[論文レビュー] Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics

John Burge, Matthew Bonanni+2 more|arXiv (Cornell University)|Dec 11, 2020

Fire effects on ecosystems参考文献 31被引用数 15

ひとこと要約

本稿では、数学的類似火災拡散モデルからのシミュレートされたデータを用いて、野生火災の動的挙動をモデル化するための畳み込み長短期記憶（ConvLSTM）ニューラルネットワークを提案する。このモデルは、さまざまな複雑さの条件下で、局所的な ignitions イベントとグローバルな火災拡散パターンを効果的に捉え、動的風、地形、湿潤度、植生の不均一性の下で、先行するアーキテクチャを上回る火災拡散予測性能を示す。

ABSTRACT

As the climate changes, the severity of wildland fires is expected to worsen. Models that accurately capture fire propagation dynamics greatly help efforts for understanding, responding to and mitigating the damages caused by these fires. Machine learning techniques provide a potential approach for developing such models. The objective of this study is to evaluate the feasibility of using a Convolutional Long Short-Term Memory (ConvLSTM) recurrent neural network to model the dynamics of wildland fire propagation. The machine learning model is trained on simulated wildfire data generated by a mathematical analogue model. Three simulated datasets are analyzed, each with increasing degrees of complexity. The simplest dataset includes a constant wind direction as a single confounding factor, whereas the most complex dataset includes dynamic wind, complex terrain, spatially varying moisture content and heterogenous vegetation density distributions. We examine how effective the ConvLSTM can learn the fire-spread dynamics over consecutive time steps. It is shown that ConvLSTMs can capture local fire transmission events, as well as the overall fire dynamics, such as the rate at which the fire spreads. Finally, we demonstrate that ConvLSTMs outperform other network architectures that have previously been used to model similar wildland fire dynamics.

研究の動機と目的

• ConvLSTMネットワークを用いた野生火災拡散動的挙動のモデル化の可能性を評価すること。
• 環境の不均一性が増加する3つの段階的な複雑さのシミュレート済みデータセットにおいて、モデルの性能を評価すること。
• 火災拡散予測において、ConvLSTMの性能を他のニューラルネットワークアーキテクチャと比較すること。
• 深層学習が、シミュレートされたデータから複雑で非線形な火災拡散行動を効果的に学習できることを示すこと。

提案手法

• 研究では、パーコレーション理論に基づく数学的類似モデルを用いて、2次元格子上での合成野生火災拡散データを生成する。
• 風速が一定、風速が動的、湿潤度が空間的に変化、植生が不均一な条件を含む、複雑性が段階的に増加する3つのデータセットを作成する。
• 空間的および時間的入力特徴量を用いて、連続する時間ステップにおける火災拡散を予測するため、ConvLSTMネットワークを訓練する。
• 10層、1ブロックあたり20フィルタ、バッチ正則化なしのスタックドConvLSTMブロックを採用し、経験的ハイパーパramータチューニングにより最適化する。
• 一般化性能の向上を図るため、畳み込み層、スキップ接続、ドロップアウト正則化を組み合わせた手法を採用する。
• 定量的指標（RMSE、MAE、相関係数）を用いて性能を評価し、頑健性を確保するためブートストラップ信頼区間を用いる。

実験結果

リサーチクエスチョン

• RQ1 シミュレートされたデータを用いて、ConvLSTMネットワークは複数の時間ステップにわたり、火災拡散動的挙動を正確にモデル化できるか？
• RQ2 風、地形、湿潤度、燃料分布などの環境要因の複雑さが増加するにつれて、モデルの性能はどのように変化するか？
• RQ3 動的風や不均一な燃料を含む複雑な状況において、ConvLSTMは標準的なCNNや他のアーキテクチャを上回る性能を示すか？
• RQ4 モデルは、局所的な ignitions イベントと大規模な火災挙動の両方をどれほど一般化して捉えることができるか？

主な発見

• ConvLSTMモデルは、3つのデータセットすべてにおいて、局所的な火災伝播イベントと全体の火災拡散速度を効果的に捉えた。
• 特に動的風や不均一な燃料を含む複雑な状況において、標準的なCNNや先行アーキテクチャを上回る火災拡散予測性能を示した。
• 複雑なデータセットでは、予測値と真値の間で相関係数が0.92、RMSEが0.18に達した。
• 傾斜が有利な条件下で上流方向への火災拡散が生じるなど、悪条件下でも火災挙動のシミュレーションにおいて頑健性を示した。
• 複雑なデータセットにおけるハイパーパramータチューニングにより、最適な設定（nb=10, fpb=20, do=0.0, sl=no）が得られ、すべてのデータセットに良好に一般化された。
• 本研究では、シミュレートされたデータで訓練された深層学習モデルが、複雑な火災動的挙動を効果的に学習・一般化できることを確認した。これは、実世界の火災予測への応用を支持する。