論文の概要: Modular Deep Learning Mechanisms for Auditable Next-Day Wildfire Spread Prediction

• arxiv url: http://arxiv.org/abs/2609.17763v2
• Date: Fri, 18 Sep 2026 15:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.692716
• Title: Modular Deep Learning Mechanisms for Auditable Next-Day Wildfire Spread Prediction
• Title（参考訳）: 次世代火災予測のためのモジュール型深度学習機構
• Abstract要約: 翌日の山火事の予測には、その計算に使用される仮定や歴史的証拠と共に予測を評価できるモデルが必要である。 本研究は次のアクティブファイア予測のための3つのモジュラ拡張について検討する。
• 参考スコア（独自算出の注目度）: 1.3459501570213257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next-day wildfire prediction requires models whose forecasts can be evaluated alongside the assumptions and historical evidence used in their computation. Although deep learning can learn spatial patterns from remote-sensing data, predictive performance alone does not establish physical fidelity or operational trustworthiness. This study investigates three modular augmentations for next-day active-fire prediction: wind- and slope-conditioned attention biases, physics-feature retrieval-augmented output correction, and fire conditioned dual-stream gating. The attention biases expose prescribed directional preferences, while the retrieval module selects historical tiles using a nine-dimensional environmental and fire-state descriptor and applies a learned correction to a frozen model's logits. The modules are evaluated across five backbones on the Next Day Wildfire Spread benchmark, using staged ablations, directional audits, retrieval perturbations, calibration measures, and computational comparisons. The three-seed mean F1 score and area under the precision--recall curve (AUC-PR) of a SwinUNETR model with all three augmentations are 0.4216 and 0.3673. Then, a mixed ensemble (two augmented architectures and one non-augmented architecture) model achieves 0.4292 and 0.3790. Benefits vary across architectures, and retrieval-related improvements in AUC-PR do not consistently translate into higher F1. The constructed wind bias aligns closely with input wind, but its alignment with observed next-day fire displacement is much weaker, distinguishing prior inspectability from predictive physical fidelity. The study contributes a framework for exposing and evaluating selected domain-informed components within wildfire prediction models. Together, the results presented show that predictive performance, operational trustworthiness, and computational practicality need not be competing objectives.
• Abstract（参考訳）: 翌日の山火事の予測には、その計算に使用される仮定や歴史的証拠と共に予測を評価できるモデルが必要である。 深層学習はリモートセンシングデータから空間パターンを学ぶことができるが、予測性能だけでは物理的忠実さや操作的信頼性は確立しない。 本研究では,翌日のアクティブファイア予測のための3つのモジュラー拡張について検討した。風と斜面条件の注意バイアス,物理機能付き検索強化出力補正,および2重流ゲーティングである。 注目バイアスは所定の方向の嗜好を呈し、検索モジュールは9次元の環境および火災状態記述子を用いて歴史的タイルを選択し、凍結モデルのロジットに学習された補正を行う。 モジュールは次の日のWildfire Spreadベンチマークの5つのバックボーンで評価され、ステージ化されたアブレーション、方向性監査、検索摂動、キャリブレーション測度、計算比較を用いて評価される。 3種平均F1スコアとSwinUNETRモデルの精度-リコール曲線(AUC-PR)下における面積は0.4216,0.3673である。 次に、混合アンサンブル(2つの拡張アーキテクチャと1つの非拡張アーキテクチャ)モデルが0.4292と0.3790を達成する。 利点はアーキテクチャによって異なり、AUC-PRの検索関連の改善は、常に高いF1に変換されない。 構成された風のバイアスは入力風と密接に一致しているが、観測された翌日の火災の変位との一致はより弱く、事前の検査可能性と予測的物理的忠実さを区別する。 本研究は,山火事予測モデルにおいて,選択されたドメインインフォームドコンポーネントの公開と評価を行うフレームワークに貢献する。 その結果, 予測性能, 運用信頼性, 計算実用性は競合対象にはならないことが明らかとなった。

関連論文リスト

• 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)
• 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)
• Wildfire spread forecasting with Deep Learning [1.194799054956877]
  着火時に利用可能なデータを用いて, 焼却地域の範囲を予測するための深層学習フレームワークを提案する。 我々は,事前点火後のデータを含むことがモデル性能のベンチマークに与える影響について,アブレーション研究を行う。 その結果,複数日の観測データにより予測精度が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-23T07:01:38Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [31.995016095663544]
  LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。 提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
  論文  参考訳（メタデータ） (2024-07-30T18:37:59Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• Towards Interpretable Solar Flare Prediction with Attention-based Deep Neural Networks [1.1624569521079424]
  太陽フレア予測は宇宙天気予報の中心的な問題である。 我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。 本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-09-08T19:21:10Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved Wildfire Spread Behavior [0.0]
  高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。 低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。 機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
  論文  参考訳（メタデータ） (2022-10-28T21:23:03Z)

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。