[論文レビュー] Deep graphical regression for jointly moderate and extreme Australian wildfires

Daniela Cisneros, J. Ian Richards+3 more|arXiv (Cornell University)|Aug 28, 2023

Fire effects on ecosystems被引用数 10

ひとこと要約

本論文は、グラフ畳み込みニューラルネットワークと拡張一般化 Pareto 分布を不規則な空間ドメイン上で適用し、オーストラリアの山火事の発生と半径方向の拡散を同時にモデル化する2段階の深層グラフィカル回帰モデルを提案している。

ABSTRACT

Recent wildfires in Australia have led to considerable economic loss and property destruction, and there is increasing concern that climate change may exacerbate their intensity, duration, and frequency. Hazard quantification for extreme wildfires is an important component of wildfire management, as it facilitates efficient resource distribution, adverse effect mitigation, and recovery efforts. However, although extreme wildfires are typically the most impactful, both small and moderate fires can still be devastating to local communities and ecosystems. Therefore, it is imperative to develop robust statistical methods to reliably model the full distribution of wildfire spread. We do so for a novel dataset of Australian wildfires from 1999 to 2019, and analyse monthly spread over areas approximately corresponding to Statistical Areas Level~1 and~2 (SA1/SA2) regions. Given the complex nature of wildfire ignition and spread, we exploit recent advances in statistical deep learning and extreme value theory to construct a parametric regression model using graph convolutional neural networks and the extended generalized Pareto distribution, which allows us to model wildfire spread observed on an irregular spatial domain. We highlight the efficacy of our newly proposed model and perform a wildfire hazard assessment for Australia and population-dense communities, namely Tasmania, Sydney, Melbourne, and Perth.

研究の動機と目的

• 中程度から極端な拡散までの全分布をモデル化することで、山火事に対する頑健なハザード定量化を動機づける。
• オーストラリア向けの集約焼失面積（SA1/SA2）の新規不規則空間データセットを構築する。
• GCNNベースの発生予測とeGPDベースの拡散モデルを組み合わせたハイブリッドモデルを開発する。
• 大陸規模のハザードマップを提供し、人口密集地域のハザードを評価する。
• 時空間を超えて山火事の頻度と深刻度を推進する主要な予測因子を特定する。

提案手法

• Y(s,t) を月間焼失面積の平方根として、2部分分布 p0(s,t)（発生確率）と発生条件付き拡散 F+(y) を用いてモデル化する。
• p0(s,t) のロジットを推定するために、グラフ畳込みニューラルネットワークを用いた深層ロジスティック回帰を用いる。
• F+ を拡張一般化パレート分布 eGPD(κ, σ, ξ) でモデル化し、σ(s,t) を予測因子の関数として、かつ σ(s,t) が sqrt(area(s)) に比例するようにする。
• 空間データを、頂点を不規則な領域とするグラフとして表現し、Deltaで打ち切りを設けた great-circle 距離に基づくウェイティッド隣接行列 A を用いる。
• 領域固有情報と近傍情報を結合し、空間的依存性を捉えるために、スキップ接続を備えた GCNN 層を用いる。
• 負の対数尤度に対する Adam 最適化でモデルを適合させ、不確実性のための時系列ブートストラップと、堅牢な交差検証済みの訓練/検証分割を行う。

Figure 1 : Maps of the monthly radial wildfire spread [ $\sqrt{\mbox{BA}}$ ; km] (top-left), polygon area [km 2 ] (top-right), monthly average air temperature [K] (bottom-left), and NDVI [unitless] (bottom-right) for January 2002. Grey regions in the top-left panel are Statistical Areas Level 1 with

実験結果

リサーチクエスチョン

• RQ1 不規則な空間ドメインにおいて、山火事の発生と拡散の結合モデルが moderate から extreme の焼失面積全分布を捉えることができるか？
• RQ2 予測因子の空間構造を活用したとき、GCNNベースの予測子は密なネットワークと比べてどの程度性能を発揮するか？
• RQ3 オーストラリアの山火事の頻度と深刻度を空間と時間の両方で駆動する主要な共変量は何か？
• RQ4 拡張一般化パレートに基づくフレームワークをディープラーニングと統合して、非極端および極端な山火事の拡散をモデル化するにはどうすればよいか？
• RQ5 提案されたフレームワークを用いた人口密集のオーストラリア地域における空間的傾向とハザード特性は何か？

主な発見

• このフレームワークは、焼失面積がゼロか正の値かの結合モデリングと、正の値の空間・時間分布を可能にする。
• eGPDベースの成分は、ボリューム部と尾部の挙動の両方をカバーする山火事の拡散の柔軟なモデルを提供し、漸近的に正当化された上尾を有する。
• GCNNは、予測因子の空間構造を活用することで標準の密なネットワークより適合を改善する。
• オーストラリアおよび主要な人口中心地（例: シドニー、メルボルン、パース、タスマニア）のハザードマップは、山火事の発生頻度と深刻度の空間的・時間的傾向を明らかにする。
• この手法は、領域全体で発生と拡散の両方を駆動する重要な予測因子を特定する。

Figure 2 : Top panels: region-wise $5\%$ (left) and $95\%$ (right) quantiles of the monthly radial wildfire spread [ $\sqrt{\mbox{BA}}$ ; km] pooled across the observation period. Grey regions are Statistical Areas Level 1 within the Northern Territory where the response, BA, is not available. Botto