論文の概要: Construction and Evaluation of Machine Learning Models for Near-Real-Time Fire Detection from MTG FCI Imagery

• arxiv url: http://arxiv.org/abs/2610.05154v1
• Date: Sun, 04 Oct 2026 12:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:58:39.095809
• Title: Construction and Evaluation of Machine Learning Models for Near-Real-Time Fire Detection from MTG FCI Imagery
• Title（参考訳）: MTG FCI画像からの準リアルタイム火災検出のための機械学習モデルの構築と評価
• Abstract要約: 本研究では,MTG FCIにおける1kmと2kmの空間配置におけるリアルタイム火災検出のための機械学習モデルの評価を行った。 これらのモデルは、ヨーロッパ、アフリカ、中東の様々な生態地域にわたって、VIIRS火災基準データを用いて訓練され、評価された。
• 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: Geostationary satellite observations are important for wildfire detection and monitoring. The current study evaluates machine learning models for MTG FCI near-real-time fire detection in 1- and 2-km spatial configurations and compares them with threshold-based algorithms. The models were trained and evaluated using VIIRS fire reference data across diverse ecological regions in Europe, Africa, and the Middle East. The key results are that 1-km models significantly outperform both their 2-km variants and operational threshold products. The constructed 1-km models achieved F1 scores higher by up to 0.36 compared to baseline products. Importantly, the 1-km models detected small fires with higher probability compared to competing models. Finally, the models robustly detected fires up to 260 min earlier than baseline products. To support opensource applications, our trained models are publicly available.
• Abstract（参考訳）: 静止衛星観測は山火事の検出と監視に重要である。 本研究は,MTG FCIの1kmと2kmの空間配置におけるリアルタイム火災検出のための機械学習モデルを評価し,しきい値に基づくアルゴリズムと比較する。 これらのモデルは、ヨーロッパ、アフリカ、中東の様々な生態地域にわたって、VIIRS火災基準データを用いて訓練され、評価された。 主な結果は、1kmモデルが2kmモデルと運用しきい値製品の両方を著しく上回っていることである。 製造された1kmモデルでは、ベースライン製品と比較してF1スコアが最大0.36上昇した。 重要なことに、1kmモデルでは、競合モデルよりも高い確率で小さな火災が検出された。 最後に、モデルはベースライン製品よりも260分早く火を強く検出した。 オープンソースアプリケーションをサポートするために、トレーニング済みのモデルが公開されています。

関連論文リスト

• Comparing a gradient boosting algorithm to the GOES FDC for wildfire detection [8.31288838861349]
  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。
  論文  参考訳（メタデータ） (2026-10-01T16:29:13Z)
• 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)
• 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)
• Comparative Study of Out-of-the-Box Technology for Automatic Target Detection and Recognition [55.13619415776905]
  本稿では、軍事的文脈における適切な性能を達成するために、公開可能なモデルと民間データセットの使用について検討する。 我々は、YOLOシリーズの6つのイテレーションとDETRフレームワーク上の2つのバリエーションを含む、最先端モデルのベンチマークを行った。 我々は,mAP@0.5とmAP@0.5:0.95を用いて,A2GとG2Gの視点,ターゲットサイズ,モデルサイズを比較した。
  論文  参考訳（メタデータ） (2026-08-18T15:43:34Z)
• HyperspectralViTs: General Hyperspectral Models for On-board Remote Sensing [21.192836739734435]
  機械学習モデルによるハイパースペクトルデータのオンボード処理は、幅広いタスクに対して前例のない量の自律性を可能にする。 これにより早期警戒システムが可能となり、衛星の星座にまたがる自動スケジューリングなどの新機能が実現される可能性がある。 本研究では,高スペクトル次元のデータを用いたエンドツーエンドの学習を支援する,高速かつ正確な機械学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-22T17:59:55Z)
• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery [39.91303506884272]
  本研究では,U-Netモデルに基づくバーン・エリアマッピングプロセスの自動化と最適化のための2つのアプローチを提案する。 研究領域の195の代表的な画像に基づくテストでは、ASモデルを用いたデータセットのバランスの向上により、より良いパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2023-11-29T05:42:25Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• METRO: Efficient Denoising Pretraining of Large Scale Autoencoding Language Models with Model Generated Signals [151.3601429216877]
  本稿では,補助モデルにより生成された学習信号を用いて,大規模自動符号化言語モデルの事前学習を行う。 我々は「モデル生成dEnoising TRaining Objective」(METRO)というレシピを提案する。 結果、最大54億のパラメータからなるMETRO-LMは、GLUE、SuperGLUE、SQuADベンチマークで新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-04-13T21:39:15Z)
• Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis [2.752817022620644]
  本研究では,舗装の苦痛を検知し,特徴付けるための最先端のディープラーニングアルゴリズムをデプロイする。 モデルは、日本、チェコ、インドの都市部や農村部で撮影された21,041枚の画像を用いて訓練された。 最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットで、F1スコアの0.58と0.57を達成した。
  論文  参考訳（メタデータ） (2020-10-21T00:26:59Z)

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。