[論文レビュー] Explainable Global Wildfire Prediction Models using Graph Neural Networks

Dayou Chen, Sibo Cheng+3 more|arXiv (Cornell University)|Feb 11, 2024

Fire effects on ecosystems被引用数 6

ひとこと要約

本論文は、Global Climate and wildfireデータを地表のみのグラフとして表現するGCN-LSTMベースのモデルを提案し、月次焼失面積を予測。JULES-INFERNOシミュレーションに対してCNN/LSTMベースラインより精度と説明性が優れている。

ABSTRACT

Wildfire prediction has become increasingly crucial due to the escalating impacts of climate change. Traditional CNN-based wildfire prediction models struggle with handling missing oceanic data and addressing the long-range dependencies across distant regions in meteorological data. In this paper, we introduce an innovative Graph Neural Network (GNN)-based model for global wildfire prediction. We propose a hybrid model that combines the spatial prowess of Graph Convolutional Networks (GCNs) with the temporal depth of Long Short-Term Memory (LSTM) networks. Our approach uniquely transforms global climate and wildfire data into a graph representation, addressing challenges such as null oceanic data locations and long-range dependencies inherent in traditional models. Benchmarking against established architectures using an unseen ensemble of JULES-INFERNO simulations, our model demonstrates superior predictive accuracy. Furthermore, we emphasise the model's explainability, unveiling potential wildfire correlation clusters through community detection and elucidating feature importance via Integrated Gradient analysis. Our findings not only advance the methodological domain of wildfire prediction but also underscore the importance of model transparency, offering valuable insights for stakeholders in wildfire management.

研究の動機と目的

• 山火事予測を、データの欠落する海洋データや長距離依存性といった課題を抱える気候変動ドライブの重要な問題として動機づける。
• 海洋データのギャップと全球の気候-山火事ダイナミクスにおける長距離相互作用を解決するため、グラフベースのデータ表現を導入する。
• 空間的グラフ構造と時系列を活用したハイブリッドなGCN-LSTMモデルを開発し、予測精度を向上させる。
• コミュニティ検出と特徴量/ノードアトリビューション解析を通じて説明可能性を示す。

提案手法

• JULES-INFERNOからの全球気候および山火事データを地表のみのグラフに変換し、7771ノードが陸域ピクセルを表す。
• 相関に基づく重みでエッジを構築し、相関の10パーセンタイルで閾値設定して長距離依存性を捉える。
• グラフ畳み込み層 (GCL) を適用してノード間の空間的関係を抽出する。
• GCN出力をLSTMに入力して時系列ダイナミクスをモデル化し、マルチステップ予測を生成する。
• 未知データに対してLSTM、Conv-LSTM、CAE-LSTMなどのベースラインモデルと比較して訓練・評価を行い、MSE、RRMSE、SSIM、PSNRを用いる。
• 評価には地表マスク済みデータを画像形式に膨張したものを用い、コミュニティ検出とアトリビューション分析によって説明可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの地表データ表現は、CNN-およびCAEベースのアプローチと比べて山火事の焼失面積予測を改善できるか。
• RQ2 GCN-LSTMを組み合わせることで、山火事ダイナミクスの空間的・時系列的依存性をより適切に捕捉できるか。
• RQ3 提案モデルは、MSE、RRMSE、SSIM、PSNRの標準的予測指標においてベースラインと比べてどのように性能を発揮するか。
• RQ4 グラフ構造から得られる説明可能性の洞察（コミュニティ検出や特徴量/ノードアトリビューションを含む）は何か。

主な発見

Model	MSE	RRMSE	SSIM	PSNR
LSTM	0.001505	0.506152	0.926949	26.784032
Conv-LSTM	0.000723	0.349927	0.950138	31.541234
CAE-LSTM	0.000988	0.409150	0.949862	29.348347
GCN-LSTM	0.000498	0.288990	0.966979	33.366938

• GCN-LSTMは1961–1990のテストシナリオ全ての指標で最良の予測性能を達成。
• MSE: LSTM 0.001505; Conv-LSTM 0.000723; CAE-LSTM 0.000988; GCN-LSTM 0.000498.
• RRMSE: LSTM 0.506152; Conv-LSTM 0.349927; CAE-LSTM 0.409150; GCN-LSTM 0.288990.
• SSIM: LSTM 0.926949; Conv-LSTM 0.950138; CAE-LSTM 0.949862; GCN-LSTM 0.966979.
• PSNR: LSTM 26.784032; Conv-LSTM 31.541234; CAE-LSTM 29.348347; GCN-LSTM 33.366938.
• GCN-LSTMは30年間の時系列予測を通じて一貫してベースラインを上回り、よりシャープで局所的な予測を提供。
• グラフベースの定式化は欠落する海洋データを自然に扱い、グラフエッジとコミュニティ構造を介して解釈可能な空間的関係を示す。