論文の概要: WildfireSpreadBench: The Metric Decides the Model in Wildfire Spread Prediction

• arxiv url: http://arxiv.org/abs/2609.22191v1
• Date: Sat, 29 Aug 2026 03:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.765426
• Title: WildfireSpreadBench: The Metric Decides the Model in Wildfire Spread Prediction
• Title（参考訳）: WildfireSpreadBench:Wildfireスプレッド予測でモデルが下がった
• Abstract要約: 機械学習は、翌日に活発な山火事が燃える場所を予測するのにますます使われている。 ほとんどのモデルは平均精度(AP)を用いて評価され、すべての決定しきい値のパフォーマンスを要約する。 共有評価パイプラインを用いて,WildfireSpreadTS上で5つの識別アーキテクチャと1つの生成モデルをベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is being increasingly used to predict where active wildfires will burn the following day, helping inform evacuation boundaries and containment lines. Most models are evaluated using Average Precision (AP), which summarizes performance across all decision thresholds, although acting on a forecast requires choosing one. We benchmarked five discriminative architectures and one generative model on WildfireSpreadTS using a shared evaluation pipeline and two input configurations. We found that model rankings varied depending on whether performance was measured by AP or by threshold-dependent metrics like F1 and IoU. The highest-AP model flagged 4 to 5 times the area that burned and ranked fifth of six on F1 and IoU, and the most recall-heavy model flagged 16 to 23 times. Models with more usable predictions had AP scores 24 to 37 lower. Across architectures, we identified three distinct prediction profiles: over-predicting, balanced, and under-predicting, which AP alone could not distinguish. Expanding the input from 7 to 23 channels changed AP by 0.03 on average, against a 0.21 to 0.24 spread across architectures. These results show AP alone can favor models whose predictions are poorly suited for operational wildfire forecasting.
• Abstract（参考訳）: 機械学習は、翌日に活発な山火事が燃える場所を予測するのにますます使われており、避難境界や封じ込め線を知らせるのに役立っている。 ほとんどのモデルは平均精度 (AP) を用いて評価され、これは全ての決定しきい値のパフォーマンスを要約するが、予測では1つを選択する必要がある。 共有評価パイプラインと2つの入力構成を用いて、5つの識別アーキテクチャと1つの生成モデルをWildfireSpreadTS上でベンチマークした。 モデルランキングは、APが測定したか、F1やIoUのようなしきい値に依存したメトリクスで測定されたかによって異なることがわかった。 最も高いAPモデルはF1とIoUの5分の1を燃やしランク付けした地域の4～5倍であり、最もリコールの多いモデルは16～23倍だった。 より有用な予測モデルでは、APスコアが24から37以下であった。 アーキテクチャ全体で、我々は3つの異なる予測プロファイルを特定した。 7チャンネルから23チャンネルへの入力が平均0.03変化し、0.21から0.24がアーキテクチャ全体に広がった。 これらの結果から,AP単独では,運用上の山火事予測に適さない予測モデルに好適であることが示唆された。

関連論文リスト

• Modular Deep Learning Mechanisms for Auditable Next-Day Wildfire Spread Prediction [1.3459501570213257]
  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)
• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• A Nationwide Benchmark for Wildfire Initial Attack Failure Prediction with Public Environmental Data [62.031815260604056]
  我々は, 火災発見時に利用可能な環境および状況データから, 初期攻撃(IA)障害予測のための米国初の全国規模のベンチマークを提示する。 WILDFIREIAは、自然発生のFPA-FODの山火事を、FIRMS/VIIRS熱検出、グリッドMET気象および消火器変数、LANDFIRE植生、燃料、地形とともに38,128回調整した。 その結果,IA故障予測には,公共の発見時データが有用だが不完全な信号を提供することがわかった。
  論文  参考訳（メタデータ） (2026-06-14T01:03:13Z)
• 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)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Evaluating Perceptual Distance Models by Fitting Binomial Distributions to Two-Alternative Forced Choice Data [43.714290271351466]
  本稿では,二項決定モデルに最大推定値を適用し,より頑健な距離モデル評価手法を提案する。 提案手法は2つの2AFC PFデータセット上での様々な視覚距離モデルの評価から, 簡便さ, 可視性, 柔軟性, 計算効率が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-15T15:21:04Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)

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。