論文の概要: Does Your Wildfire Prediction Model Actually Work, or Just Score Well?

• arxiv url: http://arxiv.org/abs/2605.18911v1
• Date: Thu, 14 May 2026 04:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.871894
• Title: Does Your Wildfire Prediction Model Actually Work, or Just Score Well?
• Title（参考訳）: あなたのワイルドファイア予測モデルは実際に機能するのか、それともただのスコアか?
• Authors: Yangshuang Xu, Yuyang Dai, Liling Chang, Qi Wang, Yushun Dong,
• Abstract要約: 既存の地球基盤モデル(アースFM)は、山火事の予報よりも一般的な大気や地球物理学的な目的のために事前訓練されている。 本研究では,気象,活火観測,地形,植生,静環境データを用いた山火事予報のための基礎モデルWILDFIRE-FMを紹介する。 2つの制御されたチェックを持つ固定契約評価フレームワークを導入し、マッチングルール効果の固定出力チェックと、ヘッド選択効果の固定状態チェックを提案する。
• 参考スコア（独自算出の注目度）: 17.463683393779647
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Wildfire prediction is important for early warning and resource allocation, yet existing Earth foundation models (Earth FMs) are pretrained for general atmospheric and geophysical objectives rather than wildfire forecasting. To address this gap, we introduce WILDFIRE-FM, the first foundation model pretrained specifically for wildfire prediction using weather, active-fire observations, topography, vegetation, and static environmental data. However, introducing a domain-specific backbone alone does not solve the evaluation problem: wildfire events are sparse in space and time, making transfer conclusions highly sensitive to matching rules and evaluation settings. To address this problem, we introduce a fixed-contract evaluation framework with two controlled checks: a fixed-output check for matching-rule effects and a fixed-feature check for head-selection effects. Under matched contracts, we compare WILDFIRE-FM with ten Earth-FM baselines across occupancy, spread, retrieval, and regression tasks. Our results show that wildfire transfer conclusions depend strongly on evaluation design and task formulation. We hope this framework and WILDFIRE-FM provide a foundation for future wildfire-specific Earth-FM research and benchmarking. Our code is available at https://anonymous.4open.science/r/Wildfire-fm-evaluation-contracts-5AE9/.
• Abstract（参考訳）: 森林火災予測は早期警戒と資源配分に重要であるが、既存の地球基盤モデル(地球FM)は、森林火災予測よりも一般的な大気や地球物理学的な目的のために事前訓練されている。 このギャップに対処するため,気象,活火観測,地形,植生,静環境データを用いた山火事予報のための基礎モデルWILDFIRE-FMを導入する。 しかし、ドメイン固有のバックボーンの導入だけでは、評価問題は解決しない: ワイルドファイアイベントは空間と時間で疎外され、トランザクションの結論が一致したルールや評価設定に非常に敏感になる。 この問題に対処するため、本研究では、マッチングルール効果の固定出力チェックと、ヘッドセレクション効果の固定状態チェックという、2つの制御されたチェックを備えた固定契約評価フレームワークを導入する。 一致した契約の下で、WILDFIRE-FMと、占有、拡散、検索、回帰タスクの10つの地球FMベースラインを比較した。 以上の結果から,山火事発生の結論は評価設計とタスク定式化に強く依存していることが明らかとなった。 我々はこのフレームワークとWILDFIRE-FMが将来の山火事特有の地球-FM研究とベンチマークの基礎となることを願っている。 私たちのコードはhttps://anonymous.4open.science/r/Wildfire-fm-evaluation-contracts-5AE9/で利用可能です。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• 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)
• Generative Algorithms for Wildfire Progression Reconstruction from Multi-Modal Satellite Active Fire Measurements and Terrain Height [0.0]
  WRF-SFIREによる歴史的山火事のシミュレーションにより, 条件付きジェネレーティブ・アドリアル・ネットワークを訓練した。 火災発生時刻を簡潔に表現し、WRF-SFIREソリューションに近似観測演算子を適用して訓練用測定値を求める。 このモデルは、到着時刻、測度、地形の逆転を訓練し、一度訓練された場合、実際の火災の測定とそれに対応する地形データを利用して、到着時刻のサンプルを生成する。
  論文  参考訳（メタデータ） (2025-06-12T06:54:51Z)
• Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
  我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。 我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。 CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
  論文  参考訳（メタデータ） (2023-12-22T07:42:00Z)
• 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)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• Multi-time Predictions of Wildfire Grid Map using Remote Sensing Local Data [0.0]
  本稿では,米国西部の10か所で収集されたローカルデータをローカルエージェントで共有する分散学習フレームワークを提案する。 提案モデルには,動的オンライン推定や時系列モデリングなど,予測評価における特徴的ニーズに対処する特徴がある。
  論文  参考訳（メタデータ） (2022-09-15T22:34:06Z)
• 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。