論文の概要: Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2603.26975v1
• Date: Fri, 27 Mar 2026 20:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.715551
• Title: Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching
• Title（参考訳）: 条件流整合に基づく局所的火炎散布の確率的予測
• Authors: Bryan Shaddy, Haitong Qin, Brianna Binder, James Haley, Riya Duddalwar, Kyle Hilburn, Assad Oberai,
• Abstract要約: 本研究では, 条件付き流れマッチングアルゴリズムに基づく局所的な山火事拡散の確率的サロゲートモデルを提案する。 この手法は、着火時刻の条件分布を学習することにより、火災進行をプロセスとしてモデル化する。 以上の結果から, 火災発生の多様性を把握し, 正確なアンサンブル予測を行うことができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a probabilistic surrogate model for localized wildfire spread based on a conditional flow matching algorithm. The approach models fire progression as a stochastic process by learning the conditional distribution of fire arrival times given the current fire state along with environmental and atmospheric inputs. Model inputs include current burned area, near-surface wind components, temperature, relative humidity, terrain height, and fuel category information, all defined on a high-resolution spatial grid. The outputs are samples of arrival time within a three-hour time window, conditioned on the input variables. Training data are generated from coupled atmosphere-wildfire spread simulations using WRF-SFIRE, paired with weather fields from the North American Mesoscale model. The proposed framework enables efficient generation of ensembles of arrival times and explicitly represents uncertainty arising from incomplete knowledge of the fire-atmosphere system and unresolved variables. The model supports localized prediction over subdomains, reducing computational cost relative to physics-based simulators while retaining sensitivity to key drivers of fire spread. Model performance is evaluated against WRF-SFIRE simulations for both single-step (3-hour) and recursive multi-step (24-hour) forecasts. Results demonstrate that the method captures variability in fire evolution and produces accurate ensemble predictions. The framework provides a scalable approach for probabilistic wildfire forecasting and offers a pathway for integrating machine learning models with operational fire prediction systems and data assimilation.
• Abstract（参考訳）: 本研究では, 条件付き流れマッチングアルゴリズムに基づく局所的な山火事拡散の確率的サロゲートモデルを提案する。 このアプローチは、現在の火災状態と環境および大気の入力が与えられた火災到着時間の条件分布を学習することにより、火災進行を確率的プロセスとしてモデル化する。 モデル入力には、現在の燃焼領域、ほぼ表面の風成分、温度、相対湿度、地形の高さ、燃料カテゴリーの情報が含まれ、いずれも高解像度の空間グリッド上で定義される。 出力は、入力変数に条件付けされた3時間の時間ウィンドウ内の到着時間のサンプルである。 WRF-SFIREと北米メソスケールモデルによる気象条件のペアを併用した大気-火炎拡散シミュレーションからトレーニングデータを生成する。 提案フレームワークは, 着火時刻の効率的なアンサンブル生成を可能にし, 火災大気系と未解決変数の不完全な知識から生じる不確かさを明示的に表現する。 このモデルはサブドメイン上の局所的な予測をサポートし、物理ベースのシミュレータと比較して計算コストを削減し、火の拡散の主要要因に対する感度を維持している。 モデル性能は, 単段階(3時間)と再帰多段階(24時間)の予測に対して, WRF-SFIREシミュレーションを用いて評価した。 以上の結果から, 火災発生の多様性を把握し, 正確なアンサンブル予測を行うことができた。 このフレームワークは、確率的山火事予測のためのスケーラブルなアプローチを提供し、機械学習モデルと運用上の火災予知システムとデータ同化システムを統合するための経路を提供する。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Estimating fire Duration using regression methods [0.0]
  本稿では、RF(ランダム森林)、KNN、XGBoost回帰モデルおよびCNNなどの画像ベースによる既知の山火事の消火期間を予測する。 入力を別々に処理して最適な結果を得ることにより、システムは高速かつ比較的正確な将来の予測を行うことができる。
  論文  参考訳（メタデータ） (2023-08-17T12:11:27Z)
• A generative model for surrogates of spatial-temporal wildfire nowcasting [13.551652250858144]
  3次元ベクトル量子変分オートコーダを用いて生成モデルを提案する。 このモデルは、最近カリフォルニア州で起きた大規模な山火事(チムニー火災)のエコリージョンでテストされている。 数値的な結果から, 連続かつ構造的な火災シナリオの生成に成功した。
  論文  参考訳（メタデータ） (2023-08-05T06:54:18Z)
• A Neural Emulator for Uncertainty Estimation of Fire Propagation [12.067753469557598]
  ワイルドファイアは、風速や方向といった環境条件の変化が観察された行動に大きな変化をもたらす、非常に高いプロセスである。 ファイアフロント進行における不確実性を定量化する伝統的なアプローチは、シミュレーションのアンサンブルを通して確率マップを生成することである。 本稿では,入力パラメータの不確実性を考慮した火災伝播確率を直接推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T13:42:52Z)
• PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
  PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。 提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
  論文  参考訳（メタデータ） (2022-12-06T13:59:06Z)
• 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)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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。