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

Jaime Carrasco, Cristóbal Pais+2 more|arXiv (Cornell University)|Sep 11, 2019

Fire effects on ecosystems参考文献 29被引用 4

一句话总结

该论文提出了一种无导数优化（DFO）框架，用于在Cell2Fire森林野火模拟器中自动校准蔓延速率（ROS）调整因子，通过最小化模拟与观测野火烧痕之间的差异，提升模拟精度。该方法利用黑箱优化高效识别最优燃料特定ROS乘数，其中BOBYQA和NEWUOA在收敛速度和运行时间方面表现更优。

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.

研究动机与目标

• 解决由于输入数据误差和模型局限性导致的野火烧痕预测不准确这一长期挑战。
• 开发一种自动化的、无导数优化框架，用于校准Cell2Fire模拟器中的蔓延速率（ROS）调整因子。
• 通过最小化模拟与观测野火边界之间的差异，利用真实野火数据提升模拟保真度。
• 评估并比较多种DFO算法在野火模拟参数校准背景下的性能表现。
• 提供一种可推广的方法论，适用于其他野火增长模型和异质性森林景观。

提出的方法

• 将问题表述为黑箱优化问题，以最小化模拟与观测野火烧痕之间的误差，将ROS调整因子（RAF）作为决策变量。
• 在模拟-优化循环中应用无导数优化（DFO）算法——BOBYQA、NEWUOA、NELDER-MEAD、COBYLA——以校准燃料特定的ROS乘数。
• 使用Cell2Fire模拟器作为黑箱评估器，通过迭代调用以基于野火边界偏差评估目标函数。
• 应用RAF框架调整每种燃料类型的迎头、背风、侧翼及蔓延速率值，实现局部与全局野火蔓延调整。
• 在两个真实野火事件（Dogrib和Dogrib-North）上验证该方法，使用Prometheus模拟的烧痕作为参考。
• 实施基于模拟与观测野火边界之间均方根偏差的多目标误差度量。

实验结果

研究问题

• RQ1 无导数优化能否有效校准蔓延速率调整因子以提升野火模拟器的准确性？
• RQ2 不同DFO算法在收敛速度、运行时间及目标函数质量方面，对于野火模拟调优的表现如何比较？
• RQ3 尽管存在抑制效应，使用Prometheus模拟的野火烧痕作为参考是否能为参数校准提供可靠基础？
• RQ4 RAF框架在异质性景观中多大程度上能够捕捉局部与全局野火蔓延动态？
• RQ5 所提出的方法论在其他野火增长模拟器和森林类型中是否具有可推广性？

主要发现

• BOBYQA和NEWUOA在收敛速度与运行时间之间达到最佳平衡，分别仅需96次和104次评估，运行时间分别为7.78分钟和12.23分钟。
• NELDER-MEAD达到最低的目标函数值（80.54），但需要332次评估和45.33分钟，表明计算成本较高。
• 真实Dogrib野火实例的误差高于Dogrib-North实例，主要由于观测烧痕中的抑制效应，导致参数调优产生偏差。
• RAF框架成功捕捉了局部不连续性与全局景观结构，显著提升了在异质性燃料类型中的模拟保真度。
• 该方法论具有可推广性，未来工作可扩展包含坡度效应、植被成熟度及恢复时间等额外参数。
• 研究表明，当模型明确考虑此类效应时，使用模拟烧痕作为参考数据在真实烧痕受抑制行为影响而产生偏差的情况下仍具可行性。