基于多模态地球观测数据的高分辨率实时生物质燃料湿度图
机器学习
2025-07-31 v2
摘要
野火的强度和严重程度正以惊人的速度不断增加。近期的人工智能技术进步和公开的卫星数据，使我们能够在全球范围内以高分辨率和低延迟监控野火风险的关键因素。实时生物质燃料湿度（LFMC）是野火风险的关键因素，对野火研究和操作响应都非常有价值。然而，基于地面的LFMC样本既需要大量人力，也成本较高，导致样本稀疏且更新不频繁。本文探索了使用预训练的高度多模态地球观测模型生成大规模空间完整（全覆盖）LFMC图的方法。我们的方法相对于使用随机初始化模型的先前方法实现了显著的改进（RMSE降低20%）。我们提供了一个自动化管道，使能够快速生成全美国范围内的LFMC图，并在两个最近遭受野火影响的地区（Eaton和Palisades）中展示了其有效性。
引用
@article{arxiv.2506.20132,
title = {High-Resolution Live Fuel Moisture Content (LFMC) Maps for Wildfire Risk from Multimodal Earth Observation Data},
author = {Patrick Alan Johnson and Gabriel Tseng and Yawen Zhang and Heather Heward and Virginia Sjahli and Favyen Bastani and Joseph Redmon and Patrick Beukema},
journal= {arXiv preprint arXiv:2506.20132},
year = {2025}
}
备注
10 pages, ICML 2025 (TerraBytes)