[논문 리뷰] A Bayesian Spatio-Temporal Level Set Dynamic Model and Application to Fire Front Propagation

Myungsoo Yoo, Christopher K. Wikle|arXiv (Cornell University)|2022. 10. 26.

Fire effects on ecosystems인용 수 5

한 줄 요약

이 논문은 기계적 역학적 동역학과 확률적 속도 모델링을 통합하여 불확실성 하에서 wildfulre 전선 확산을 예측하는 베이지안 시공간 수준 집합 동적 모델을 제안한다. 서명된 거리 함수 표현과 계층적 사전분포, 데이터 융합을 결합함으로써, 검증된 2017년 토머스 및 헤이프레스 산불에 대해 신뢰할 수 있고 불확실성 정량화가 가능한 화재 경계 예측을 가능하게 하였다. 예측 정확도와 신뢰구간이 향상되었다.

ABSTRACT

Intense wildfires impact nature, humans, and society, causing catastrophic damage to property and the ecosystem, as well as the loss of life. Forecasting wildfire front propagation is essential in order to support fire fighting efforts and plan evacuations. The level set method has been widely used to analyze the change in surfaces, shapes, and boundaries. In particular, a signed distance function used in level set methods can readily be interpreted to represent complicated boundaries and their changes in time. While there is substantial literature on the level set method in wildfire applications, these implementations have relied on a heavily-parameterized formula for the rate of spread. These implementations have not typically considered uncertainty quantification or incorporated data-driven learning. Here, we present a Bayesian spatio-temporal dynamic model based on level sets, which can be utilized for forecasting the boundary of interest in the presence of uncertain data and lack of knowledge about the boundary velocity. The methodology relies on both a mechanistically-motivated dynamic model for level sets and a stochastic spatio-temporal dynamic model for the front velocity. We show the effectiveness of our method via simulation and with forecasting the fire front boundary evolution of two classic California megafires - the 2017-2018 Thomas fire and the 2017 Haypress.

연구 동기 및 목표

• 복잡한 실제 조건에서 정확한 불확실성 정량화를 고려한 화재 전선 진화 예측을 위한 동적 모델을 개발하는 것.
• 고도로 파rameter화된 반경험적 확산 속도 공식에 의존하고 불확실성 전파 기능이 없는 전통적 수준 집합 모델의 한계를 극복하는 것.
• 기계적 수준 집합 동역학과 확률적 시공간 속도 모델을 통합하여 데이터 기반 학습과 강건한 추론을 가능하게 하는 것.
• 야생-도시 경계 지역에서 화재 관리 및 대피 계획을 위한 실질적인 확률적 예측을 제공하는 것.

제안 방법

• 모델은 화재 전선 경계를 암묵적으로 표현하기 위해 서명된 거리 함수를 사용하며, 속도장이 은닉된 시공간 과정으로 모델링된 편미분방정식(PDE)을 통해 진화시킨다.
• 계층적 베이지안 프레임워크를 적용하여 전선 속도를 내재된 가우시안 사전분포를 가진 가우시안 마르코프 무작위장(field)로 모델링함으로써 공간적·시간적 스무딩을 가능하게 한다.
• 속도 역학은 전이행렬 Mξ와 공분산 구조 Σ를 가진 확률적 시공간 상태공간 모델로 제어되며, 비정상적이고 이질적인 확산 패턴을 허용한다.
• 공액 사전분포와 게이블스 샘플링을 사용하여 모델 파라미터(ξ, γ, Σ⁻¹, Mξ)의 완전조건부 분포를 유도하고, MCMC를 통한 후행 추론을 가능하게 한다.
• 관측된 화재 경계점과 수준 집합 함수를 연결하는 가능도를 통해 데이터 융합을 구현하며, 측정 오차는 정밀도 σ²ₚ로 모델링한다.
• 고차원 상태 벡터의 완전조건부 분포를 효율적으로 계산하기 위해 벡터화 연산과 크로네커乘법(예: D 및 b 행렬에서)을 사용한다.

Figure 1: The boundary of the Thomas fire through time. The Thomas fire shows a rapid rate of spread to the north-west at an early stage, then the rate of evolution becomes slower.

실험 결과

연구 질문

• RQ1 기존의 고정된 확산 파rameter를 가진 결정론적 모델에 비해, 베이지안 시공간 수준 집합 모델이 화재 전선 예측 정확도를 향상시킬 수 있는가?
• RQ2 관측 데이터가 희박하거나 노이즈가 많을 경우, 모델이 화재 전선 진화의 불확실성을 얼마나 잘 정량화할 수 있는가?
• RQ3 메가산불 동안 복잡한 비균질 지형과 급격히 변화하는 대기 조건에 대해 모델이 얼마나 잘 적응하는가?
• RQ4 예측된 화재 진행 데이터로부터 사전에 정의된 경험적 공식에 의존하지 않고도 확률적 속도 성분이 효과적으로 학습할 수 있는가?
• RQ5 속도 역학에 대한 계층적 사전분포가 다양한 화재 사건 간의 강건성과 일반화 능력을 어떻게 향상시키는가?

주요 결과

• 모델은 2017년 토머스 및 헤이프레스 산불의 복잡하고 비균일한 확산 패턴을 성공적으로 포착하였으며, V자형 화재 전선과 건조하고 기름진 경사면에서의 급격한 확장도 포함되었다.
• 후행 예측 분포는 잘 校정된 신뢰구간을 제공하여, 관측 데이터가 제한된 상황에서도 효과적인 불확실성 정량화를 입증하였다.
• 데이터 기반의 확률적 속도 모델을 포함시킴으로써 고정 파rameter 모델보다 예측 정확도가 뚜렷이 향상되었으며, 경계 거리 측정 기준으로 검증되었다.
• 속도 역학에 대한 계층적 사전분포 구조는 희박한 관측 자료로부터의 강건한 학습을 가능하게 하고 과적합을 감소시켰다.
• 게이블스 샘플링은 효율적으로 수렴하였으며, 완전조건부 분포는 해석적으로 다룰 수 있었고, 고차원 화재 경계 상태에 대한 확장 가능한 추론이 가능했다.
• 모델은 데이터에서 공간적으로 변화하는 속도 패턴을 학습함으로써 비균일한 연료 유형과 변동성이 큰 바람 조건에 대해 강력한 적응성을 보였다.

Figure 2: The boundary of the Haypress fire through time. The Haypress fire shows more complicated topological change over time than the Thomas fire.