論文の概要: Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery

• arxiv url: http://arxiv.org/abs/2606.20693v1
• Date: Mon, 15 Jun 2026 05:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 16:07:17.338342
• Title: Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery
• Title（参考訳）: ビデオスウィンハイブリドU-ネットと衛星画像を用いたカナダの時空間ワイルドファイア拡散予測
• Authors: Maulik Srivastava, Esha Saha, Hao Wang,
• Abstract要約: カナダの山火事は、生態系、コミュニティ、インフラへの脅威が増大している。 既存のモデルはスケーラビリティに欠けたり、時間的ダイナミクスを効果的に捉えられなかったりすることが多い。 本研究の目的は,山火事の広がりを予測するためのディープラーニングフレームワークを開発することである。
• 参考スコア（独自算出の注目度）: 2.7788865512077225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Wildfires in Canada present increasing threats to ecosystems, communities, and infrastructure, demanding accurate forecasting tools to aid mitigation efforts. Existing models often lack scalability or fail to capture temporal dynamics effectively. Aims: This study aims to develop a deep learning framework tailored to Canadian wildfire spread prediction that captures spatio-temporal patterns in environmental data. Methods: We propose a U-Net architecture integrating a Video Swin Transformer encoder with a convolutional decoder to model three-day sequences of meteorological and environmental variables. Data are exclusively sourced from public repositories via Google Earth Engine, ensuring transparency and scalability. The model is trained and tested on a curated dataset of major Canadian wildfire events from 2014 to 2023. Key results: Our approach achieves strong predictive performance by effectively leveraging spatio-temporal attention to forecast next-day fire incidence maps. Conclusions: The model successfully captures complex wildfire dynamics unique to Canada's landscape and temporal variability. Implications: This framework paves the way for advanced spatio-temporal wildfire forecasting research and operational applications using publicly accessible datasets.
• Abstract（参考訳）: 背景:カナダの山火事は、生態系、コミュニティ、インフラへの脅威が増大し、緩和活動を支援するための正確な予測ツールを必要としている。 既存のモデルはスケーラビリティに欠けたり、時間的ダイナミクスを効果的に捉えられなかったりすることが多い。 Aims: 本研究は、環境データ中の時空間パターンをキャプチャするカナダの山火事拡散予測に適したディープラーニングフレームワークを開発することを目的としている。 方法: 気象および環境変数の3日間の連続をモデル化するために, ビデオスウィントランスフォーマーエンコーダと畳み込みデコーダを統合したU-Netアーキテクチャを提案する。 データはGoogle Earth Engineを通じて公開リポジトリからのみソースされ、透明性とスケーラビリティが保証される。 このモデルは、2014年から2023年にかけて、カナダの主要な山火事のデータセットで訓練され、テストされている。 主な成果: 当社の手法は, 時空間的注意を有効活用して, 翌日の火災発生の予測に有効に活用することにより, 高い予測性能を実現する。 結論: このモデルは、カナダの景観と時間的変動に特有の複雑な山火事のダイナミクスをうまく捉えている。 意味: このフレームワークは、パブリックアクセス可能なデータセットを使用した高度な時空間の山火事予報研究と運用アプリケーションへの道を開く。

関連論文リスト

• FireCastNet: Earth-as-a-Graph for Seasonal Fire Prediction [2.748450182087935]
  本稿では,3次元畳み込みエンコーダとGraphCastを組み合わせた新しいアーキテクチャFireCastNetを提案する。 FireCastNetは、異なる空間スケールと時間スケールで、山火事につながるコンテキストをキャプチャするために訓練されている。 本研究は,燃えている地域の存在を予測するためのモデルの有効性を評価することに焦点を当てた。
  論文  参考訳（メタデータ） (2025-02-03T17:30:45Z)
• 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)
• Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks [2.748450182087935]
  We use SeasFire, a comprehensive global wildfire data with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning。 予測分析のために、野火の時間的文脈を捉えた異なるアーキテクチャでディープラーニングモデルを訓練する。 本研究は,季節火災予報における深層学習モデルの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-04-09T16:28:54Z)
• Explainable Global Wildfire Prediction Models using Graph Neural Networks [2.2389592950633705]
  本稿では,グローバルな山火事予測のための革新的なグラフニューラルネットワーク(GNN)モデルを提案する。 我々のアプローチは、地球温暖化や山火事のデータをグラフ表現に変換し、ヌル海洋データロケーションのような課題に対処します。
  論文  参考訳（メタデータ） (2024-02-11T10:44:41Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)

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。