論文の概要: When local gains fail to transfer: Frozen Earth-observation embeddings across wildfires

• arxiv url: http://arxiv.org/abs/2609.34602v1
• Date: Mon, 28 Sep 2026 08:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:01:26.852488
• Title: When local gains fail to transfer: Frozen Earth-observation embeddings across wildfires
• Title（参考訳）: 局地的な利得の移動に失敗した場合--山間部における凍結した地球観測の埋め込み
• Abstract要約: 凍結した地球観測の埋め込みは、ほぼ完全に1つの研究領域内で空間的に遮断されたクロスバリデーションによって判断される。 線形プローブとラベルのみを必要とするプロトコルを用いて,この数値が新しい領域の精度を予測できないことを示す。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frozen Earth-observation embeddings are judged almost entirely by spatially blocked cross-validation inside one study region. We show that this number does not predict accuracy in a new region; we show why; and we show the one setting in which such a model does keep working, using a protocol that needs only a linear probe and labels one already has. The testbed is wildfire, with Copernicus burned-area maps of six fires in Greece and Spain and descriptors from the year before each fire, comparing TESSERA and AlphaEarth with ESA WorldCover classes and annual Sentinel-2 index summaries. Inside a fire, the embeddings identify the burned land 0.05 to 0.13 ROC AUC better than the index summaries, and repeated fold allocations, spatial buffers, a block bootstrap, and gradient-boosted trees leave that margin unchanged. On a fire in another region, they lose 0.15 to 0.18 AUC, and the index summaries lose 0.06, so the three end within a few hundredths of each other. The representation is not the cause. Eight labelled blocks from the new region restore the embedding advantage and give a higher AUC than 59,000 labelled pixels from other regions, and the weight vector fitted in one region is nearly orthogonal to the vector fitted in the others, so the part that carries across regions is small and low-dimensional. Forecasting within a region is a different matter. Fitted on a fire that burned in 2023 and applied to a fire twelve kilometres away that burned in 2024, where nothing used postdates the target fire, TESSERA reaches 0.772 AUC and loses 0.04 against a classifier fitted inside the 2024 fire, while classifiers fitted in other regions lose 0.09 to 0.18. A region with one mapped fire can therefore forecast susceptibility for later fires there; a region without one cannot borrow a model from elsewhere, and every evaluation of a frozen embedding should report a held-out region.
• Abstract（参考訳）: 凍結した地球観測の埋め込みは、ほぼ完全に1つの研究領域内で空間的に遮断されたクロスバリデーションによって判断される。 我々は、この数値が新しい領域の精度を予測しないことを示す。その理由を示し、線形プローブと既に持っているラベルのみを必要とするプロトコルを用いて、そのようなモデルが動作し続けるような設定を示す。 テストベッドは山火事で、コペルニクスはギリシャとスペインで6件の火災と各火災の前年のデクリプターを燃やし、TESSERAとAlphaEarthをESA WorldCoverクラスと毎年のSentinel-2指数の要約と比較した。 火災の中では、埋没した土地 0.05 から 0.13 LOC AUC がインデックスサマリーよりもよく識別され、繰り返し折り畳みアロケーション、空間バッファ、ブロックブートストラップ、傾斜した木はそのマージンをそのまま残す。 他の地域での火災では0.15から0.18AUCが失われ、インデックスサマリーは0.06が減少し、3つのサマリーは数百分の1の範囲内で終了する。 その表現は原因ではない。 新しい領域から8個のラベル付きブロックが埋め込み優位性を回復し、他の領域から59,000個のラベル付きピクセルよりも高いAUCを与え、一方の領域に装着された重みベクトルは他の領域に取り付けられたベクトルとほぼ直交しているので、領域を横断する部分は小さく、低次元である。 地域内での予測は別の問題である。 2023年に炎上し、2024年に焼かれた12km離れた火に塗布されたテッセラは、標的火器が使用されていない状態で0.772AUCに達し、2024火器内に装着された分類器に対して0.04を失う一方、他の領域に装着された分類器は0.09〜0.18を失う。 したがって、1つの火をマッピングした領域は、後続の火災の危険性を予測でき、それ以外からモデルを借りることができない領域であり、凍結埋没の評価はすべて、保留領域を報告すべきである。

関連論文リスト

• Annual Earth-observation embeddings encode wildfire disturbance and support simplified burned area mapping [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-22T06:05:46Z)
• 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)
• Multisource Remote Sensing and Geospatial Analysis of Vineyard Wildfire Impacts and Resilience: The 2019 Kincade Fire [0.0]
  カリフォルニア州ソノマ郡で発生した2019年キンケード火災における山火事のレジリエンスについて検討した。 我々は,4,581のブドウ畑,森林植生,測量された構造物,道路,頭上煙,放火後の緑化にまたがる,オープンでイベント対応の地理空間的枠組みを用いた。 ブドウ園の画素は, 周囲の野生のピクセルに比べて, dNBRが有意に低かった。
  論文  参考訳（メタデータ） (2026-09-14T18:06:35Z)
• 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)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Set Prediction for Next-Day Active Fire Forecasting [8.116506215900882]
  翌日のアクティブな火災予報は、早期警戒、災害対応、森林リスク評価、および火災関連二酸化炭素排出量の下流推定をサポートすることができる。 我々は,次のアクティブファイア予測をポイントセット予測として再構成するクエリベースのモデルであるWildfire Ignition Set Predictor (WISP)を提案する。
  論文  参考訳（メタデータ） (2026-05-11T09:56:17Z)
• Systematic Absence of Low-Confidence Nighttime Fire Detections in VIIRS Active Fire Product: Evidence of Undocumented Algorithmic Filtering [0.0]
  夜間観測における低信頼度分類の完全欠如を示す。 このパターンは、月中、緯度帯、NOAA-20衛星とスオミ-NPP衛星の両方で世界中に持続する。 私は、VIIRSユーザガイドにこのアルゴリズム制約の明示的な文書を推奨します。
  論文  参考訳（メタデータ） (2025-10-28T07:51:30Z)
• 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)
• 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)

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。