计算机科学 > 机器学习
[提交于 2024年8月30日
]
标题: 用于全球尺度野火预测的 JULES-INFERNO 深度学习代理模型
标题: Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale
摘要: 全球野火模型在预测和应对不断变化的野火动态方面发挥着至关重要的作用。 JULES-INFERNO 是一个全球性的植被与火灾模型,用于模拟全球范围内的野火排放量和烧毁面积。 然而,由于数据维度高和系统复杂性,JULES-INFERNO 的计算成本使其难以应用于具有未知初始条件的火灾风险预测。 通常,在高性能计算(HPC)集群上运行 JULES-INFERNO 进行 30 年的预测需要花费数小时。 为了解决这一瓶颈问题,本研究基于深度学习技术构建了两个数据驱动的模型,以替代 JULES-INFERNO 模型并加速全球野火预测。 更具体地说,这些机器学习模型以全球温度、植被密度、土壤湿度和之前的预测作为输入,迭代地预测后续的全球烧毁面积。 平均像素误差(AEP)和结构相似性指数(SSIM)被用作评估所提出替代模型性能的指标。 此外,本研究还提出了一个微调策略,以提高算法在未知场景中的性能。 数值结果表明,所提出的模型在计算效率(在笔记本电脑 CPU 上 30 年的预测时间少于 20 秒)和预测准确性(与 JULES-INFERNO 输出相比,AEP 低于 0.3%,SSIM 超过 98%)方面表现出色。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.