論文の概要: Evaluating Machine Learning Models for Post-Wildfire Debris-Flow Prediction
- arxiv url: http://arxiv.org/abs/2608.05265v1
- Date: Wed, 05 Aug 2026 17:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.653705
- Title: Evaluating Machine Learning Models for Post-Wildfire Debris-Flow Prediction
- Title（参考訳）: 火炎後流れ予測のための機械学習モデルの評価
- Abstract要約: 火災後の土砂流の予測は, 火災の被害軽減に不可欠である。
予測性能,特徴重要度,合成データ拡張の観点から,機械学習モデルの評価を行った。
この作業は、山火事後のデブリ-フロー予測を改善するための包括的なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 2.3379613890114395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction of post-wildfire debris flows is critical for mitigating hazards to communities, infrastructure, and resources during intense rainfall in recently burned areas. However, identifying reliable machine learning models is complicated by overlapping debris-flow and non-debris-flow events in feature space, the need for model interpretability, and limited training data. This paper addresses these challenges through a systematic evaluation of machine learning models in terms of predictive performance, feature importance, and synthetic data augmentation. Using basin-scale observations of post-wildfire debris-flow events across the western United States, we compare 15 models, including the Tabular Prior-Data Fitted Network (TabPFN). Repeated stratified cross-validation shows that TabPFN achieves the highest unaugmented performance with a threat score of 0.637, closely followed by the best tree-based models. SHapley Additive exPlanations (SHAP) are used to identify the features driving predictions, revealing that short-duration rainfall intensity and storm accumulation consistently rank highest, while burn severity and terrain features contribute less. We further evaluate synthetic data augmentation using TabPFN-generated samples to address the scarcity of debris-flow observations. Synthetic augmentation improves the performance of all models except CNN, with the largest mean threat score increase of +0.041 among the deep learning models. By combining rigorous model benchmarking, interpretable feature analysis, and synthetic data augmentation, this work provides a comprehensive framework for improving post-wildfire debris-flow prediction.
- Abstract（参考訳）: 火災後の土砂流の予測は,最近焼失した地域での豪雨時の地域社会,インフラ,資源への危険を緩和するために重要である。
しかし、機能空間におけるデブリフローと非デブリフローイベントの重複、モデルの解釈可能性の必要性、限られたトレーニングデータによって、信頼性の高い機械学習モデルの同定は複雑である。
本稿では,予測性能,特徴重要度,合成データ拡張の観点から,機械学習モデルの体系的評価を通じて,これらの課題に対処する。
米国西部で発生した火砕流の大規模観測から,タブラル・プレデータ・フィットト・ネットワーク(TabPFN)を含む15のモデルを比較した。
繰り返し、階層化されたクロスバリデーションは、TabPFNが0.637の脅威スコアで、最高の木ベースのモデルに近づき、最高の未解決のパフォーマンスを達成していることを示している。
SHAP (SHapley Additive exPlanations) は予報を駆動する特徴を識別するために用いられ、短時間の降雨強度と嵐の蓄積量は常に最高であり、燃焼の重大さと地形の特徴は少ないことが判明した。
さらに,TabPFN生成試料を用いた合成データ拡張を行い,デブリフロー観測の欠如に対処する。
合成強化により、CNN以外の全てのモデルの性能が向上し、ディープラーニングモデルの中で最大の平均脅威スコアは+0.041である。
厳密なモデルベンチマーク、解釈可能な特徴分析、および合成データ拡張を組み合わせることで、この研究は、山火事後のデブリフロー予測を改善するための包括的なフレームワークを提供する。
関連論文リスト
- Precipitation Downscaling Using Foundation Model-Conditioned Diffusion [1.1848987098427715]
高分解能降水場は、水文学的な影響評価には不可欠であるが、地球規模の気候モデル出力は、非常に粗いため、直接の使用には偏りがある。
降水量減少に適応した拡散確率モデルに対する3つの条件付け手法について検討した。
連結条件付けは、ポイントワイドCRPSとMSEの最低値を達成するが、高強度イベントを抑制する過度に滑らかなフィールドを生成する傾向がある。
クロスアテンション条件付けは、スペクトルの忠実度を大幅に改善し、分布リアリズムを大幅に改善する。
論文 参考訳（メタデータ） (2026-08-26T14:30:39Z) - Scaling Laws of Global Weather Models [57.27583619011988]
本稿では,モデル性能(検証損失)とモデルサイズ,データセットサイズ,計算予算の3つの主要な要因について検討する。
様々なモデルにおいて、Auroraは最も強力なデータスケーリングの挙動を示す。
我々の計算-最適分析は、固定された計算予算の下で、長いトレーニング期間にリソースを割り当てると、モデルサイズの増加よりもパフォーマンスが向上することを示している。
論文 参考訳（メタデータ） (2026-02-26T12:57:38Z) - Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks [25.772405506451204]
衝突頻度モデリングにおける重要な課題は、過剰なゼロ観測の頻度である。
我々は、ゼロ観測を減らすために、ハイブリッドなVAE拡散ニューラルネットワークを提案する。
我々は、類似性、正確性、多様性、構造的整合性といった指標を用いて、このモデルによって生成された合成データ品質を評価する。
論文 参考訳（メタデータ） (2025-01-17T07:53:27Z) - Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。
本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
論文 参考訳（メタデータ） (2024-10-23T15:36:59Z) - Using Generative Models to Produce Realistic Populations of the United Kingdom Windstorms [0.0]
論文は、現実的な合成風速データを生成するための生成モデルの適用を探求する。
標準的なGAN、WGAN-GP、U-net拡散モデルを含む3つのモデルを使用して、イギリスの風図を作成した。
その結果、全てのモデルが一般的な空間特性を捉えるのに有効であるが、それぞれのモデルは異なる強みと弱みを示すことが明らかとなった。
論文 参考訳（メタデータ） (2024-09-16T19:53:33Z) - Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。
このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
論文 参考訳（メタデータ） (2024-09-04T13:11:59Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic
Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。
本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。
本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文 参考訳（メタデータ） (2023-01-31T16:12:26Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z)
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。