[논문 리뷰] Adjusting Rate of Spread Factors through Derivative-Free Optimization: A New Methodology to Improve the Performance of Forest Fire Simulators

Jaime Carrasco, Cristóbal Pais외 2명|arXiv (Cornell University)|2019. 09. 11.

Fire effects on ecosystems참고 문헌 29인용 수 4

한 줄 요약

이 논문은 셀2파이어 산불 시뮬레이터에서 산불 확산 속도(RoS) 조정 인자를 자동 校정하기 위해 도함수 기반 최적화(DFO) 프레임워크를 제안한다. 이는 시뮬레이션된 산불 흔적과 관측된 산불 흔적 간의 차이를 최소화하여 시뮬레이션 정확도를 향상시킨다. 이 방법은 블랙박스 최적화를 활용해 연료 유형별로 최적의 RoS 배수를 효율적으로 식별하며, BOBYQA와 NEWUOA가 수렴 속도와 런타임 측면에서 뛰어난 성능을 보였다.

ABSTRACT

In practical applications, it is common that wildfire simulators do not correctly predict the evolution of the fire scar. Usually, this is caused due to multiple factors including inaccuracy in the input data such as land cover classification, moisture, improperly represented local winds, cumulative errors in the fire growth simulation model, high level of discontinuity/heterogeneity within the landscape, among many others. Therefore in practice, it is necessary to adjust the propagation of the fire to obtain better results, either to support suppression activities or to improve the performance of the simulator considering new default parameters for future events, best representing the current fire spread growth phenomenon. In this article, we address this problem through a new methodology using Derivative-Free Optimization (DFO) algorithms for adjusting the Rate of Spread (ROS) factors in a fire simulation growth model called Cell2Fire. To achieve this, we solve an error minimization optimization problem that captures the difference between the simulated and observed fire, which involves the evaluation of the simulator output in each iteration as part of a DFO framework, allowing us to find the best possible factors for each fuel present on the landscape. Numerical results for different objective functions are shown and discussed, including a performance comparison of alternative DFO algorithms.

연구 동기 및 목표

• 입력 데이터 오류와 모델 한계로 인해 지속적으로 정확도가 떨어지는 산불 흔적 예측 문제를 해결하기 위해.
• 셀2파이어 시뮬레이터에서 산불 확산 속도(RoS) 조정 인자를 튜닝하기 위한 자동화된 도함수 기반 최적화 프레임워크를 개발하기 위해.
• 실제 산불 데이터를 활용해 시뮬레이션된 산불 외곽선과 관측된 산불 외곽선 간의 격리 차이를 최소화하여 시뮬레이션의 정밀도를 향상시키기 위해.
• 산불 시뮬레이션 파rameter 校정의 맥락에서 여러 DFO 알고리즘의 성능을 평가하고 비교하기 위해.
• 다른 산불 성장 모델과 이질적인 산림 경관에 적용 가능한 일반화 가능한 방법론을 제공하기 위해.

제안 방법

• 산불 흔적 간 오차를 최소화하기 위해 블랙박스 최적화 문제를 수립하며, 결정 변수로 RoS 조정 인자(RAF)를 사용한다.
• 시뮬레이션-최적화 루프 내에서 도함수 기반 최적화(DFO) 알고리즘—BOBYQA, NEWUOA, NELDER-MEAD, COBYLA—을 활용해 연료 유형별 RoS 배수를 튜닝한다.
• 셀2파이어 시뮬레이터를 블랙박스 평가자로 활용하며, 산불 외곽선 이격도를 기반으로 목적 함수를 평가하기 위해 반복적으로 호출한다.
• RAF 프레임워크를 적용해 각 연료 유형별로 헤드, 백, 플랭크 및 확산 속도 값을 조정함으로써 국소적 및 전역적 산불 확산 조정을 가능하게 한다.
• 프로메테우스가 시뮬레이션한 흔적을 기준으로 하여 두 개의 실제 산불 사건(Dogrib 및 Dogrib-North)에서 접근법을 검증한다.
• 시뮬레이션된 산불 외곽선과 관측된 산불 외곽선 간의 제곱근 평균 제곱편차를 기반으로 다중 목적 오차 지표를 적용한다.

실험 결과

연구 질문

• RQ1 도함수 기반 최적화가 산불 시뮬레이터 정확도 향상을 위해 RoS 조정 인자를 효과적으로 校정할 수 있는가?
• RQ2 산불 시뮬레이션 튜닝의 맥락에서 다양한 DFO 알고리즘이 수렴 속도, 런타임, 목적 함수 품질 측면에서 어떻게 비교되는가?
• RQ3 억압 효과가 존재하는 바탕으로 프로메테우스가 시뮬레이션한 산불 흔적을 기준으로 삼는 것이 파rameter 校정에 신뢰할 수 있는 기초를 제공하는가?
• RQ4 RAF 프레임워크는 이질적인 경관에서 국소적 및 전역적 산불 확산 역학을 얼마나 잘 포착할 수 있는가?
• RQ5 제안된 방법론은 다른 산불 성장 시뮬레이터와 산림 유형으로 일반화될 수 있는가?

주요 결과

• BOBYQA와 NEWUOA는 수렴 속도와 런타임 사이에서 최적의 균형을 이룩했으며, 각각 96회 및 104회의 평가로 7.78분 및 12.23분의 런타임을 기록했다.
• NELDER-MEAD는 가장 낮은 목적 함수 값을 기록했지만(80.54), 332회의 평가와 45.33분의 런타임을 요구하여 높은 계산 비용을 유발했다.
• 실제 Dogrib 산불 사례에서의 오차는 Dogrib-North 사례보다 높았으며, 주로 관측된 흔적에서 억압 효과로 인한 편향이 파arameter 튜닝에 영향을 미쳤기 때문이다.
• RAF 프레임워크는 국소적 불연속성과 전역적 경관 구조를 모두 효과적으로 포착하여 이질적인 연료 유형 간의 시뮬레이션 정밀도를 향상시켰다.
• 이 방법론은 일반화 가능하며, 향후 작업에서 기울기 영향, 치유도, 복원 시간 등의 추가 파arameter를 포함할 수 있도록 확장될 수 있다.
• 실제 흔적이 억압 행동으로 인해 편향될 경우, 모델가 이러한 효과를 명시적으로 고려한다면 시뮬레이션된 흔적을 기준 데이터로 사용하는 것이 타당하다는 점을 본 연구는 입증했다.