論文の概要: From Next Day Wildfire to Next Days Wildfire: A New Multi-Continent Dataset of Active-Fire Spread for Sequence-to-Sequence Forecasting

• arxiv url: http://arxiv.org/abs/2610.38086v1
• Date: Wed, 28 Oct 2026 00:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:53:13.067316
• Title: From Next Day Wildfire to Next Days Wildfire: A New Multi-Continent Dataset of Active-Fire Spread for Sequence-to-Sequence Forecasting
• Title（参考訳）: 次の日の山火事から次の日の山火事: シーケンス・ツー・シークエンス予測のためのアクティブ・ファイア・スプレッドの複数連続データセット
• Abstract要約: AFSeqは3つの地域で8カ国から1,194件の火災イベント(2023年～2026年)のデータセットである。 また,従来のU-Netの拡張であるUTAE-ARを導入し,デコーダの前の繰り返しモジュールで拡張した。 以上の結果から,UTAE-ARは21.5%のパラメータを持ちながら翌日の精度でWSTS, WSTS+, AFSeqを上回り, より長い地平線で確実に予測できることが示唆された。
• 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: Benchmarks such as WildfireSpreadTS (WSTS) have enabled data-driven forecasting of wildfire spread from multimodal satellite time series, but they suffer from limitations: size restricts them to large fires that burn for weeks, and they are from similar environments. We introduce AFSeq, a multimodal dataset of 1,194 recent fire events (2023 to 2026) from 8 different countries across three regions, dominated by the short, small fires that existing benchmarks underrepresent. Our dataset is the largest and most diverse to date for time-series-based wildfire spread prediction. We also introduce UTAE-AR, an extension of a classical U-Net with Temporal Auto Encoder, enhanced with recurrent modules before the decoder. This allows the model to not only predict the next day but the whole sequence in an autoregressive way. Moreover, our model can feed its own predicted fire mask back one day at a time, producing the day-by-day forecasts that single-step models cannot. Our results show that UTAE-AR surpasses state-of-the-art on both WSTS, WSTS+ and AFSeq for next-day accuracy while having 21.5% of their parameters, and being able to predict confidently at a longer horizon.
• Abstract（参考訳）: WildfireSpreadTS (WSTS)のようなベンチマークでは、マルチモーダル衛星時系列から広がる山火事のデータを駆動する予測が可能になっているが、サイズは数週間にわたって燃える大火に制限され、同様の環境にある。 AFSeqは3つの地域をまたいだ8か国からの1,194件の最近の火災イベント(2023年～2026年)のマルチモーダルデータセットであり、既存のベンチマークが表現していない短い小さな火災に支配されている。 私たちのデータセットは、時系列ベースの山火事拡散予測において、これまでで最大かつ最も多種多様である。 また,従来のU-Netの拡張であるUTAE-ARを導入し,デコーダの前の繰り返しモジュールで拡張した。 これにより、モデルは翌日だけでなく、全シーケンスを自動回帰的に予測できる。 さらに、我々のモデルは、予測されたフェールマスクを1日に1回返して、シングルステップモデルでは不可能な日毎の予測を生成することができる。 以上の結果から,UTAE-ARは21.5%のパラメータを持ちながら翌日の精度でWSTS, WSTS+, AFSeqを上回り, より長い地平線で確実に予測できることが示唆された。

関連論文リスト

• A Nationwide Benchmark for Wildfire Initial Attack Failure Prediction with Public Environmental Data [62.031815260604056]
  我々は, 火災発見時に利用可能な環境および状況データから, 初期攻撃(IA)障害予測のための米国初の全国規模のベンチマークを提示する。 WILDFIREIAは、自然発生のFPA-FODの山火事を、FIRMS/VIIRS熱検出、グリッドMET気象および消火器変数、LANDFIRE植生、燃料、地形とともに38,128回調整した。 その結果,IA故障予測には,公共の発見時データが有用だが不完全な信号を提供することがわかった。
  論文  参考訳（メタデータ） (2026-06-14T01:03:13Z)
• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• Predicting the Containment Time of California Wildfires Using Machine Learning [0.0]
  われわれはカリフォルニアの山火事を完全に抑えるのに必要な日数を予測するために機械学習モデルを構築した。 本研究では,Long Short-Term Memory(LSTM)ニューラルネットワークを用いて,ベースラインアンサンブル回帰器,ランダムフォレスト,XGBoostの性能を比較した。
  論文  参考訳（メタデータ） (2025-12-10T17:14:20Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• Advancing Time Series Wildfire Spread Prediction: Modeling Improvements and the WSTS+ Benchmark [1.4999444543328289]
  我々は,1日および複数日の入力シナリオに対して,最先端(SOTA)の精度を実現するための様々なモデリング改善を提案する。 先行研究と一致して,時系列入力を用いたモデルが最も精度が高いことが判明した。 当社のベンチマークは、歴史データの年数を2倍にし、地理的範囲を拡大し、我々の知る限り、時系列ベースの山火事拡散予測のための最大の公開ベンチマークである。
  論文  参考訳（メタデータ） (2025-02-17T16:41:46Z)
• Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data [5.814925201882753]
  Next Day Wildfire Spread」は、アメリカ全土で10年近くにわたってリモートセンシングされたデータを収集した、歴史的な山火事の収集データである。 我々は、このデータの空間情報を利用して、山火事の拡散を予測する畳み込みオートエンコーダを実装した。 このデータセットは、リモートセンシングデータに基づく1日のリードタイムに基づく山火事伝播モデル開発のためのベンチマークとして使用することができる。
  論文  参考訳（メタデータ） (2021-12-04T23:28:44Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Comparison of Recurrent Neural Network Architectures for Wildfire Spread Modelling [0.0]
  ワイルドファイア・モデリングは、火災の振る舞いを再現する試みである。 我々は, Gated Recurrent Unit (GRU) とLong Short-Term Memory (LSTM) ネットワークを比較した。
  論文  参考訳（メタデータ） (2020-05-26T20:58:22Z)

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。