論文の概要: PyroStack: A Multi-Band Spatio-Temporal Sub-Daily Dataset for Wildfires in the United States
- arxiv url: http://arxiv.org/abs/2609.36315v1
- Date: Mon, 28 Sep 2026 21:48:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.036315
- Title: PyroStack: A Multi-Band Spatio-Temporal Sub-Daily Dataset for Wildfires in the United States
- Title（参考訳）: PyroStack:米国の山火事のためのマルチバンド時空間サブデイリーデータセット
- Abstract要約: 森林火災は生態系、大気質、人的システムに対する危険が増している。
既存のデータセットは、これらのインタラクション制御をキャプチャするために必要な解像度とカバレッジを欠いていることが多い。
ピロスタックは、アメリカ合衆国とアラスカ州にまたがる山火事と環境データの調和したイベントベースの収集を提供する。
- 参考スコア（独自算出の注目度）: 41.693240652724825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wildfires are an increasing hazard to ecosystems, air quality, and human systems, creating a growing need for datasets that support systematic development and evaluation of models for predicting fire spread across diverse landscapes. Effective prediction requires integrating meteorological conditions, fuels, vegetation, and topography at spatial and temporal resolutions suitable for both physical simulation and data-driven approaches. However, existing datasets often lack the resolution and coverage needed to capture these interacting controls. The PyroStack dataset addresses this gap by providing a harmonized, event-based collection of wildfire and environmental data across the contiguous United States and Alaska. It integrates satellite-derived fire observations with atmospheric reanalysis, vegetation, fuel characteristics, and topographic information into a unified framework spanning 6994 wildfires that occurred between 2012 and 2024 across a wide range of ecosystems and climate conditions. PyroStack offers spatial resolutions ranging from 30 m to 9 km and hourly temporal resolution, along with fire progression data at 12-hour intervals to support model initialization and evaluation. By combining broad spatial coverage with fine spatial and temporal detail, the dataset enables systematic analysis of wildfire dynamics and supports both physics-based and machine learning approaches, providing a foundation for benchmarking and improving fire spread models, with future extensions aimed at incorporating additional regions and fire suppression data streams to further advance wildfire prediction.
- Abstract（参考訳）: 森林火災は、生態系、大気質、人間のシステムに対する危険が増大し、多様な景観に広がる火災を予測するためのモデルの体系的な開発と評価をサポートするデータセットの必要性が高まっている。
効果的な予測には、気象条件、燃料、植生、地形を物理的シミュレーションとデータ駆動のアプローチの両方に適した空間的および時間的解像度で統合する必要がある。
しかしながら、既存のデータセットは、これらの相互作用するコントロールをキャプチャするために必要な解像度とカバレッジを欠いていることが多い。
PyroStackデータセットは、米国とアラスカをまたいだ、調和したイベントベースの山火事と環境データの収集を提供することによって、このギャップに対処する。
衛星による火災観測と大気分析、植生、燃料特性、地形情報を統合し、2012年から2024年にかけて広範囲の生態系や気候で発生した6994件の山火事にまたがる統合された枠組みに統合する。
ピロスタックは、空間分解能を30mから9km、時間分解能と12時間間隔の火災進行データで提供し、モデルの初期化と評価をサポートする。
広い空間範囲のカバレッジと詳細な空間的および時間的詳細を組み合わせることで、このデータセットは、山火事のダイナミクスの体系的な分析を可能にし、物理ベースと機械学習の両方のアプローチをサポートし、火災拡散モデルのベンチマークと改善のための基盤を提供する。
関連論文リスト
- UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。
GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。
自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
論文 参考訳（メタデータ） (2026-09-02T08:37:27Z) - Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery [2.7788865512077225]
カナダの山火事は、生態系、コミュニティ、インフラへの脅威が増大している。
既存のモデルはスケーラビリティに欠けたり、時間的ダイナミクスを効果的に捉えられなかったりすることが多い。
本研究の目的は,山火事の広がりを予測するためのディープラーニングフレームワークを開発することである。
論文 参考訳（メタデータ） (2026-06-15T05:11:45Z) - BCWildfire: A Long-term Multi-factor Dataset and Deep Learning Benchmark for Boreal Wildfire Risk Prediction [12.480140332312695]
ブリティッシュコロンビア州とその周辺地域で4億4000万ヘクタールに及ぶ,25年間の日次分解能の山火事データセットを提示する。
我々は,CNNベース,線形ベース,トランスフォーマーベース,マンバベースアーキテクチャなど,さまざまな時系列予測モデルを評価する。
論文 参考訳（メタデータ） (2025-11-17T22:13:00Z) - 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) - Advancing Eurasia Fire Understanding Through Machine Learning Techniques [0.0]
我々はロシアの山火事分析で利用可能な最も広範なデータセットの1つを提示し、13ヶ月連続で観測を行った。
調査データ分析を行い、様々な火災カテゴリや生態系にまたがる主要な火災行動パターンを特定するための予測モデルを開発する。
論文 参考訳（メタデータ） (2025-02-24T10:22:17Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - 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。