[논문 리뷰] Deep graphical regression for jointly moderate and extreme Australian wildfires

Daniela Cisneros, J. Ian Richards외 3명|arXiv (Cornell University)|2023. 08. 28.

Fire effects on ecosystems인용 수 10

한 줄 요약

본 논문은 그래프 컨볼루션 신경망(GCNN)과 불규칙한 공간 도메인에서 확장 일반화 파레토 분포를 사용하여 호주 산불의 발생과 방사형 확산을 함께 모델링하는 2단계 심층 그래픽 회귀 모델을 제시한다.

ABSTRACT

Recent wildfires in Australia have led to considerable economic loss and property destruction, and there is increasing concern that climate change may exacerbate their intensity, duration, and frequency. Hazard quantification for extreme wildfires is an important component of wildfire management, as it facilitates efficient resource distribution, adverse effect mitigation, and recovery efforts. However, although extreme wildfires are typically the most impactful, both small and moderate fires can still be devastating to local communities and ecosystems. Therefore, it is imperative to develop robust statistical methods to reliably model the full distribution of wildfire spread. We do so for a novel dataset of Australian wildfires from 1999 to 2019, and analyse monthly spread over areas approximately corresponding to Statistical Areas Level~1 and~2 (SA1/SA2) regions. Given the complex nature of wildfire ignition and spread, we exploit recent advances in statistical deep learning and extreme value theory to construct a parametric regression model using graph convolutional neural networks and the extended generalized Pareto distribution, which allows us to model wildfire spread observed on an irregular spatial domain. We highlight the efficacy of our newly proposed model and perform a wildfire hazard assessment for Australia and population-dense communities, namely Tasmania, Sydney, Melbourne, and Perth.

연구 동기 및 목표

• 산불에 대한 강건한 위험 정량화를 위한 중간 확산에서 극단 확산에 이르는 전체 분포를 모델링한다.
• 호주를 위한 새롭고 불규칙한 공간 데이터셋인 합쳐진 면적(SA1/SA2)을 구축한다.
• GCNN 기반 발생 예측기와 eGPD 기반 확산 모델을 결합한 하이브리드 모델을 개발한다.
• 대륙 규모의 재해 지도를 제공하고 인구 밀집 지역의 위험을 평가한다.
• 공간과 시간에 걸쳐 산불 빈도와 심각도를 좌우하는 핵심 예측 변수를 식별한다.

제안 방법

• Y(s,t)를 월간 연소 면적의 제곱근으로 두 부분 분포 p0(s,t) 발생 확률과 F+(y) 발생 시 조건부 확산으로 모델링한다.
• 그래프 컨볼루션 신경망을 이용한 심층 로지스틱 회귀로 logit p0(s,t)를 추정한다.
• F+를 확장 일반화 파레토 분포 eGPD(κ, σ, ξ)로 모형화하고, σ(s,t)를 예측 변수의 함수로 모델링하며 σ(s,t)는 area(s)의 제곱근에 비례한다.
• 공간 데이터를 불규칙한 영역을 정점으로 하는 그래프로 표현하고 Delta의 절단으로 최대 원거리 거리에 기반한 가중 인접 행렬 A를 사용한다.
• 지역 특이 정보와 이웃 정보를 결합하여 공상 의존성을 포착하기 위해 건너뛰기 연결이 있는 GCNN 계층을 사용한다.
• 음의 로그 우도에 대한 Adam 최적화로 모델을 적합시키고, 불확실성을 위한 시간적 부트스트랩과 견고한 교차검증 학습/검증 분할을 수행한다.

Figure 1 : Maps of the monthly radial wildfire spread [ $\sqrt{\mbox{BA}}$ ; km] (top-left), polygon area [km 2 ] (top-right), monthly average air temperature [K] (bottom-left), and NDVI [unitless] (bottom-right) for January 2002. Grey regions in the top-left panel are Statistical Areas Level 1 with

실험 결과

연구 질문

• RQ1 불규칙한 공간 도메인에서 산불 발생과 확산의 결합 모델이 중간 규모의 벌크에서 극단적 화재 면적까지의 전체 분포를 포착할 수 있는가?
• RQ2 예측 변수에 공간 구조를 활용할 때 GCNN 기반 예측기가 밀집 신경망보다 얼마나 잘 수행하는가?
• RQ3 공간과 시간에 걸쳐 산불 빈도와 심각도를 좌우하는 주요 공변량은 무엇인가?
• RQ4 확장 일반화 파레토 기반 프레임워크를 딥러닝에 통합하여 비극단적 및 극단적 산불 확산을 어떻게 모델링할 수 있는가?
• RQ5 제안된 프레임워크를 사용하여 인구 밀집 호주 커뮤니티의 공간적 추세와 위험 특성은 무엇인가?

주요 결과

• 프레임워크는 0인 면적과 양수 면적의 분포를 함께 모델링하고 공간과 시간에 걸친 분포를 제공한다.
• eGPD 기반 구성요소는 벌크와 꼬리 행동을 이론적으로 정당화되는 상한 꼬리와 함께 포괄하는 산불 확산에 대한 유연한 모델을 제공한다.
• 불규칙한 공간 그래프에서 GCNN은 공변량의 공간 구조를 활용하여 밀집 네트워크보다 적합도를 향상시킨다.
• 호주와 주요 인구 중심지(예: 시드니, 멜버른, 퍼스, 태생)의 위험 지도는 산불 발생 빈도와 심각성의 공간적/시계적 경향을 보여준다.
• 이 접근법은 도메인 전역에서 산불의 발생과 확산을 좌우하는 중요한 예측 변수들을 식별한다.

Figure 2 : Top panels: region-wise $5\%$ (left) and $95\%$ (right) quantiles of the monthly radial wildfire spread [ $\sqrt{\mbox{BA}}$ ; km] pooled across the observation period. Grey regions are Statistical Areas Level 1 within the Northern Territory where the response, BA, is not available. Botto