論文の概要: Accelerating Wildfire Hazard Mapping Across Canada with an AI Surrogate Modelling Framework

• arxiv url: http://arxiv.org/abs/2610.30170v1
• Date: Fri, 16 Oct 2026 19:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.074428
• Title: Accelerating Wildfire Hazard Mapping Across Canada with an AI Surrogate Modelling Framework
• Title（参考訳）: AIサロゲートモデリングフレームワークによるカナダ全土のワイルドファイアハザードマッピングの高速化
• Abstract要約: カナダの森林火災活動の増加は、積極的に緩和するための国家の危険度マッピングを頻繁に必要としている。 我々は,AI研究者と山火事モデル専門家の協力によって開発された3つのコントリビューションを提示する。 プロセスベースの山火事シミュレータに対してAIサロゲートモデルをトレーニング、微調整、評価するための標準化されたフレームワーク。 全国規模のデータに基づいて訓練されたマルチタスク深層学習サロゲートは、燃焼確率、平均火力、平均拡散率をエミュレートする。
• 参考スコア（独自算出の注目度）: 2.227150962049155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Canada's increasing wildfire activity requires frequent national hazard mapping to guide proactive mitigation, including fuel management, land-use planning, infrastructure protection, and evacuation routing. However, process-based wildfire simulation frameworks (e.g., BurnP3 and BurnP3+) rely on computationally intensive Monte Carlo simulations to model burn probability, fire intensity, and rate of spread. These workflows can take days to weeks to process a single regional modelling unit. To overcome these computational bottlenecks, we present three contributions developed through collaboration between AI researchers and wildfire modelling experts: (a) a standardized framework for training, fine-tuning, and evaluating AI surrogate models against process-based wildfire simulators; (b) a multi-task deep learning surrogate trained on national-scale data to emulate burn probability, mean fire intensity, and mean rate of spread at a fraction of the computational cost (seconds); and (c) domain-specific metrics and counterfactual evaluation protocols to probe out-of-distribution generalization. Integrating geospatial data (fuel, terrain, ignition likelihood) and regional weather, our model approximates BurnP3+ simulation outputs, achieving strong performance across agreement, rank-correlation, error, and spatial-overlap metrics. It preserves downstream hazard classifications and produces physically plausible responses to expert-informed counterfactual interventions. On a representative region, the surrogate achieves 806-fold end-to-end CPU acceleration and uses 13% of BurnP3+'s host memory, facilitating rapid scenario analysis.
• Abstract（参考訳）: カナダの森林火災活動の増加は、燃料管理、土地利用計画、インフラ保護、避難経路など、積極的に緩和するための国家の危険度マッピングを頻繁に必要としている。 しかし、プロセスベースの山火事シミュレーションフレームワーク(例えば、BurnP3とBurnP3+)は、モンテカルロシミュレーションを用いて、燃焼確率、火災強度、拡散率をモデル化している。 これらのワークフローは、単一の地域モデリングユニットを処理するのに数日から数週間かかる。 これらの計算ボトルネックを克服するために、AI研究者と山火事モデリングの専門家の協力によって開発された3つの貢献を提示する。 (a)プロセスベースの山火事シミュレータに対するAI代理モデルのトレーニング、微調整、評価のための標準化されたフレームワーク b) 全国規模のデータに基づいて訓練されたマルチタスク深層学習サロゲートであって,燃焼確率,平均火力,及び計算コスト(秒)のごく一部での拡散率をエミュレートすること。 (c) 分布外一般化を探索するためのドメイン固有のメトリクスと反事実評価プロトコル。 地空間データ(燃料、地形、着火可能性)と地域気象を統合することで、BurnP3+シミュレーションの出力を近似し、整合性、ランク相関、誤差、空間オーバーラップの計測値の強い性能を達成する。 下流のハザード分類を保存し、専門家にインフォームドされた反事実的介入に対する物理的に妥当な応答を生成する。 代表領域では、サロゲートは806倍のエンドツーエンドCPUアクセラレーションを実現し、BurnP3+のホストメモリの13%を使用し、迅速なシナリオ分析を容易にする。

関連論文リスト

• 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)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• FireSentry: A Multi-Modal Spatio-temporal Benchmark Dataset for Fine-Grained Wildfire Spread Forecasting [41.82363110982653]
  本稿では,サブメーター空間とサブ秒時間分解能を特徴とする地域規模のマルチモーダル山火事データセットFireSentryを提案する。 FireSentryは、可視および赤外線のビデオストリーム、その場での環境測定、手動で検証されたファイアマスクを提供する。 FireSentry上に構築され、物理に基づく、データ駆動、生成モデルを含む包括的なベンチマークを構築します。
  論文  参考訳（メタデータ） (2025-12-03T02:02:47Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
  本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。 ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。 また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
  論文  参考訳（メタデータ） (2023-10-02T19:38:04Z)
• A generative model for surrogates of spatial-temporal wildfire nowcasting [13.551652250858144]
  3次元ベクトル量子変分オートコーダを用いて生成モデルを提案する。 このモデルは、最近カリフォルニア州で起きた大規模な山火事(チムニー火災)のエコリージョンでテストされている。 数値的な結果から, 連続かつ構造的な火災シナリオの生成に成功した。
  論文  参考訳（メタデータ） (2023-08-05T06:54:18Z)
• 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)
• 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。