[논문 리뷰] Deep Learning for Global Wildfire Forecasting

Ioannis Prapas, Akanksha Ahuja외 8명|arXiv (Cornell University)|2022. 11. 01.

Fire effects on ecosystems인용 수 6

한 줄 요약

이 논문은 2001–2021년 기간 동안 기후, 식생, 해양, 인류 활동 관련 변수와 함께 역사적 화재 발생 영역 및 배출량을 포함하는 개방형 글로벌 데이터카이브인 SeasFire Cube를 소개한다. 이 데이터카이브는 0.25°×0.25°×8일 해상도를 갖추고 있으며, UNET++ 딥러닝 모델이 최대 64일 전까지 전 세계 화재 발생 패턴을 예측할 수 있음을 입증한다. AUPRC >0.55의 성능을 기록하며 계절 주기 기반 모델을 능가한다.

ABSTRACT

Climate change is expected to aggravate wildfire activity through the exacerbation of fire weather. Improving our capabilities to anticipate wildfires on a global scale is of uttermost importance for mitigating their negative effects. In this work, we create a global fire dataset and demonstrate a prototype for predicting the presence of global burned areas on a sub-seasonal scale with the use of segmentation deep learning models. Particularly, we present an open-access global analysis-ready datacube, which contains a variety of variables related to the seasonal and sub-seasonal fire drivers (climate, vegetation, oceanic indices, human-related variables), as well as the historical burned areas and wildfire emissions for 2001-2021. We train a deep learning model, which treats global wildfire forecasting as an image segmentation task and skillfully predicts the presence of burned areas 8, 16, 32 and 64 days ahead of time. Our work motivates the use of deep learning for global burned area forecasting and paves the way towards improved anticipation of global wildfire patterns.

연구 동기 및 목표

• 서브시즌 예측을 위한 화재 유발 요인과 화재 발생 관측치를 통합한 종합적이고 개방형 글로벌 데이터셋의 부족을 해결하기 위해.
• 기후 변화와 증가하는 화재 위험 상황에서 글로벌 화재 예측 능력을 향상시키기 위해.
• 이미지 세그멘테이션 작업으로서의 딥러닝 기반 글로벌 화재 발생 예측의 가능성에 대한 실증을 위해.
• 연구를 가속화하기 위해 재사용이 가능하고 분석에 바로 사용 가능한 데이터카이브를 제공하기 위해.

제안 방법

• 저자들은 2001–2021년 기간 동안 0.25°×0.25°×8일 해상도를 갖춘 클라우드 친화적이고 분석에 바로 사용 가능한 Zarr 형식의 데이터카이브인 SeasFire Cube를 구축하였다.
• 변수로는 기상 데이터, 식생 지수, 해양 지수(예: ENSO), 지형 종류, 인구 밀도, 그리고 세 개의 독립된 데이터셋에서 유래한 이전 화재 발생 영역이 포함된다.
• 본 연구는 글로벌 화재 예측을 이미지 세그멘테이션 문제로 재정의하여, 각 8일 간격의 입력을 화재 유발 요인의 공간 지ap으로 간주한다.
• UNET++ 아키텍처는 8, 16, 32, 64일의 리드 타임에 해당하는 화재 발생 영역의 존재 여부를 예측하도록 훈련된다.
• 모델 평가는 AUPRC, F1-score, AUROC 및 예측 지도와 타겟 지도의 시각적 비교를 통해 수행된다.
• 데이터카이브는 화재 발생 면적, 배출량, 지역별 화재 역학 예측 등의 후행 작업을 지원한다.

실험 결과

연구 질문

• RQ1 포괄적인 화재 유발 요인 변수 세트를 사용하여 딥러닝 모델이 최대 64일 전까지 글로벌 화재 발생 패턴을 예측할 수 있는가?
• RQ2 다양한 글로벌 지역에서 예측 리드 타임이 증가함에 따라 모델 성능은 어떻게 변화하는가?
• RQ3 모델이 계절 패턴을 초월하여 어떤 정도로 학습하며, 대규모 화재 제도의 변화를 어떻게 포착하는가?
• RQ4 세그멘테이션 기반 딥러닝 접근법이 글로벌 스케일에서 서브시즌 화재 역학을 효과적으로 모델링할 수 있는가?
• RQ5 특히 고배출 지역인 아프리카의 지역별 화재 패턴은 모델의 주의 집중 및 예측 성능에 어떤 영향을 미치는가?

주요 결과

• UNET++ 모델은 8일 리드 타임에서 AUPRC 0.5891을 기록하며 계절 주기 기반 모델(AUPRC 0.4519)을 초월하여 단순 계절성 외부의 패턴을 학습하고 있음을 시사한다.
• 64일 리드 타임에서도 AUPRC가 0.5598로 0.55를 초과하여 장기 예측 수준에서도 지속적인 예측 능력을 보여준다.
• F1-score는 리드 타임이 길어질수록 감소하며, 8일 기준 0.5271에서 64일 기준 0.4947로 하락하여 불확실성이 증가함을 반영한다.
• AUROC 값은 높은 편(0.975–0.978)을 유지하지만 클래스 불균형으로 인해 과대평가될 수 있으며, 화재 발생 및 비화재 영역 간의 강한 분류 능력을 시사한다.
• 시각화 결과 모델이 대규모 화재 패턴, 특히 남부 및 북부 아프리카의 초원에서의 변화와 동유럽 및 동남아시아의 활성도 증가를 잘 포착하고 있음을 확인할 수 있다.
• 모델은 해양, 극지방, 사하라 사막과 같은 저위험 지역을 정확히 식별하여 공간 일반화 능력이 학습되었음을 시사한다.