論文の概要: Not a fragment, but the whole: Map-based evaluation of data-driven Fire Danger Index models

• arxiv url: http://arxiv.org/abs/2603.25469v1
• Date: Thu, 26 Mar 2026 14:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.324827
• Title: Not a fragment, but the whole: Map-based evaluation of data-driven Fire Danger Index models
• Title（参考訳）: フラグメントではなく全体:データ駆動型火災危険指数モデルのマップに基づく評価
• Authors: Shahbaz Alvi, Italo Epicoco, Jose Maria Costa Saura,
• Abstract要約: 成長する文献は、機械学習手法を用いて山火事の発生を予測することに重点を置いている。 本研究では,現実世界の意思決定に適合した森林火災予測モデルの評価手法を提案する。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A growing body of literature has focused on predicting wildfire occurrence using machine learning methods, capitalizing on high-resolution data and fire predictors that canonical process-based frameworks largely ignore. Standard evaluation metrics for an ML classifier, while important, provide a potentially limited measure of the model's operational performance for the Fire Danger Index (FDI) forecast. Furthermore, model evaluation is frequently conducted without adequately accounting for false positive rates, despite their critical relevance in operational contexts. In this paper, we revisit the daily FDI model evaluation paradigm and propose a novel method for evaluating a forest fire forecasting model that is aligned with real-world decision-making. Furthermore, we systematically assess performance in accurately predicting fire activity and the false positives (false alarms). We further demonstrate that an ensemble of ML models improves both fire identification and reduces false positives.
• Abstract（参考訳）: 成長する文献の分野は、機械学習手法による山火事発生の予測、高解像度のデータと標準的なプロセスベースのフレームワークをほとんど無視するファイア予測に重点を置いている。 ML分類器の標準評価基準は、重要なものの、ファイア・ダンガー・インデックス(FDI)予測に対するモデルの運用性能の潜在的に制限された指標を提供する。 さらに、運用状況において重要な意味があるにもかかわらず、偽陽性率を適切に考慮することなく、モデル評価を頻繁に実施する。 本稿では、日々のFDIモデル評価パラダイムを再考し、現実の意思決定と整合した森林火災予測モデルを評価するための新しい手法を提案する。 さらに,火災活動と偽陽性(偽アラーム)を正確に予測する性能を系統的に評価した。 さらに,MLモデルのアンサンブルは火災識別と偽陽性の低減を両立させることを示した。

関連論文リスト

• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)のための最初の形式的確率的評価フレームワークを紹介する。 すなわち,モデルの出力分布に関する確率保証の高い新しい指標を提案する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Rigorous Assessment of Model Inference Accuracy using Language Cardinality [5.584832154027001]
  我々は,統計的推定を決定論的精度尺度に置き換えることで,モデル精度評価におけるバイアスと不確実性を最小化する体系的アプローチを開発する。 我々は、最先端の推論ツールによって推定されるモデルの精度を評価することによって、我々のアプローチの一貫性と適用性を実験的に実証した。
  論文  参考訳（メタデータ） (2022-11-29T21:03:26Z)

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。