論文の概要: Towards Explainable Benchmarking for Data-driven Post-Wildfire Debris Flow Prediction

• arxiv url: http://arxiv.org/abs/2610.07358v1
• Date: Mon, 05 Oct 2026 20:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.65314
• Title: Towards Explainable Benchmarking for Data-driven Post-Wildfire Debris Flow Prediction
• Title（参考訳）: Data-driven Post-Wildfire Debris Flow 予測のための説明可能なベンチマークに向けて
• Abstract要約: 電火後の土砂流(Ps)は、近年の激しい降雨によって引き起こされた土砂災害である。 過去のPFDF観測から予測パターンを直接学習するためのデータ駆動手法が提案されている。 本稿では,データ駆動型PFDF予測のための統一ベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 5.726106276523923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-wildfire debris flows (PFDFs) are destructive sediment-laden hazards triggered when intense rainfall strikes recently burned terrain, destabilizing hillslopes and threatening infrastructure, local economies, and community safety. Data-driven methods have been proposed to learn predictive patterns directly from historical PFDF observations. However, the current research landscape of data-driven PFDF prediction remains highly fragmented across feature spaces, model architectures, and evaluation protocols, making rigorous comparison and the derivation of scientific insights difficult. Moreover, existing studies lack a systematic investigation into the relative importance of heterogeneous factors (e.g., meteorological conditions, terrain characteristics, soil properties, and burn severity) in triggering PFDF. To address these limitations, we present a unified benchmark for data-driven PFDF prediction, enabling fair and comprehensive evaluation across diverse models and feature configurations. Furthermore, to better understand the underlying drivers of PFDF formation, we propose a reinforcement learning-based feature selection framework that identifies factors whose perturbations render positive and negative events indistinguishable, thereby discovering the regional underlying mechanisms of PFDF occurrence across regions. Our code and benchmark are publicly available at https://github.com/KINDLab-Fly/PFDF-Benchmark.
• Abstract（参考訳）: 地すべり後の土砂流(PFDF)は、近年の豪雨で地すべりが激減し、斜面が不安定になり、インフラ、地方経済、地域社会の安全が脅かされたときに引き起こされる破壊的な土砂災害である。 過去のPFDF観測から予測パターンを直接学習するためのデータ駆動手法が提案されている。 しかし、データ駆動型PFDF予測の現在の研究状況は、特徴空間、モデルアーキテクチャ、評価プロトコルの間で非常に断片化されており、厳密な比較と科学的洞察の導出が困難である。 さらに、PFDFの引き金となる不均一因子(気象条件、地形特性、土壌特性、燃焼重症度など)の相対的重要性について体系的な研究は行われていない。 これらの制約に対処するため,データ駆動型PFDF予測のための統一ベンチマークを提案する。 さらに, PFDF形成の要因をより深く理解するために, 摂動が正および負の事象を区別できない要因を識別する強化学習に基づく特徴選択フレームワークを提案する。 私たちのコードとベンチマークはhttps://github.com/KINDLab-Fly/PFDF-Benchmarkで公開されています。

関連論文リスト

• Evaluating Machine Learning Models for Post-Wildfire Debris-Flow Prediction [2.3379613890114395]
  火災後の土砂流の予測は, 火災の被害軽減に不可欠である。 予測性能,特徴重要度,合成データ拡張の観点から,機械学習モデルの評価を行った。 この作業は、山火事後のデブリ-フロー予測を改善するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-08-05T17:54:15Z)
• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation [2.6526177459233446]
  地球観測のための地球空間基盤モデルは、事前訓練中に過小評価されている環境では確実に機能しないことが多い。 SHRUG-FMは3つの相補的な信号を統合する信頼性を考慮した予測フレームワークである。 我々は,OODスコアが特定の環境条件下での低い性能と相関していることを示し,不確実性に基づくフラグは,多くの性能の悪い予測を捨てる助けとなることを示した。
  論文  参考訳（メタデータ） (2025-11-13T14:48:55Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Wildfire spread forecasting with Deep Learning [1.194799054956877]
  着火時に利用可能なデータを用いて, 焼却地域の範囲を予測するための深層学習フレームワークを提案する。 我々は,事前点火後のデータを含むことがモデル性能のベンチマークに与える影響について,アブレーション研究を行う。 その結果,複数日の観測データにより予測精度が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-23T07:01:38Z)
• Interpretable Dual-Stream Learning for Local Wind Hazard Prediction in Vulnerable Communities [1.9299285312415735]
  竜巻や直線風などの風害は、アメリカ合衆国グレートプレーンズの脆弱な地域社会にしばしば影響を及ぼす。 既存の予測システムは、主に気象要素に焦点を当てており、しばしばコミュニティ固有の脆弱性を捉えない。 本稿では、構造化された数値気象データと構造化されていないテクスチャイベントの物語を統合する2重ストリーム学習フレームワークを提案する。 我々のアーキテクチャは、ランダムフォレストとRoBERTaベースのトランスフォーマーを後期核融合機構で組み合わせ、強靭で文脈に合った風害予測を可能にする。
  論文  参考訳（メタデータ） (2025-05-20T15:46:02Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。