Predicting Next-Day Wildfire Spread with Time Series and Attention

要約

最近の研究では、影響力のある環境共変量の現在の火災と地理空間ラスターなど、植生、トポグラフィ、気候、気候の翌日の野火の拡散を正確に予測する深いニューラルネットワーク（DNN）の可能性が実証されています。
この作業では、翌日の山火事の予測のために、Swinunetと呼ばれる最近の変圧器ベースのモデルを調査します。
Swinベースのモデルは、歴史的な山火事イベントの大規模なパブリックベンチマークデータセットであるWildfiresPreadts（WFTS）に関するいくつかの現在の最先端モデルに対してベンチマークされています。
次の2つの火災予測シナリオを検討します。モデルに（i）前日のデータの入力、または（ii）5日間のデータの入力が与えられた場合。
適切な変更により、Swinunetは、1日と複数日のシナリオの両方で、翌日の予測で最先端の精度を達成することがわかります。
Swinunetの成功は、Imagenetの事前に訓練された重量を利用することに大きく依存しています。
以前の作業と一致して、複数日入力を備えたモデルは、常に1日の入力を備えたモデルよりも優れていることがわかりました。

要約(オリジナル)

Recent research has demonstrated the potential of deep neural networks (DNNs) to accurately predict next-day wildfire spread, based upon the current extent of a fire and geospatial rasters of influential environmental covariates e.g., vegetation, topography, climate, and weather. In this work, we investigate a recent transformer-based model, termed the SwinUnet, for next-day wildfire prediction. We benchmark Swin-based models against several current state-of-the-art models on WildfireSpreadTS (WFTS), a large public benchmark dataset of historical wildfire events. We consider two next-day fire prediction scenarios: when the model is given input of (i) a single previous day of data, or (ii) five previous days of data. We find that, with the proper modifications, SwinUnet achieves state-of-the-art accuracy on next-day prediction for both the single-day and multi-day scenarios. SwinUnet’s success depends heavily upon utilizing pre-trained weights from ImageNet. Consistent with prior work, we also found that models with multi-day-input always outperformed models with single-day input.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google