[論文レビュー] Deep Learning for Global Wildfire Forecasting

Ioannis Prapas, Akanksha Ahuja+8 more|arXiv (Cornell University)|Nov 1, 2022

Fire effects on ecosystems被引用数 6

ひとこと要約

本稿では、2001–2021年の0.25°×0.25°×8日間解像度で、気候、植生、海洋、人為的要因を統合したオープンアクセスのグローバルデータカーブであるSeasFire Cubeを紹介する。また、UNET++ディープラーニングモデルが、AUPRC >0.55を達成し、64日先までのグローバルな焼失領域パターンを予測可能であることを示している。これは、季節的サイクルベースラインを上回る性能を示している。

ABSTRACT

Climate change is expected to aggravate wildfire activity through the exacerbation of fire weather. Improving our capabilities to anticipate wildfires on a global scale is of uttermost importance for mitigating their negative effects. In this work, we create a global fire dataset and demonstrate a prototype for predicting the presence of global burned areas on a sub-seasonal scale with the use of segmentation deep learning models. Particularly, we present an open-access global analysis-ready datacube, which contains a variety of variables related to the seasonal and sub-seasonal fire drivers (climate, vegetation, oceanic indices, human-related variables), as well as the historical burned areas and wildfire emissions for 2001-2021. We train a deep learning model, which treats global wildfire forecasting as an image segmentation task and skillfully predicts the presence of burned areas 8, 16, 32 and 64 days ahead of time. Our work motivates the use of deep learning for global burned area forecasting and paves the way towards improved anticipation of global wildfire patterns.

研究の動機と目的

• サブシーズンスケールの予測を目的とした、火災の駆動要因と焼失領域観測を統合した包括的でオープンアクセス可能なグローバルデータセットの不足を解消すること。
• 気候変動と火災リスクの増加という文脈において、グローバルな野火の予測を向上させること。
• 画像セグメンテーションタスクとしてのディープラーニングを用いたグローバル焼失領域予測の可能性を実証すること。
• 研究を加速するために再利用可能で分析準備済みのデータカーブを提供すること。

提案手法

• 著者らは、2001–2021年をカバーする0.25°×0.25°×8日間の空間的・時間的解像度を持つ、クラウドフレンドリーで分析準備済みのZarrフォーマットのデータカーブ「SeasFire Cube」を構築した。
• 変数には気象データ、植生インデックス、海洋インデックス（例：ENSO）、土地被覆、人口密度、および3つの独立したデータセットからの歴史的焼失領域が含まれる。
• 本研究では、グローバルな野火予測を画像セグメンテーションタスクとして定式化し、各8日間の入力を火災駆動要因の空間マップとみなしている。
• UNET++アーキテクチャを用いて、8日、16日、32日、64日先の焼失領域の存在を予測するように訓練した。
• モデルの評価にはAUPRC、F1スコア、AUROC、および予測マップとターゲットマップの可視化比較を用いた。
• データカーブは、焼失領域のサイズや排出量、地域的火災ダイナミクスの予測といった、後続のタスクをサポートする。

実験結果

リサーチクエスチョン

• RQ1 包括的な火災駆動要因変数を用いて、ディープラーニングモデルは64日先までのグローバル焼失領域パターンを予測可能か？
• RQ2 異なるグローバル地域において、予測のリードタイムが延びるに従い、モデルの性能はどのように変化するか？
• RQ3 モデルは季節的パターンを越えて学習しているのか。また、大規模な火災制度のシフトをどのように捉えているか？
• RQ4 セグメンテーションベースのディープラーニングアプローチは、グローバルスケールでサブシーズンスケールの野火ダイナミクスを効果的にモデル化できるか？
• RQ5 特にCO₂排出量の高い地域（例：アフリカ）の地域的火災パターンは、モデルの注視（アテンション）と予測性能にどのように影響を与えるか？

主な発見

• UNET++モデルは8日リードタイムでAUPRC 0.5891を達成し、季節的サイクルベースライン（AUPRC 0.4519）を上回っている。これは、単なる季節性を超えて学習していることを示している。
• 64日リードタイムでもAUPRCが0.5598（0.55以上）を維持しており、長期間にわたり予測性能が安定していることが示された。
• F1スコアはリードタイムが長くなるにつれて低下し、8日で0.5271、64日で0.4947にまで低下した。これは不確実性の増加を反映している。
• AUROC値は0.975～0.978と高く維持されているが、クラス不均衡の影響で若干 inflated されている。焼失領域と未焼却領域の識別能力が優れていることを示している。
• 可視化により、モデルが大規模な火災パターン（例：南アフリカ・サバンナと北アフリカ・サバンナのシフト、東ヨーロッパおよび東南アジアの活動増加）を捉えていることが確認された。
• モデルは海洋、極地方、サハラ砂漠といった低リスク地域を正しく特定しており、空間的一般化能力が学習されていることが示された。