[論文レビュー] Regression modelling of spatiotemporal extreme U.S. wildfires via partially-interpretable neural networks

J. Ian Richards, Raphaël Huser|arXiv (Cornell University)|Aug 16, 2022

Fire effects on ecosystems被引用数 7

ひとこと要約

本論文は、空間時系列の野火データにおける極値回帰のための部分的に解釈可能なニューラルネットワーク（PINN）フレームワークを提案する。深層学習の予測力と解釈可能な線形およびスプラインベースの成分を統合することで、極値米国野火焼失面積のモデリングにおいて、従来の線形およびスプラインベースの手法よりも優れた予測性能を達成した。また、極値モデリングにおける有限下限問題を克服するため、新規のbGEV-PP点過程モデルを導入した。

ABSTRACT

Risk management in many environmental settings requires an understanding of the mechanisms that drive extreme events. Useful metrics for quantifying such risk are extreme quantiles of response variables conditioned on predictor variables that describe, e.g., climate, biosphere and environmental states. Typically these quantiles lie outside the range of observable data and so, for estimation, require specification of parametric extreme value models within a regression framework. Classical approaches in this context utilise linear or additive relationships between predictor and response variables and suffer in either their predictive capabilities or computational efficiency; moreover, their simplicity is unlikely to capture the truly complex structures that lead to the creation of extreme wildfires. In this paper, we propose a new methodological framework for performing extreme quantile regression using artificial neutral networks, which are able to capture complex non-linear relationships and scale well to high-dimensional data. The "black box" nature of neural networks means that they lack the desirable trait of interpretability often favoured by practitioners; thus, we unify linear, and additive, regression methodology with deep learning to create partially-interpretable neural networks that can be used for statistical inference but retain high prediction accuracy. To complement this methodology, we further propose a novel point process model for extreme values which overcomes the finite lower-endpoint problem associated with the generalised extreme value class of distributions. Efficacy of our unified framework is illustrated on U.S. wildfire data with a high-dimensional predictor set and we illustrate vast improvements in predictive performance over linear and spline-based regression techniques.

研究の動機と目的

• 連続する米国における複雑な空間時系列予測子下での野火焼失面積の極値分位数を正確に推定する統計的フレームワークの開発。
• 極値野火を駆動する非線形的かつ高次元の関係を捉えることができない古典的線形および加法的モデルの限界の解消。
• パラメトリック極値理論の強固な尾部モデリングと深層ニューラルネットワークの予測効率性を統合すること。
• 極値点過程モデルにおける有限下限問題がニューラルネットワークの学習を妨げるのを克服すること。
• 部分的解釈可能性を維持しつつ、野火リスクの駆動要因に関する統計的推論を可能にし、高い予測精度を維持すること。

提案手法

• フレームワークは、空間時系列予測子を関数とする野火焼失面積の極値分位数をモデリングするため、線形、加法的、および深層学習の要素を統合した部分的に解釈可能なニューラルネットワーク（PINN）を採用する。
• 標準的なGEVベースの強度関数で一般的に見られる有限下限問題を回避するため、新規のbGEV-PP（一般化極値超え点過程）モデルを提案する。
• 野火発生と拡散のための別個のニューラルネットワークを訓練することで、リスクの統合的評価を可能にする複合モデリングアプローチを採用する。
• グリッド化された予測子データの空間パターンを捉えるために畳み込みニューラルネットワーク（CNN）を用い、境界効果は領域外の予測子値を全球平均に設定することで軽減する。
• 極値理論とニューラルネットワークを統合するために、ブロック最大値または閾値超過をbGEV-PPモデルでモデリングし、極値漸近論的理論に基づく理論的根拠を確保する。
• 再現可能性とコミュニティへのアクセスを目的として、RパッケージpinnEVを開発した。

実験結果

リサーチクエスチョン

• RQ1 極値空間時系列イベントモデリングにおいて、高い予測精度を維持しつつ、統計的推論に十分な解釈可能性を備えた深層ニューラルネットワークはどのように実現できるか？
• RQ2 新規の点過程モデルは、ニューラルネットワークの学習において、極値強度関数の有限下限問題を克服できるか？
• RQ3 畳み込みニューラルネットワークは、線形またはスプラインベースのモデルと比較して、米国極値野火の空間パターンのモデリングにおいて予測性能をどの程度向上させるか？
• RQ4 極値野火イベントを駆動する主な環境的および気象的予測子は何か。また、それらの影響は空間的および時間的にどのように変化するか？
• RQ5 極値理論、ニューラルネットワーク、および解釈可能な要素を統合した統一フレームワークは、古典的回帰および深層学習手法を上回る極値分位数推定性能を達成できるか？

主な発見

• 提案されたPINNフレームワークは、米国野火焼失面積の極値分位数推定において、古典的線形およびスプラインベースの回帰モデルよりも顕著に高い予測性能を示した。
• 畳み込みニューラルネットワークは、予測子の空間パターンを捉える能力に優れ、野火拡散のモデリングにおける予測精度を向上させた。
• bGEV-PP点過程モデルは、強度関数における有限下限問題を効果的に回避し、極値モデリングにおけるニューラルネットワークの学習をより安定的かつ信頼性の高いものにした。
• フレームワークは予測子効果の統計的推論を可能にし、温度、干ばつ、風速といった極値野火リスクの主な駆動要因を明らかにした。線形およびスプライン成分からの解釈可能な寄与度が得られた。
• 再現可能性を確保し、環境リスクモデリング分野における手法の広範な採用を支援するため、RパッケージpinnEVをリリースした。