論文の概要: A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times
- arxiv url: http://arxiv.org/abs/2610.11022v1
- Date: Thu, 08 Oct 2026 00:14:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.71191
- Title: A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times
- Title（参考訳）: 中距離リード時間における大域的日火放射パワー予測のためのグラフニューラルネットワーク
- Abstract要約: 大気質予測やエアロゾル予測には, バイオマス燃焼活動の高度な予測が重要である。
我々は,最新の観測結果より1～7日前にグローバルFRPを予測するデータ駆動モデルを開発した。
0.1$circ$の解像度では、平均2乗誤差は1日リードで32%、2023年には7日間で43%、2024年には24%、40%減少する。
- 参考スコア（独自算出の注目度）: 8.838930347349462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skillful prediction of biomass-burning activity several days in advance is important for air-quality forecasting and aerosol prediction. Two operational constraints motivate this work. First, the GBBEPx satellite fire radiative power (FRP) product used to initialize NOAA's GEFS-Aerosols is available with about a 1.5-day latency, so each forecast cycle relies on the most recently available, but already outdated, fire observations. Second, these fire inputs are then held fixed throughout the subsequent 5-day operational forecast, or 7 days in the GSL experimental system, effectively assuming no evolution in fire activity. We develop a data-driven model that predicts global FRP one to seven days ahead from the most recent available observations. The model adapts a spatiotemporal graph neural network using reanalysis meteorology, land-cover and vegetation information, recent fire history, and GBBEPx FRP as the training target. It is trained on 2020-2022 data and evaluated for 2023-2024. The model reproduces the global seasonal cycle and substantially outperforms persistence. At 0.1$^\circ$ resolution, mean squared error is reduced by 32% at one-day lead and 43% at seven days in 2023, and by 24% and 40% in 2024. At 1$^\circ$ resolution, the critical success index ranges from 0.32 to 0.60. Detection skill declines only modestly with lead time, whereas intensity skill degrades more rapidly. Large fires are detected reliably, but their radiative power is systematically underestimated. These results demonstrate useful predictability of fire activity several days ahead and identify intensity calibration and small-fire placement as the main remaining challenges before predicted FRP can support operational aerosol forecasts.
- Abstract（参考訳）: 大気質予測やエアロゾル予測には, バイオマス燃焼活動の高度な予測が重要である。
2つの運用上の制約がこの作業の動機となっている。
まず、NOAAのGEFS-エアロゾルを初期化するために使用されるGBBEPx衛星火力発電(FRP)製品は1.5日間の遅延で利用可能である。
第2に、これらの火災入力は、その後の5日間の運用予測、またはGSL実験システムで7日間にわたって固定され、効果的に火災活動の進展を仮定しない。
我々は,最新の観測結果より1～7日前にグローバルFRPを予測するデータ駆動モデルを開発した。
このモデルでは, 再解析気象, 土地被覆, 植生情報, 最近の火災履歴, GBBEPx FRPをトレーニング対象として, 時空間グラフニューラルネットワークを適用した。
2020-2022データに基づいて訓練され、2023-2024で評価される。
このモデルは、大域的な季節周期を再現し、持続性を大幅に上回る。
0.1$^\circ$の解像度では、平均2乗誤差は1日リードで32%、2023年には7日間で43%、2024年には24%、40%減少する。
1$^\circ$の解像度では、臨界成功指数は0.32から0.60の範囲である。
検出スキルはリードタイムとともにわずかに低下する一方、強度スキルはより急速に低下する。
大火は確実に検出されるが、その放射力は体系的に過小評価される。
これらの結果は数日前の火災活動の予測に有用であることが示され, FRPが作動するエアロゾル予測をサポートする前には, 強度キャリブレーションと小火器配置が主な課題であった。
関連論文リスト
- 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) - An Explainable, Attention-Enhanced, Bidirectional Long Short-Term Memory Neural Network for Joint 48-Hour Forecasting of Temperature, Irradiance, and Relative Humidity [0.0]
本稿では、スマートHVACシステムにおけるモデル予測制御(MPC)を支援するため、48時間の温度、太陽光、相対湿度の予測のためのディープラーニング(DL)フレームワークを提案する。
このアプローチでは、BiLSTM(Bidirectional Long Short-Term Memory)ネットワークに注意を払っており、3変数全てを共同で予測することで、時間的および横断的な依存関係をキャプチャする。
このモデルは、平均絶対誤差が摂氏1.3度(温度)、31W/m2(照度)、6.7%(湿度)、最先端の数値予測と機械学習ベンチマークを上回った。
論文 参考訳（メタデータ） (2025-08-28T15:40:33Z) - Testing the Limit of Atmospheric Predictability with a Machine Learning Weather Model [0.0]
我々は2020年の2日間の予測に勾配に基づく手法を用いて予測初期条件を最適化する。
このアプローチは10日で平均86%のエラー削減を達成し、スキルは30日以上続く。
論文 参考訳（メタデータ） (2025-04-28T20:18:57Z) - 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) - 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) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z)
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。