論文の概要: N-Tree Diffusion for Long-Horizon Wildfire Risk Forecasting

• arxiv url: http://arxiv.org/abs/2603.07361v1
• Date: Sat, 07 Mar 2026 22:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.319828
• Title: N-Tree Diffusion for Long-Horizon Wildfire Risk Forecasting
• Title（参考訳）: N-Tree Diffusion for Long-Horizon Wildfire Risk Preecasting
• Authors: Yucheng Xing, Xin Wang,
• Abstract要約: ロングホライゾンの山火事のリスク予測には、スパースイベント監視の下で確率的空間場を生成する必要がある。 N-Tree Diffusion (NT-Diffusion) は,長距離山火事リスク予測のための階層的拡散モデルである。
• 参考スコア（独自算出の注目度）: 5.382951136630937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon wildfire risk forecasting requires generating probabilistic spatial fields under sparse event supervision while maintaining computational efficiency across multiple prediction horizons. Extending diffusion models to multi-step forecasting typically repeats the denoising process independently for each horizon, leading to redundant computation. We introduce N-Tree Diffusion (NT-Diffusion), a hierarchical diffusion model designed for long-horizon wildfire risk forecasting. Fire occurrences are represented as continuous Fire Risk Maps (FRMs), which provide a smoothed spatial risk field suitable for probabilistic modeling. Instead of running separate diffusion trajectories for each predicted timestamp, NT-Diffusion shares early denoising stages and branches at later levels, allowing horizon-specific refinement while reducing redundant sampling. We evaluate the proposed framework on a newly collected real-world wildfire dataset constructed for long-horizon probabilistic prediction. Results indicate that NT-Diffusion achieves consistent accuracy improvements and reduced inference cost compared to baseline forecasting approaches.
• Abstract（参考訳）: ロングホライゾンの山火事のリスク予測には、複数の予測地平線を越えた計算効率を維持しつつ、スパースイベント監視の下で確率的空間場を生成する必要がある。 多段階予測への拡散モデルの拡張は、一般的に各地平線ごとに独立してデノナイジングプロセスを繰り返すため、冗長な計算に繋がる。 N-Tree Diffusion (NT-Diffusion) は,長距離山火事リスク予測のための階層的拡散モデルである。 火災発生は連続火災リスクマップ(FRM)として表現され、確率論的モデリングに適したスムーズな空間リスクフィールドを提供する。 NT-Diffusionは、予測されたタイムスタンプごとに別々の拡散軌跡を走らせる代わりに、初期の分極段階と後段の分枝を共有し、余剰サンプリングを減らしながら地平線固有の精細化を可能にした。 長距離確率予測のために構築された,新たに収集した実世界の山火事データセットについて,提案手法の評価を行った。 その結果,NT-Diffusionはベースライン予測手法と比較して一貫した精度の向上と推論コストの低減を実現していることがわかった。

関連論文リスト

• HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone [24.321954272892338]
  HydroDiffusionは拡散に基づく確率予測フレームワークであり、デコーダのみの状態空間モデルバックボーンを備えている。 CAMELSデータセットでは、アメリカ合衆国(CONUS)の531の流域で評価されている。 その結果,観測された気象強制力により,ハイドロ拡散は強い流速精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T05:05:27Z)
• Multi-Horizon Time Series Forecasting of non-parametric CDFs with Deep Lattice Networks [0.769672852567215]
  時系列予測における単調に制約された同時/単純量子化回帰に対する深層格子ネットワーク(DLN)への適応を提案する。 実験の結果,DLNの適応性は,制約のないアプローチと同等かそれ以上に優れていることがわかった。
  論文  参考訳（メタデータ） (2025-11-14T06:06:34Z)
• Denoising Diffusion Probabilistic Models for Coastal Inundation Forecasting [2.6678519883651677]
  DIFFFLOODは,拡散モデルに基づく確率予測手法である。 空間的コンテキストと時間的コンテキストの両方を考慮して、場所における浸水レベルを予測する。 バージニア州東部海岸の海岸浸水データに基づいてDIFFFLOODを訓練・試験した。
  論文  参考訳（メタデータ） (2025-05-08T16:13:41Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。