態学、文化遺産、重要なインフラに脅威をもたらす。 SimFireは、現実的な山火事シナリオを生成するために設計された、多用途の野火投射シミュレータである。 SimHarnessはモジュール型のエージェントベースの機械学習ラッパーで、自動的に土地管理戦略を生成することができる。
論文参考訳（メタデータ） (2023-11-27T15:37:05Z)
Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文参考訳（メタデータ） (2022-12-09T11:32:36Z)
Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文参考訳（メタデータ） (2022-10-28T21:23:03Z)
A Multi-Modal Wildfire Prediction and Personalized Early-Warning System Based on a Novel Machine Learning Framework [0.0]
2018年のカリフォルニアの山火事は1848.5億ドルの損害を与えた。何百万人もの影響を受けた人々の中で、障害者は不適切な警報手段によって不当に影響を受ける。本プロジェクトでは,マルチモーダル山火事予報システムと早期警報システムを開発した。
論文参考訳（メタデータ） (2022-08-18T22:03:32Z)
Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
論文参考訳（メタデータ） (2021-08-25T15:49:10Z)
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)
Uncertainty Aware Wildfire Management [6.997483623023005]
アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。本稿では,山火事対策のための意思決定論的アプローチを提案する。
論文参考訳（メタデータ） (2020-10-15T17:47:31Z)

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。