論文の概要: Interpretable Patch-Based Deep Learning for Wildfire Spread Prediction from Ensemble Simulations

• arxiv url: http://arxiv.org/abs/2609.18555v1
• Date: Wed, 16 Sep 2026 12:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.794962
• Title: Interpretable Patch-Based Deep Learning for Wildfire Spread Prediction from Ensemble Simulations
• Title（参考訳）: アンサンブルシミュレーションによる火炎拡散予測のための解釈可能なパッチベース深層学習
• Abstract要約: 伝統的に、ワイルドファイアの拡散は物理学に基づくシミュレーターを用いて予測され、物理的に解釈可能であるが、追加のアンサンブル部材によってコストが上昇する。 スペイン・カタルーニャ州レクテット地域の2m分解能で10,584個の延焼シミュレーションを訓練し、これらのシミュレーションをこのコストのごく一部で再現できるかを問う。
• 参考スコア（独自算出の注目度）: 36.95113845969358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wildfire spread is traditionally predicted using physics-based simulators, which are physically interpretable but whose cost increases with each additional ensemble member. We ask how well deep learning surrogates can reproduce these simulations at a fraction of this cost, training them on 10,584 fire spread simulations at 2m resolution for the Rectoret region in Catalonia, Spain. Four architectures are compared: a patch-based U-Net, a transfer-learned ResNet-50, a physics-informed network constrained by the wind-driven advection equation and a Swin-Unet transformer. Among the terrain and vegetation variables, only surface fuel load predicts burn probability with any strength (r = 0.27) and including it lowers prediction error by 21%. The remaining variables correlate weakly and are highly duplicative. Next, an experiment with saliency, occlusion and rotation demonstrates the models' learning. Convolutional models rely primarily on distance from the current fire front, while Swin-Unet assigns more weight to fuel and terrain, a finding also noted in an unrelated wildfire dataset. When applied without retraining to the second region, Pedriza, all three convolutional models still predict fire spread, losing accuracy by a small but systematic margin.
• Abstract（参考訳）: 伝統的に、ワイルドファイアの拡散は物理学に基づくシミュレーターを用いて予測され、物理的に解釈可能であるが、追加のアンサンブル部材によってコストが上昇する。 スペイン・カタルーニャ州レクテット地域の2m分解能で10,584個の延焼シミュレーションを訓練し、これらのシミュレーションをこのコストのごく一部で再現できるかを問う。 パッチベースのU-Net、転送学習のResNet-50、風駆動の対流方程式に制約された物理情報ネットワーク、Swin-Unet変換器の4つのアーキテクチャを比較した。 地形や植生の変数の中で、表面燃料負荷のみは、どんな強度(r = 0.27)でも燃焼確率を予測し、予測誤差を21%下げる。 残りの変数は弱相関であり、非常に重複している。 次に、正当性、閉塞性、回転性の実験により、モデルの学習を実証する。 畳み込みモデルは、主に現在の火災前線からの距離に依存し、Swin-Unetは燃料と地形により多くの重量を割り当てている。 第2の領域であるPedrizaに再訓練せずに適用した場合、それでも3つの畳み込みモデルは火の広がりを予測し、小さなが体系的なマージンによって精度が低下する。

関連論文リスト

• Modular Deep Learning Mechanisms for Auditable Next-Day Wildfire Spread Prediction [1.0115510170423478]
  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。
  論文  参考訳（メタデータ） (2026-09-15T19:12:06Z)
• FireSenseNet: A Dual-Branch CNN with Cross-Attentive Feature Interaction for Next-Day Wildfire Spread Prediction [1.1417805445492082]
  次回の山火事拡大の正確な予測は、災害対応と資源配分に不可欠である。 本稿では,新しい相互干渉モジュールを備えた二分岐畳み込みニューラルネットワークFireSenseNetを提案する。 我々は、FireSenseNetがF1の0.4176とAUC-PRの0.3435を達成し、すべての代替品を上回っていることを示した。
  論文  参考訳（メタデータ） (2026-04-09T00:39:03Z)
• 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)
• A generative model for surrogates of spatial-temporal wildfire nowcasting [13.551652250858144]
  3次元ベクトル量子変分オートコーダを用いて生成モデルを提案する。 このモデルは、最近カリフォルニア州で起きた大規模な山火事(チムニー火災)のエコリージョンでテストされている。 数値的な結果から, 連続かつ構造的な火災シナリオの生成に成功した。
  論文  参考訳（メタデータ） (2023-08-05T06:54:18Z)
• 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)
• 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)
• On the Reproducibility of Neural Network Predictions [52.47827424679645]
  そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。 最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。 我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。 両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
  論文  参考訳（メタデータ） (2021-02-05T18:51:01Z)
• Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
  森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。 その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T23:31:43Z)

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。