論文の概要: Annual Earth-observation embeddings encode wildfire disturbance and support simplified burned area mapping

• arxiv url: http://arxiv.org/abs/2609.25731v1
• Date: Tue, 22 Sep 2026 06:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.237347
• Title: Annual Earth-observation embeddings encode wildfire disturbance and support simplified burned area mapping
• Title（参考訳）: 森林破壊をコードとした年次地球観測埋没法と簡易焼成地域マッピング支援
• Abstract要約: 既存の方法では、キュレートされた火特有の画像や、密集した時系列分析が必要である。 ここでは, 毎年恒例の地球観測埋没地が, いずれの必要もなく, 燃え尽きる地域を地図化するのに十分な山火事発生信号を保持するかどうかを検証した。 TesseraとAlphaEarthの埋め込みを用いて、各バーンカーのデライン化、地域内の全同年火災のマッピング、地域壁と壁のマッピング、大陸間移動、年内火災のタイミングを調べた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medium-resolution (10-30 m) burned area mapping is vital for monitoring wildfires and their impacts, but remains difficult to scale. Existing methods require either curated fire-specific imagery or dense time-series analysis. Here, we tested whether annual Earth-observation embeddings retain wildfire disturbance signals sufficiently to map burned areas without either requirement. Using Tessera and AlphaEarth embeddings, we tested individual burn-scar delineation, mapping of all same-year fires within an area, regional wall-to-wall mapping, cross-continental transfer, and intra-annual fire timing. Tessera strongly encoded wildfire disturbance, allowing even linear models to separate burned from unburned pixels; the signal was weaker in AlphaEarth. Models trained on a single Tessera embedding matched or exceeded equivalent models using paired pre- and post-fire HLS imagery, and outperformed post-fire imagery alone. The same approach mapped all same-year fires within benchmark scenes (F1 = 0.90). Applied across California, with no California fire data used for downstream training, it recovered 97% of reference burned area and detected substantially more small and medium-sized fires than GABAM or MCD64A1. Separately, a model trained on 2018-2021 US fires transferred without retraining to 88 European fires from 2024-2025 (F1 = 0.88). For well-detected fires, ignition timing was recovered with a mean absolute error of 13 days. Performance declined for fires ignited near the end of the calendar year, and wall-to-wall deployment produced systematic false positives in some unseen landscapes. Annual embeddings nevertheless achieve high segmentation accuracy while moving the burden of dense time series processing upstream, providing a promising path towards simpler regional burned area mapping.
• Abstract（参考訳）: 中分解能(10-30m)の焼成地域マッピングは、山火事とその影響を監視するのに不可欠であるが、スケーリングは困難である。 既存の方法は、キュレートされた火の特定画像か、密集した時系列分析を必要とする。 ここでは, 毎年恒例の地球観測埋没地が, いずれの要件も伴わず, 燃えた地域を地図化するのに十分な山火事発生信号を保持するかどうかを検証した。 TesseraとAlphaEarthの埋め込みを用いて、各バーンカーのデライン化、地域内の全同年火災のマッピング、地域壁と壁のマッピング、大陸間移動、年内火災のタイミングを調べた。 テセラは野火の破壊を強くエンコードし、リニアモデルでも未燃の画素から分離することができたが、アルファアースでは信号が弱かった。 1つのテッセラ埋め込みで訓練されたモデルは、ペア化されたプレファイヤーとポストファイアのHLS画像を使用して、同等またはそれ以上のモデルと一致し、単体で性能が向上した。 同じアプローチでベンチマークシーン内のすべての同じ年の火災をマッピングした(F1 = 0.90)。 カリフォルニア全域に適用され、下流での訓練に使用されたカリフォルニアの火災データがないため、97%の基準燃焼面積を回収し、GABAMやMCD64A1よりもかなり小型で中規模の火災を検出した。 別途、2018-2021年のアメリカ軍の砲火で訓練されたモデルが2024-2025年の88発のヨーロッパの砲火(F1 = 0.88)に再訓練することなく移動した。 火災が検出された場合、着火タイミングは平均で13日間の誤差で回復した。 年末に発火した火災で性能は低下し、壁面と壁面の配置は、いくつかの見えない風景で体系的な偽陽性を生み出した。 いずれにせよ, 年次埋込みは, 高密度時系列処理の負荷を上流に移動させながら高いセグメンテーション精度を実現し, より単純な地域焼成地域マッピングへの道のりを提供する。

関連論文リスト

• WISE: A Lightweight, Weakly-Supervised Model for Onboard Fire Smoke Detection and Localization [55.18555004736124]
  WISE (Weakly-supervised Inference- efficient Smoke extract) は, 着火煙の検出と位置推定のための配置指向フレームワークである。 3つのモデル変種は平均推定時間0.10秒、0.14秒、0.26秒を達成し、オンボードの資源制限内でほぼリアルタイムなタイル当たりの推測を示す。 最もパフォーマンスの良い変種は平均タイルレベルF1スコアが0.964、平均ピクセルレベルF1スコアが10ランで0.750、パラメータが0.12Mで約3GFLOPである。
  論文  参考訳（メタデータ） (2026-09-16T07:00:48Z)
• Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge [51.684701877722574]
  急激な災害後の対応には、建物が無傷のままか、損傷するか、破壊されるかについてのビルレベルの情報をタイムリーに要求する。 Bright Challengeは、サブメートル解像度のプレイベント光学画像とポストイベントSAR画像から全天候の建物損傷マッピングを評価した。
  論文  参考訳（メタデータ） (2026-07-23T07:22:15Z)
• 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)
• CanadaFireSat: Toward high-resolution wildfire forecasting with multiple modalities [13.151866497852211]
  カナダは2023年に最も深刻な山火事の季節を経験している。 この極端な山火事の季節は、気候変化によって引き起こされる火災の季節の長さと深刻度の増加が、ボレアル生態系に影響を与えることの象徴である。 より優れた緩和ソリューションで、ボリアルなコミュニティにおける山火事管理を強化することが重要である。
  論文  参考訳（メタデータ） (2025-06-10T10:58:43Z)
• Wildfire Detection Using Vision Transformer with the Wildfire Dataset [0.6229567287607896]
  2023年の山火事で全国で130人が死亡し、1990年以来の高水準となった。 ViT(Vision Transformers)のようなディープラーニングモデルは、複雑な画像データを高精度に処理することで早期検出を強化することができる。 しかし、山火事検出は高品質でリアルタイムなデータの提供を含む課題に直面している。
  論文  参考訳（メタデータ） (2025-05-23T02:08:28Z)
• Modelling wildland fire burn severity in California using a spatial Super Learner approach [0.04188114563181614]
  米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。 遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。 このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
  論文  参考訳（メタデータ） (2023-11-25T22:09:14Z)
• Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
  衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。 本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
  論文  参考訳（メタデータ） (2023-09-05T23:24:34Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• Attention on Classification for Fire Segmentation [82.75113406937194]
  本稿では,画像中の火災の分類とセグメンテーションのための畳み込みニューラルネットワーク(CNN)を提案する。 我々は,空間的自己認識機構を用いて画素間の長距離依存性を捉えるとともに,分類確率を注目重みとして利用する新しいチャネルアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-11-04T19:52:49Z)
• Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt, Zoom) Camera Technology and Convolutional Neural Networks [0.0]
  野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。 2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。 研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
  論文  参考訳（メタデータ） (2021-09-10T19:30:37Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)

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。