論文の概要: Random Forest-Informed Cellular Automaton for Large-Scale Wildfire Spread Modelling

• arxiv url: http://arxiv.org/abs/2609.01675v1
• Date: Tue, 01 Sep 2026 08:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.659924
• Title: Random Forest-Informed Cellular Automaton for Large-Scale Wildfire Spread Modelling
• Title（参考訳）: 大規模森林火災拡散モデルのためのランダムフォレストインフォームセルオートマトン
• Abstract要約: ランダムフォレストモデルとセルオートマトン(CA)を組み合わせた3段階フレームワークを提案する。 2021年のカナダ火災シーズンで訓練されたRFモデルは、毎日のピクセルレベルの火災発生確率を推定する。 RFインフォームドCAは、RF確率層と5kmの格子上の近傍駆動の拡散を結合する。
• 参考スコア（独自算出の注目度）: 7.894744075371837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate large-scale wildfire spread modelling requires models that capture both the environmental conditions associated with fire occurrence and the local dynamics of fire propagation. We propose a three-stage framework that combines a Random Forest (RF) model with a cellular automaton (CA). First, an RF model trained on the 2021 Canadian fire season estimates daily pixel-level fire-occurrence probabilities. Second, quantile gradient boosting models provide optional spread-rate priors for sensitivity analysis. Third, an RF-informed CA combines the RF probability layer with neighbourhood-driven spread on a 5 km grid. The RF model achieved AUC values of 0.725--0.795 on the 2022--2024 datasets, while the RF-informed CA achieved substantially higher spatial overlap than the evaluated CA-only baselines in the 2023 simulation. A higher-resolution simulation provides an additional qualitative assessment of local spatial errors. These results suggest that combining RF-derived probabilities with local CA spread can improve large-scale wildfire simulations under the tested conditions.
• Abstract（参考訳）: 正確な大規模山火事拡散モデリングには、火災発生に伴う環境条件と火災伝播の局所的ダイナミクスの両方を捉えるモデルが必要である。 本稿では,ランダムフォレスト(RF)モデルとセルオートマトン(CA)を組み合わせた3段階フレームワークを提案する。 第一に、2021年のカナダ火災シーズンで訓練されたRFモデルは、毎日のピクセルレベルの火災発生確率を推定する。 第二に、量子勾配増強モデルは感度解析のための任意のスプレッドレート先行値を提供する。 第3に、RFインフォームドCAは、RF確率層と5kmの格子上の近傍駆動のスプレッドを結合する。 RFモデルは2022-2024データセットで0.725--0.795のAUC値を達成し、RFインフォームドCAは2023年のシミュレーションで評価されたCA専用ベースラインよりもかなり高い空間重なりを達成した。 高分解能シミュレーションは局所的な空間誤差の定性的評価を提供する。 これらの結果は, RF由来の確率と局所的なCA拡散を組み合わせることで, 試験条件下での大規模山火事シミュレーションを改善することを示唆している。

関連論文リスト

• Neural-Parameterized Cellular Automata for Wildfire Spread [1.1287316240400744]
  本稿では、JAXで実装されたハイブリッドなディープラーニングパラメータ化確率セルラーオートマタフレームワークについて紹介する。 提案手法はマルチスケール畳み込みニューラルネットワークを用いて, 火災の確率, 風向, 斜面の影響を制御できる空間的変動パラメータを生成する。 このハイブリッド設計は、基礎となる3状態CAの物理的解釈可能性を維持しながら、複雑な非線形な環境相互作用を捉えている。
  論文  参考訳（メタデータ） (2026-06-10T05:40:37Z)
• 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)
• Leveraging Cellular Automata for Real-Time Wildfire Spread Modeling in California [0.0]
  本研究では,重要な環境変数を組み込んだ細胞性オートマトン(CA)に基づく予測モデルを開発した。 2025年太平洋パラセード火災の火傷跡に対する混乱行列を用いたモデルの評価では, 0.860, 精度0.605, 総合F1スコア0.711を得た。
  論文  参考訳（メタデータ） (2025-10-10T02:31:57Z)
• Assessment of deep learning models integrated with weather and environmental variables for wildfire spread prediction and a case study of the 2023 Maui fires [7.760621259456393]
  本研究では,山火事拡散予測のための気象・環境変数と統合された5つの典型的なディープラーニングモデルの能力を評価する。 注目された2つのディープラーニングモデル、ConvLSTMとConvLSTMは、5つのテストされたAIモデルの中で最高のパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2025-09-05T20:20:19Z)
• Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data [15.516417504988313]
  深層学習に基づく予測モデルFire-Image-DenseNet(FIDN)を開発した。 FIDNは、山火事の環境および気象要因に関する、ほぼリアルタイムおよび再分析データから得られた空間的特徴を用いる。 平均二乗誤差 (MSE) は, 細胞オートマトン (CA) と最小走行時間 (MTT) に基づく予測モデルよりも約82%, 67%低い値を示した。
  論文  参考訳（メタデータ） (2024-12-02T11:35:31Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Denoising Diffusion Probabilistic Models [91.94962645056896]
  拡散確率モデルを用いて高品質な画像合成結果を示す。 本研究は,拡散確率モデルとランゲヴィン力学と整合したデノイングスコアとの新たな接続に基づいて設計した重み付き変分境界のトレーニングにより得られた。
  論文  参考訳（メタデータ） (2020-06-19T17:24:44Z)

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。