Wildfire danger prediction optimization with transfer learning

要約

畳み込みニューラル ネットワーク (CNN) は、さまざまなコンピューター サイエンスの分野で役立つことが証明されており、オブジェクトの検出、分類、異常検出の進歩を可能にします。
この論文では、特に山火事の影響を受けた地域を特定するために地理空間データを分析するための CNN の応用について検討します。
転移学習技術を活用して、CNN ハイパーパラメーターを微調整し、カナダ火災気象指数 (FWI) を統合して湿気の状態を評価しました。
この研究では、気象パターンに動的に関連付けて、0 ～ 5 のスケールで山火事の危険レベルを計算する方法論を確立しています。
特に、転移学習の統合により、CNN モデルは焼けた領域の特定において 95% という優れた精度を達成しました。
この研究は、CNN の内部動作と、山火事の予測と軽減における CNN の実用的なリアルタイムの有用性を明らかにします。
この研究は、転移学習と CNN を組み合わせることで、焼失領域を評価するための堅牢なアプローチに貢献し、タイムリーな介入と火災に対する予防措置を促進します。

要約(オリジナル)

Convolutional Neural Networks (CNNs) have proven instrumental across various computer science domains, enabling advancements in object detection, classification, and anomaly detection. This paper explores the application of CNNs to analyze geospatial data specifically for identifying wildfire-affected areas. Leveraging transfer learning techniques, we fine-tuned CNN hyperparameters and integrated the Canadian Fire Weather Index (FWI) to assess moisture conditions. The study establishes a methodology for computing wildfire risk levels on a scale of 0 to 5, dynamically linked to weather patterns. Notably, through the integration of transfer learning, the CNN model achieved an impressive accuracy of 95\% in identifying burnt areas. This research sheds light on the inner workings of CNNs and their practical, real-time utility in predicting and mitigating wildfires. By combining transfer learning and CNNs, this study contributes a robust approach to assess burnt areas, facilitating timely interventions and preventative measures against conflagrations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google