研究对比四种深度学习架构预测野火蔓延
论文AI 评分 60/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究对比了基于分片的 U-Net、迁移学习 ResNet-50、物理信息网络和 Swin-Unet 四种架构，旨在以低成本替代物理模拟器。模型在西班牙 Rectoret 地区 10584 次 2 米分辨率模拟上训练。地表燃料负荷是唯一与燃烧概率有较强关联的变量，纳入后使预测误差降低 21%。卷积模型主要依赖距火线距离，而 Swin-Unet 更关注燃料和地形。在未重新训练的情况下迁移至 Pedriza 地区，三个卷积模型仍能预测蔓延，仅损失少量精度。
为什么值得看
验证了深度学习替代高成本物理模拟器预测野火的可行性与迁移能力。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。