[論文レビュー] Adjusting Rate of Spread Factors through Derivative-Free Optimization: A New Methodology to Improve the Performance of Forest Fire Simulators

Jaime Carrasco, Cristóbal Pais+2 more|arXiv (Cornell University)|Sep 11, 2019

Fire effects on ecosystems参考文献 29被引用数 4

ひとこと要約

本稿では、セル2ファイア森林火災シミュレータにおける火炎拡大速度（ROS）補正要因の自動キャリブレーションを目的とした、導出を伴わない最適化（DFO）フレームワークを提案する。この手法により、シミュレートされた火災痕と観測された火災痕の差を最小化することで、シミュレーションの正確性が向上する。ブラックボックス最適化を用いて、燃料別ROS乗数を効率的に最適化し、BOBYQAおよびNEWUOAが収束速度と実行時間の両面で優れた性能を示した。

ABSTRACT

In practical applications, it is common that wildfire simulators do not correctly predict the evolution of the fire scar. Usually, this is caused due to multiple factors including inaccuracy in the input data such as land cover classification, moisture, improperly represented local winds, cumulative errors in the fire growth simulation model, high level of discontinuity/heterogeneity within the landscape, among many others. Therefore in practice, it is necessary to adjust the propagation of the fire to obtain better results, either to support suppression activities or to improve the performance of the simulator considering new default parameters for future events, best representing the current fire spread growth phenomenon. In this article, we address this problem through a new methodology using Derivative-Free Optimization (DFO) algorithms for adjusting the Rate of Spread (ROS) factors in a fire simulation growth model called Cell2Fire. To achieve this, we solve an error minimization optimization problem that captures the difference between the simulated and observed fire, which involves the evaluation of the simulator output in each iteration as part of a DFO framework, allowing us to find the best possible factors for each fuel present on the landscape. Numerical results for different objective functions are shown and discussed, including a performance comparison of alternative DFO algorithms.

研究の動機と目的

• 入力データの誤差やモデルの限界に起因する、森林火災シミュレータにおける火災痕予測の不正確性という、長年の課題に対処すること。
• セル2ファイアシミュレータにおける火炎拡大速度（ROS）補正要因をチューニングするための自動的で、導出を伴わない最適化フレームワークを開発すること。
• 実世界の火災データを用いて、シミュレートされた火災境界線と観測された火災境界線の乖離を最小化することで、シミュレーションの忠実度を向上させること。
• 火災シミュレーションのパrameterキャリブレーションの文脈において、複数のDFOアルゴリズムの性能を評価・比較すること。
• 他の火災拡大モデルや多様な森林景観に適用可能な汎用的な手法を提供すること。

提案手法

• ROS補正要因（RAF）を意思決定変数として用い、シミュレートされた火災痕と観測された火災痕の誤差を最小化するブラックボックス最適化問題を定式化する。
• BOBYQA、NEWUOA、NELDER-MEAD、COBYLAといった導出を伴わない最適化（DFO）アルゴリズムを、シミュレーション最適化ループ内で使用し、燃料別ROS乗数をチューニングする。
• セル2ファイアシミュレータをブラックボックス評価者として用い、火災境界線のずれに基づいて目的関数を評価する反復的呼び出しを実施する。
• RAFフレームワークを用いて、各燃料タイプごとに先頭、後方、側面および拡大速度を調整し、局所的およびグローバルな火災拡大調整を可能にする。
• プロメテウスがシミュレートした火災痕を基準として用い、2つの実際の火災事例（DogribおよびDogrib-North）で手法を検証する。
• シミュレートされた火災境界線と観測された火災境界線の平均二乗偏差に基づく、マルチオブジェクティブ誤差指標を適用する。

実験結果

リサーチクエスチョン

• RQ1 導出を伴わない最適化は、火災シミュレータの正確性を向上させるために、火炎拡大速度補正要因を効果的にキャリブレーションできるか？
• RQ2 火災シミュレーションチューニングの文脈において、異なるDFOアルゴリズムは収束速度、実行時間、目的関数の品質の観点でどのように比較できるか？
• RQ3 抑制効果を反映するプロメテウスがシミュレートした火災痕を基準として用いる場合、パrameterキャリブレーションの根拠として信頼できるか？
• RQ4 RAFフレームワークは、多様な地形において、局所的およびグローバルな火災拡大ダイナミクスをどの程度正確に捉えることができるか？
• RQ5 提案された手法は、他の火災拡大シミュレータや森林タイプに一般化可能か？

主な発見

• BOBYQAおよびNEWUOAは収束速度と実行時間の両面で最良のバランスを達成し、それぞれ96回および104回の評価で7.78分および12.23分の実行時間が必要だった。
• NELDER-MEADは最小の目的関数値（80.54）を達成したが、332回の評価と45.33分の実行時間を要し、計算コストが高かった。
• 実際のDogrib火災事例における誤差は、Dogrib-North事例よりも高かった。これは、観測された火災痕に抑制効果が影響しており、パrameterチューニングにバイアスをもたらしていた。
• RAFフレームワークは、局所的不連続性とグローバルな景観構造の両方を効果的に捉え、多様な燃料タイプにわたるシミュレーション忠実度の向上に成功した。
• この手法は一般化可能であり、今後の研究で勾配効果、成熟度、耐性時間といった追加パrameterの統合が可能である。
• 本研究では、実際の火災痕が抑制行動の影響を受ける場合、モデルがそのような効果を明示的に考慮すれば、シミュレートされた火災痕を基準データとして使用することが実用的であることが示された。