Fugu-MT 論文翻訳(概要): Comparing a gradient boosting algorithm to the GOES FDC for wildfire detection

論文の概要: Comparing a gradient boosting algorithm to the GOES FDC for wildfire detection

arxiv url: http://arxiv.org/abs/2610.01994v1
Date: Thu, 01 Oct 2026 16:29:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:24.284495
Title: Comparing a gradient boosting algorithm to the GOES FDC for wildfire detection
Title（参考訳）: 傾斜促進アルゴリズムとGOES FDCによる山火事検出の比較
Abstract要約: 本研究では,GOES ABI画像からの山火事検出のための機械学習手法を提案する。 CatBoostモデルは、何千ものABIイメージと300,000以上のVIIRS火災検出を備えた大規模なデータセットでトレーニングされた。訓練エリア内と外の両方で高い精度、リコール、F1スコアを達成した。
参考スコア（独自算出の注目度）: 8.31288838861349
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wildfires pose severe risks to human life, ecosystems, and property. This study presents a machine learning approach for wildfire detection from GOES ABI imagery. A CatBoost model was trained on a large dataset with thousands of ABI images and over 300,000 matching VIIRS fire detections. An evaluation on a separate dataset across five regions showed that the learned CatBoost model outperformed the operational GOES Fire Detection and Characterization (FDC) product. It achieved higher precision, recall, and F1 scores both within and outside the training area. The CatBoost model achieved F1 scores that were 0.16 to 0.38 higher than the GOES FDC in all regions. In addition, out of 51 historical fire events, the CatBoost detected 26 fires before both VIIRS and GOES FDC, compared to only six earlier detections by the GOES FDC. Importantly, the CatBoost model achieved accurate wildfire detection also during nighttime, whereas the GOES FDC obtained very low recall values, around 0.03. This study demonstrates that machine learning models may offer significant improvements over existing geostationary fire products, including higher accuracy, fewer false alarms, and earlier detection.
Abstract（参考訳）: 森林火災は人命、生態系、資産に深刻なリスクをもたらす。本研究では,GOES ABI画像からの山火事検出のための機械学習手法を提案する。 CatBoostモデルは、何千ものABIイメージと300,000以上のVIIRS火災検出を備えた大規模なデータセットでトレーニングされた。 5つの領域にまたがる別のデータセットによる評価の結果,学習したCatBoostモデルはGOES火災検出・評価(FDC)製品よりも優れていた。訓練エリア内と外の両方で高い精度、リコール、F1スコアを達成した。 CatBoostモデルは、すべての地域でGOES FDCよりも0.16から0.38得点のF1スコアを達成した。さらに、51件の歴史的火災のうち、キャットブースはVIIRSとGOES FDCの前に26件の火災を検知し、GOES FDCによる6件の火災しか検出しなかった。重要なことに、CataBoostモデルは夜間にも正確な山火事検出を達成し、GOES FDCは0.03という非常に低いリコール値を得た。この研究は、機械学習モデルが、高精度、誤報の少ない、早期検出など、既存の静止火災製品よりも大幅に改善されていることを実証している。

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)
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)
Detection Fire in Camera RGB-NIR [0.0]
本報告では,追加のNIRデータセット,2段階検出モデル,Patched-YOLOについて述べる。人工照明による偽陽性を低減しつつ夜間火災検知精度を向上させるため, YOLOv11とEfficientNetV2-B0を組み合わせた2段階パイプラインを提案する。最後に,RGB画像,特に小・遠距離物体の火災検出を改善するために,Patched-YOLOを導入する。
論文参考訳（メタデータ） (2025-12-29T16:48:24Z)
Adapting Vehicle Detectors for Aerial Imagery to Unseen Domains with Weak Supervision [46.87579355047397]
本稿では,高品質な空中画像とそのラベルを生成AIで合成する手法を提案する。私たちの重要な貢献は、多段階のマルチモーダルな知識伝達フレームワークの開発です。
論文参考訳（メタデータ） (2025-07-28T16:38:06Z)
Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data [15.516417504988313]
深層学習に基づく予測モデルFire-Image-DenseNet(FIDN)を開発した。 FIDNは、山火事の環境および気象要因に関する、ほぼリアルタイムおよび再分析データから得られた空間的特徴を用いる。平均二乗誤差 (MSE) は, 細胞オートマトン (CA) と最小走行時間 (MTT) に基づく予測モデルよりも約82%, 67%低い値を示した。
論文参考訳（メタデータ） (2024-12-02T11:35:31Z)
Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
森林火災は気候危機により地球生態系に深刻な危険をもたらす。複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
論文参考訳（メタデータ） (2024-11-14T23:19:55Z)
Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文参考訳（メタデータ） (2024-04-08T17:58:22Z)
Wildfire Detection Via Transfer Learning: A Survey [2.766371147936368]
本稿では,山頂や森林見張り塔に設置した通常の視界カメラを用いて,山火事の検知に使用されるさまざまなニューラルネットワークモデルについて検討する。ニューラルネットワークモデルはImageNet-1Kで事前トレーニングされ、カスタムの山火事データセットで微調整される。
論文参考訳（メタデータ） (2023-06-21T13:57:04Z)
Wildfire Smoke Detection with Computer Vision [0.0]
YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
論文参考訳（メタデータ） (2023-01-12T15:12:56Z)
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)
Analyzing Multispectral Satellite Imagery of South American Wildfires Using CNNs and Unsupervised Learning [0.0]
本研究では,エクアドルとガラパゴスのランドサット8号の画像をスキップして完全な畳み込みニューラルネットワークを訓練する。画像セグメンテーションは、K-Means Clusteringを用いてCirrus Cloudバンド上で行われ、連続したピクセル値を3つの離散クラスに単純化する。さらに2つの畳み込みニューラルネットワークが訓練され、陸地における山火事の存在を分類する。
論文参考訳（メタデータ） (2022-01-19T02:45:01Z)

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。