[논문 리뷰] Explainable Global Wildfire Prediction Models using Graph Neural Networks

Dayou Chen, Sibo Cheng외 3명|arXiv (Cornell University)|2024. 02. 11.

Fire effects on ecosystems인용 수 6

한 줄 요약

논문은 GCN-LSTM 기반 모델이 글로벌 기후 및 wildfire 데이터를 land-only 그래프로 표현하여 월별 burnt area를 예측하고, JULES-INFERNO 시뮬레이션에서 CNN/LSTM 베이스라인보다 우수한 정확도와 설명 가능성을 보임.

ABSTRACT

Wildfire prediction has become increasingly crucial due to the escalating impacts of climate change. Traditional CNN-based wildfire prediction models struggle with handling missing oceanic data and addressing the long-range dependencies across distant regions in meteorological data. In this paper, we introduce an innovative Graph Neural Network (GNN)-based model for global wildfire prediction. We propose a hybrid model that combines the spatial prowess of Graph Convolutional Networks (GCNs) with the temporal depth of Long Short-Term Memory (LSTM) networks. Our approach uniquely transforms global climate and wildfire data into a graph representation, addressing challenges such as null oceanic data locations and long-range dependencies inherent in traditional models. Benchmarking against established architectures using an unseen ensemble of JULES-INFERNO simulations, our model demonstrates superior predictive accuracy. Furthermore, we emphasise the model's explainability, unveiling potential wildfire correlation clusters through community detection and elucidating feature importance via Integrated Gradient analysis. Our findings not only advance the methodological domain of wildfire prediction but also underscore the importance of model transparency, offering valuable insights for stakeholders in wildfire management.

연구 동기 및 목표

• wildfire 예측을 기후 변화에 따른 중요한 문제로 제시하고 데이터 문제(해양 데이터 누락, 장기 의존성) 해결의 필요성 제시.
• ocean 데이터 격차와 글로벌 기후-산불 역학의 장기 상호작용을 다루기 위한 그래프 기반 데이터 표현 도입.
• 공간 그래프 구조와 시간적 시퀀스를 활용해 예측 정확도를 높이는 하이브리드 GCN-LSTM 모델 개발.
• 커뮤니티 탐지 및 특징/노드 기여도 분석을 통한 설명 가능성 시연.

제안 방법

• JULES-INFERNO의 글로벌 기후 및 wildfire 데이터를 7771개의 대지 픽셀 노드를 나타내는 land-only 그래프로 변환.
• 상관 기반 가중치를 사용하여 경계가 상관의 10번째 분위수에서 임계값을 두고 가장긴-거리 의존성을 포착하도록 엣지 구성.
• 그래프 컨볼루션 레이어(GCL)를 적용해 노드 간 공간 관계를 추출.
• GCN 출력을 LSTM에 공급해 시간적 다이나믹스를 모델링하고 다단계 예측을 생성.
• 미지의 데이터에서 MSE, RRMSE, SSIM, PSNR을 사용해 LSTM, Conv-LSTM, CAE-LSTM 등 베이스라인 모델과 비교 평가.
• 평가를 위해 이미지 형태로 팽창된 land-masked 데이터를 사용하고 커뮤니티 탐지 및 Attribution 분석으로 설명 가능성 평가.

실험 결과

연구 질문

• RQ1 그래프 기반의 글로벌 대지 데이터 표현이 CNN- 및 CAE 기반 접근법에 비해 산불 연소 면적 예측을 개선할 수 있는가?
• RQ2 그래프 컨볼루션 레이어(GCN)와 LSTM을 결합한 GCN-LSTM이 산불 역학의 공간적/시간적 의존성을 더 잘 포획하는가?
• RQ3 제안 모델은 표준 예측 지표(MSE, RRMSE, SSIM, PSNR)에 대해 베이스라인과 비교해 어떤 성능을 보이는가?
• RQ4 그래프 구조를 통해 얻을 수 있는 설명 가능성 통찰(커뮤니티 탐지 및 특징/노드 기여도)은 무엇인가?

주요 결과

• GCN-LSTM은 1961–1990 테스트 시나리오에서 모든 지표에서 최고 예측 성능을 달성했다.
• MSE: LSTM 0.001505; Conv-LSTM 0.000723; CAE-LSTM 0.000988; GCN-LSTM 0.000498.
• RRMSE: LSTM 0.506152; Conv-LSTM 0.349927; CAE-LSTM 0.409150; GCN-LSTM 0.288990.
• SSIM: LSTM 0.926949; Conv-LSTM 0.950138; CAE-LSTM 0.949862; GCN-LSTM 0.966979.
• PSNR: LSTM 26.784032; Conv-LSTM 31.541234; CAE-LSTM 29.348347; GCN-LSTM 33.366938.
• GCN-LSTM은 30년 기간 예측에서도 일관되게 베이스라인을 능가하며 더 예리하고 국지화된 예측을 제공한다.
• 그래프 기반의 포뮬레이션은 해양 데이터 누락을 자연스럽게 처리하고 엣지 및 커뮤니티 구조를 통해 해석 가능한 공간 관계를 드러낸다.