[论文解读] Deep Learning for Global Wildfire Forecasting

Ioannis Prapas, Akanksha Ahuja+8 more|arXiv (Cornell University)|Nov 1, 2022

Fire effects on ecosystems被引用 6

一句话总结

本文介绍了SeasFire Cube，这是一个开放获取的全球数据立方体，整合了气候、植被、海洋及人类相关变量，以及2001–2021年期间0.25°×0.25°×8天分辨率的历史燃烧区域和排放数据。研究表明，UNET++深度学习模型可提前最多64天预测全球燃烧区域模式，AUPRC >0.55，优于季节周期基线模型。

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.

研究动机与目标

• 为解决缺乏全面、开放获取的全球数据集，整合火灾驱动因子与燃烧区域观测数据，以支持次季节预测。
• 在气候变化和野火风险日益增加的背景下，提升全球野火预警能力。
• 证明利用深度学习进行全球燃烧区域预测作为图像分割任务的可行性。
• 提供一个可重复使用、分析就绪的数据立方体，以加速地球系统建模与野火预测研究。

提出的方法

• 作者构建了SeasFire Cube，一个云友好、分析就绪的Zarr格式数据立方体，时间-空间分辨率为0.25°×0.25°×8天，覆盖2001–2021年。
• 变量包括气象数据、植被指数、海洋指数（如ENSO）、土地覆盖、人口密度，以及来自三个独立数据集的历史燃烧区域数据。
• 本研究将全球野火预测问题建模为图像分割任务，将每个8天的输入视为火灾驱动因子的空间分布图。
• 采用UNET++架构，训练模型以预测8、16、32和64天后燃烧区域的出现情况。
• 模型评估采用AUPRC、F1-score、AUROC，并通过预测图与目标图的视觉对比进行分析。
• 该数据立方体支持下游任务，如燃烧区域面积、排放量及区域野火动态的预测。

实验结果

研究问题

• RQ1 深度学习模型能否利用全面的火灾驱动因子变量集，提前最多64天预测全球燃烧区域模式？
• RQ2 模型性能随预测提前期延长在不同全球区域如何变化？
• RQ3 模型在多大程度上超越了季节性模式？其如何捕捉大尺度野火制度转变？
• RQ4 基于分割的深度学习方法能否有效建模全球尺度的次季节野火动态？
• RQ5 区域野火模式（尤其是非洲等高排放区域）如何影响模型注意力机制与预测性能？

主要发现

• UNET++模型在8天预测提前期的AUPRC达到0.5891，超过季节周期基线（AUPRC 0.4519），表明其学习到了超越简单季节性的模式。
• 即使在64天预测提前期，AUPRC仍高于0.55（达0.5598），表明其在长预测时域内保持了稳定的预测能力。
• F1-score随预测提前期延长而下降，从8天时的0.5271降至64天时的0.4947，反映出不确定性增加。
• AUROC值保持较高水平（0.975–0.978），尽管受类别不平衡影响有所膨胀，但仍表明模型对燃烧区与未燃烧区具有强区分能力。
• 可视化结果证实，模型能够捕捉大尺度野火模式，包括南非与北非草原的火情转移，以及东欧和东南亚地区活动增强。
• 模型能正确识别低风险区域，如海洋、两极和撒哈拉沙漠，表明其具备良好的空间泛化能力。