論文の概要: A Nationwide Benchmark for Wildfire Initial Attack Failure Prediction with Public Environmental Data

• arxiv url: http://arxiv.org/abs/2606.15529v1
• Date: Sun, 14 Jun 2026 01:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.676941
• Title: A Nationwide Benchmark for Wildfire Initial Attack Failure Prediction with Public Environmental Data
• Title（参考訳）: 公共環境データによる山火事発生予測のための全国的基準
• Abstract要約: 我々は, 火災発見時に利用可能な環境および状況データから, 初期攻撃(IA)障害予測のための米国初の全国規模のベンチマークを提示する。 WILDFIREIAは、自然発生のFPA-FODの山火事を、FIRMS/VIIRS熱検出、グリッドMET気象および消火器変数、LANDFIRE植生、燃料、地形とともに38,128回調整した。 その結果,IA故障予測には,公共の発見時データが有用だが不完全な信号を提供することがわかった。
• 参考スコア（独自算出の注目度）: 62.031815260604056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Initial attack (IA) is the first wildfire suppression phase, when agencies must quickly decide which fires may escape early control. Existing IA failure prediction studies often use non-public response records or regional settings, so it remains unclear how well public data available at fire discovery time can support IA failure prediction at national scale. We present WILDFIREIA, the first U.S. national-scale benchmark for IA failure prediction from environmental and contextual data available at fire discovery time. WILDFIREIA aligns 38,128 naturally caused FPA-FOD wildfire events with FIRMS/VIIRS thermal detections, gridMET weather and fire-danger variables, LANDFIRE vegetation, fuel, and topography, OpenStreetMap access features, and WorldPop population density. To prevent data leakage, the benchmark fixes the event unit, size-based label rule, chronological split, metrics, and forbidden-feature list, and excludes final fire size, containment timestamps, and post-discovery satellite detections from model inputs. We evaluate 16 representative models across tabular, temporal, spatial, and spatiotemporal families under the same protocol. Results show that public discovery-time data provides useful but incomplete signal for IA failure prediction: XGBoost achieves the best AUPRC of 53.3%; FIRMS/VIIRS is the least redundant source; and fuel is the strongest static predictor when dynamic observations are unavailable. We release preprocessing outputs and model-ready caches to support reproducible research on early wildfire risk assessment: https://github.com/LabRAI/WildfireIA#.
• Abstract（参考訳）: イニシャル・アタック(IA)は最初の山火事抑制段階であり、どの火災が早期制御から逃れるかを機関が迅速に決めなければならない。 既存のIA故障予測研究では、非パブリックな対応記録や地域設定を用いることが多いため、ファイアディスカバリ時に利用できる公開データが、全国規模のIA故障予測をどの程度支持できるかは定かではない。 WILDFIREIA(WILDFIREIA)は、火災発見時に利用可能な環境および状況データからIA故障予測のための米国初の全国規模のベンチマークである。 WILDFIREIAは、自然発生のFPA-FOD山火事を、FIRMS/VIIRS熱検出、グリッドMET気象および消火器変数、LANDFIRE植生、燃料および地形、OpenStreetMapアクセス機能、およびWorldPop人口密度で38,128個にまとめた。 データ漏洩を防止するため、ベンチマークはイベントユニット、サイズベースのラベルルール、時系列分割、メトリクス、禁止されたフィーチャーリストを修正し、最終的なファイアサイズ、封じ込めタイムスタンプ、そしてモデル入力から発見後の衛星検出を除外する。 表型,時間型,空間型,時空間型,時空間型にまたがる16の代表的なモデルを同じプロトコルで評価した。 XGBoostは最高のAUPRCを53.3%、FIRMS/VIIRSは最小の冗長なソースであり、燃料は動的観測が不可能な場合に最も強力な静的予測器である。 我々は、初期山火事リスクアセスメントに関する再現可能なリサーチをサポートするために、事前処理出力とモデル対応キャッシュをリリースします。

関連論文リスト

• Does Your Wildfire Prediction Model Actually Work, or Just Score Well? [17.463683393779647]
  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。
  論文  参考訳（メタデータ） (2026-05-14T04:28:10Z)
• Set Prediction for Next-Day Active Fire Forecasting [8.116506215900882]
  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。
  論文  参考訳（メタデータ） (2026-05-11T09:56:17Z)
• 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)
• Rethinking Metrics and Benchmarks of Video Anomaly Detection [58.37571339811799]
  ビデオ異常検出(VAD)は、期待から外れた異常を検出することを目的としている。 既存のVADメトリクスは、単一のアノテーションバイアスの影響を受けます。 既存のベンチマークには、完全に/弱い教師付きアルゴリズムのシーンオーバーフィットを評価する能力がない。
  論文  参考訳（メタデータ） (2025-05-25T08:09:42Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• 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)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• 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)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。