論文の概要: Set Prediction for Next-Day Active Fire Forecasting

• arxiv url: http://arxiv.org/abs/2605.10298v1
• Date: Mon, 11 May 2026 09:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.714838
• Title: Set Prediction for Next-Day Active Fire Forecasting
• Title（参考訳）: 次世代アクティブ火災予報のセット予測
• Authors: Yuchen Bai, Georgios Athanasiou, Xin Yu, Diogenis Antonopoulos, Ioannis Papoutsis, Stijn Hantson, Nuno Carvalhais,
• Abstract要約: 翌日のアクティブな火災予報は、早期警戒、災害対応、森林リスク評価、および火災関連二酸化炭素排出量の下流推定をサポートすることができる。 我々は,次のアクティブファイア予測をポイントセット予測として再構成するクエリベースのモデルであるWildfire Ignition Set Predictor (WISP)を提案する。
• 参考スコア（独自算出の注目度）: 8.116506215900882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate next-day active fire forecasts can support early warning, disaster response, forest risk assessment, and downstream estimation of fire-related carbon emissions. Existing machine learning approaches to wildfire forecasting typically predict wildfire danger or fire probability on kilometre-scale daily grids, which is useful for regional warning but does not directly represent localized fire events. We propose Wildfire Ignition Set Predictor (WISP), a query-based model that reformulates next-day active fire forecasting as point-set prediction. From 48 hours of covariates including meteorology, satellite vegetation products, static land, and fire history, WISP predicts a fixed-size ranked set of future active fire cluster centres on a 375 m grid across globally distributed regions. The model is trained end-to-end with Hungarian matching; to address the conflicting roles of the classification score in assignment, ranking, and query activation, we use asymmetric classification-localization weighting in matching and loss. We further construct a globally distributed, hourly, multi-source benchmark for this task. On a held-out test set spanning fire regions worldwide, the best WISP variant achieves 38.2% average precision (AP) for ranked fire-centre detections, covers 53.4% of fire cluster mass weighted by fire radiative power (FRP), and localizes 54.1% of observed clusters within 5 km. These results establish sparse set prediction as a viable formulation for high-resolution wildfire forecasting and provide a benchmark for future work in this regime.
• Abstract（参考訳）: 正確な翌日のアクティブな火災予報は、早期警戒、災害対応、森林リスク評価、および火災に関連する二酸化炭素排出量の下流推定をサポートすることができる。 既存の機械学習による山火事予報は、通常、キロスケールの1日グリッドで山火事の危険や火災確率を予測する。 我々は,次のアクティブファイア予測をポイントセット予測として再構成するクエリベースのモデルであるWildfire Ignition Set Predictor (WISP)を提案する。 気象学、衛星植生製品、静的土地、火災履歴を含む48時間の共変量から、WISPは世界規模で375mのグリッド上に、将来のアクティブな火力クラスターの固定サイズのセットを予測している。 このモデルはハンガリーのマッチングとエンドツーエンドで訓練され、割り当て、ランキング、クエリアクティベーションにおける分類スコアの相反する役割に対処するために、マッチングと損失において非対称な分類局在化重み付けを使用する。 さらに、このタスクのために、グローバルに分散された時間ごとのマルチソースベンチマークを構築します。 世界中の消火領域にまたがる耐火試験セットでは、最も優れたWISP変種は38.2%の平均精度(AP)を達成し、火の放射力(FRP)による火のクラスター質量の53.4%をカバーし、5km以内で観測されたクラスターの54.1%をローカライズしている。 これらの結果は,高分解能山火事予報のための有効な定式化としてスパースセット予測を確立し,この体制における今後の研究のベンチマークを提供する。

関連論文リスト

• Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-27T20:39:02Z)
• Australian Bushfire Intelligence with AI-Driven Environmental Analytics [2.3974112195086383]
  本研究では,オーストラリア全土の高リスク森林火災帯を特定するための予測的環境データの有用性について検討した。 我々は、NASA-NASAの歴史的火災イベント、メテオスタットの毎日の気象観測、Google Earth Engineの植生観測を統合した。 低い」と「高い」火のリスクを区別するバイナリ・フレームワークでは、アンサンブル・アプローチは87%の精度を達成した。
  論文  参考訳（メタデータ） (2026-01-03T05:43:12Z)
• 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)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Modelling wildland fire burn severity in California using a spatial Super Learner approach [0.04188114563181614]
  米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。 遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。 このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
  論文  参考訳（メタデータ） (2023-11-25T22:09:14Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
  衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。 本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
  論文  参考訳（メタデータ） (2023-09-05T23:24:34Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。