[论文解读] Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics

John Burge, Matthew Bonanni+2 more|arXiv (Cornell University)|Dec 11, 2020

Fire effects on ecosystems参考文献 31被引用 15

一句话总结

本文提出一种卷积长短期记忆（ConvLSTM）神经网络，利用数学类比野火蔓延模型生成的模拟数据来模拟野地野火动力学。该模型有效捕捉了不同复杂度下的局部点火事件和整体野火蔓延模式，在动态风、地形、湿度和植被异质性条件下，其野火蔓延预测性能优于先前的网络架构。

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.

研究动机与目标

• 评估使用 ConvLSTM 网络建模野地野火蔓延动力学的可行性。
• 评估模型在三个逐步复杂化的模拟数据集上的性能，其环境异质性逐步增加。
• 比较 ConvLSTM 在预测野火蔓延方面相对于其他神经网络架构的表现。
• 证明深度学习能够从模拟数据中有效学习复杂、非线性的野火蔓延行为。

提出的方法

• 本研究基于渗透理论的数学类比模型，在二维网格上生成合成野火蔓延数据。
• 创建了三个复杂度递增的数据集：恒定风、动态风、空间变化的湿度以及异质植被。
• 使用空间和时间输入特征，训练 ConvLSTM 网络以预测连续时间步的野火蔓延。
• 模型采用堆叠的 ConvLSTM 块，包含 10 层、每块 20 个滤波器，无批量归一化，通过经验超参数调优进行优化。
• 模型训练结合了卷积层、跳跃连接和 dropout 正则化，以提升泛化能力。
• 性能通过 RMSE、MAE 和相关系数等定量指标进行评估，并采用自 resampling 的置信区间以增强稳健性。

实验结果

研究问题

• RQ1 ConvLSTM 网络能否利用模拟数据在多个时间步上准确建模野火蔓延动力学？
• RQ2 当风、地形、湿度和燃料分布等环境因素复杂度增加时，模型性能如何变化？
• RQ3 ConvLSTM 在预测野火蔓延方面是否优于标准 CNN 及其他架构？
• RQ4 该模型在多大程度上能泛化以捕捉局部点火事件和大尺度野火行为？

主要发现

• ConvLSTM 模型在所有三个数据集上均成功捕捉了局部野火传播事件和整体野火蔓延速率。
• 在包含动态风和异质燃料的复杂场景中，该模型在预测野火蔓延方面优于标准 CNN 和先前架构。
• 在复杂数据集上，ConvLSTM 在预测与真实野火蔓延之间的相关系数达到 0.92，RMSE 为 0.18。
• 该模型在不利条件（如有利坡度导致的上风蔓延）下模拟野火行为表现出稳健性。
• 在复杂数据集上进行的超参数调优得到最优设置：nb=10，fpb=20，do=0.0，sl=no，且该设置在所有数据集上均具有良好泛化能力。
• 本研究证实，基于模拟数据训练的深度学习模型能够有效学习并泛化复杂野火动力学，支持其在真实世界野火预测中的应用。