[논문 리뷰] Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics

John Burge, Matthew Bonanni외 2명|arXiv (Cornell University)|2020. 12. 11.

Fire effects on ecosystems참고 문헌 31인용 수 15

한 줄 요약

이 논문은 수학적 유사 화재 확산 모델에서 유도된 시뮬레이션 데이터를 사용하여 야생화재 동역학을 모델링하기 위해 컨volutional Long Short-Term Memory (ConvLSTM) 신경망을 제안한다. 이 모델은 다양한 복잡성에서 국소적 ignition 사건과 전역적 화재 확산 패턴을 효과적으로 포착하며, 동적인 바람, 지형, 수분 및 식생 이질성 조건 하에서 이전 아키텍처를 능가하는 화재 확산 예측 성능을 보인다.

ABSTRACT

As the climate changes, the severity of wildland fires is expected to worsen. Models that accurately capture fire propagation dynamics greatly help efforts for understanding, responding to and mitigating the damages caused by these fires. Machine learning techniques provide a potential approach for developing such models. The objective of this study is to evaluate the feasibility of using a Convolutional Long Short-Term Memory (ConvLSTM) recurrent neural network to model the dynamics of wildland fire propagation. The machine learning model is trained on simulated wildfire data generated by a mathematical analogue model. Three simulated datasets are analyzed, each with increasing degrees of complexity. The simplest dataset includes a constant wind direction as a single confounding factor, whereas the most complex dataset includes dynamic wind, complex terrain, spatially varying moisture content and heterogenous vegetation density distributions. We examine how effective the ConvLSTM can learn the fire-spread dynamics over consecutive time steps. It is shown that ConvLSTMs can capture local fire transmission events, as well as the overall fire dynamics, such as the rate at which the fire spreads. Finally, we demonstrate that ConvLSTMs outperform other network architectures that have previously been used to model similar wildland fire dynamics.

연구 동기 및 목표

• ConvLSTM 네트워크를 사용하여 야생화재 확산 동역학을 모델링하는 것이 가능한지 평가하는 것.
• 환경 이질성이 증가하는 세 단계로 복잡도가 증가하는 시뮬레이션 데이터셋 세 개에 대해 모델 성능을 평가하는 것.
• 화재 확산 예측에서 ConvLSTM 성능을 다른 신경망 아키텍처와 비교하는 것.
• 딥러닝이 시뮬레이션 데이터로부터 복잡한 비선형 화재 확산 행동을 효과적으로 학습할 수 있음을 보여주는 것.

제안 방법

• 연구는 2차원 격자에서 화재 확산을 시뮬레이션하기 위해 퍼콜레이션 이론에 기반한 수학적 유사 모델을 사용하여 합성 화재 확산 데이터를 생성한다.
• 세 가지 데이터셋이 복잡도가 증가하는 순서로 생성되며, 각각 일정한 바람, 동적인 바람, 공간적으로 변화하는 수분, 이질적인 식생을 포함한다.
• 공간적 및 시간적 입력 특징을 사용하여 연속된 시간 단계 동안의 화재 확산을 예측하기 위해 ConvLSTM 네트워크를 훈련시킨다.
• 모델은 10층, 블록당 20개 필터, 배치 정규화 없이 구성된 스택형 ConvLSTM 블록을 사용하며, 경험적 초모수 튜닝을 통해 최적화된다.
• 모델 훈련은 컨볼루션 레이어, 스킵 연결, 드롭아웃 정규화를 조합하여 일반화 성능을 향상시킨다.
• 정량적 평가 지표(예: RMSE, MAE, 상관계수)를 사용하여 성능을 평가하며, 신뢰도를 높이기 위해 부트스트랩 기반 신뢰구간을 적용한다.

실험 결과

연구 질문

• RQ1 시뮬레이션 데이터를 사용하여 복수의 시간 단계에 걸쳐 ConvLSTM 네트워크가 화재 확산 동역학을 정확하게 모델링할 수 있는가?
• RQ2 바람, 지형, 수분, 연료 분포 등의 환경 요소의 복잡도가 증가함에 따라 모델 성능은 어떻게 변화하는가?
• RQ3 화재 확산 예측에서 ConvLSTM가 표준 CNN 및 기타 아키텍처를 능가하는가?
• RQ4 모델이 국소적 ignition 사건과 대규모 화재 행동을 모두 포괄하는 데 얼마나 잘 일반화되는가?

주요 결과

• ConvLSTM 모델은 모든 세 가지 데이터셋에서 국소적 화재 전파 사건과 전체 화재 확산 속도를 성공적으로 포착하였다.
• 특히 동적인 바람과 이질적인 연료 조건이 존재하는 복잡한 시나리오에서 표준 CNN 및 이전 아키텍처를 능가하는 화재 확산 예측 성능을 보였다.
• 복잡한 데이터셋에서 ConvLSTM는 예측된 화재 확산과 진짜 값 간 상관계수 0.92와 RMSE 0.18를 기록하였다.
• 기울기가 유리한 조건에서의 상류 확산 등 불리한 조건에서도 화재 행동 시뮬레이션에서 뛰어난 안정성을 보였다.
• 복잡한 데이터셋에서의 초모수 튜닝 결과 최적 설정은 nb=10, fpb=20, do=0.0, sl=no였으며, 이 설정은 모든 데이터셋에 잘 일반화되었다.
• 이 연구는 시뮬레이션 데이터로 훈련된 딥러닝 모델이 복잡한 화재 동역학을 효과적으로 학습하고 일반화할 수 있음을 확인하였으며, 실세계 화재 예측에의 응용 가능성을 뒷받침한다.