論文の概要: Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2610.15983v1
• Date: Sun, 11 Oct 2026 23:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 08:12:49.989514
• Title: Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching
• Title（参考訳）: 条件流整合による山火事の確率予測
• Abstract要約: 本研究では,条件付き生成アルゴリズムを用いて,山火事の大きさの時間的変化を予測する確率モデルを提案する。 提案モデルでは,空間的に解決された火災の進行を予測するのではなく,連続した火災量を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we present a probabilistic model for predicting the temporal evolution of wildfire size using conditional generative algorithms, namely flow matching. Rather than predicting spatially resolved fire progression, the proposed model forecasts a time series of fire acreage, substantially reducing computational cost and enabling efficient integration with downstream applications such as early warning systems and risk assessment tools. Given estimates of the fire size at the current and previous forecasting steps, alongside spatially averaged weather conditions, terrain characteristics, and fuel composition, the model predicts the change in fire area over a 3-hour interval. Training data are drawn from 140 coupled atmosphere-wildfire simulations generated using WRF-SFIRE, paired with weather data from the North American Mesoscale (NAM) model. Sensitivity analysis demonstrates that the model captures physically-consistent responses to variations in wind speed, temperature, and relative humidity. Model performance is evaluated against reference solutions from WRF-SFIRE. For single-step predictions, the model achieves a symmetric mean absolute percentage error (sMAPE) of 0.39 relative to the reference WRF-SFIRE solutions. Recursive multi-step predictions over 24 hours are performed for 12 held-out test cases, where the flow matching model achieves a final fire area sMAPE of 0.39 while further providing meaningful quantification of forecast uncertainty.
• Abstract（参考訳）: 本研究では,条件付き生成アルゴリズム,すなわちフローマッチングを用いて,山火事の大きさの時間的変化を予測する確率モデルを提案する。 提案モデルは,空間的に解決された火災の進行を予測するのではなく,連続した延焼を予測し,計算コストを大幅に削減し,早期警戒システムやリスク評価ツールなどの下流アプリケーションとの効率的な統合を可能にする。 気象条件,地形特性,および燃料組成とともに,現在および過去の予測段階における火災規模を推定すると,モデルでは3時間間隔で火災面積の変化を予測できる。 トレーニングデータは、北米メソスケール(NAM)モデルによる気象データと組み合わせて、WRF-SFIREを用いて発生した140の複合大気-火炎シミュレーションから引き出された。 感度分析は、風速、温度、相対湿度の変動に対する物理的に一貫性のある反応を捉えることを示した。 WRF-SFIREの参照解に対してモデル性能を評価する。 単段階予測では、基準WRF-SFIRE法と比較して0.39の対称平均絶対パーセンテージ誤差(sMAPE)を達成する。 フローマッチングモデルにより0.39のファイアエリアsMAPEが達成され、さらに予測不確実性の有意義な定量化が達成される12のホールドアウトテストケースに対して、24時間にわたる再帰的多段階予測を行う。

関連論文リスト

• 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)
• Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching [0.0]
  本研究では, 条件付き流れマッチングアルゴリズムに基づく局所的な山火事拡散の確率的サロゲートモデルを提案する。 この手法は、着火時刻の条件分布を学習することにより、火災進行をプロセスとしてモデル化する。 以上の結果から, 火災発生の多様性を把握し, 正確なアンサンブル予測を行うことができた。
  論文  参考訳（メタデータ） (2026-03-27T20:39:02Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• A Neural Emulator for Uncertainty Estimation of Fire Propagation [12.067753469557598]
  ワイルドファイアは、風速や方向といった環境条件の変化が観察された行動に大きな変化をもたらす、非常に高いプロセスである。 ファイアフロント進行における不確実性を定量化する伝統的なアプローチは、シミュレーションのアンサンブルを通して確率マップを生成することである。 本稿では,入力パラメータの不確実性を考慮した火災伝播確率を直接推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T13:42:52Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。