[论文解读] From spatio-temporal data to chronological networks: An application to wildfire analysis

Didier A. Vega‐Oliveros, Moshé Cotacallapa+5 more|Biblioteca Digital da Memória Científica do INPE (National Institute for Space Research)|Dec 4, 2018

Complex Network Analysis Techniques参考文献 31被引用 4

一句话总结

本文提出了一种新颖的时序网络方法，通过在连续火灾事件发生在不同网格单元之间时建立连接，以建模时空野火数据，克服了基于相关性的网络的局限性。该方法利用MODIS数据揭示了亚马孙盆地的年度野火活动位移模式和亚区域野火动态，展示了在检测时空事件序列方面的优越性能。

ABSTRACT

Network theory has established itself as an appropriate tool for complex systems analysis and pattern recognition. In the context of spatiotemporal data analysis, correlation networks are used in the vast majority of works. However, the Pearson correlation coefficient captures only linear relationships and does not correctly capture recurrent events. This missed information is essential for temporal pattern recognition. In this work, we propose a chronological network construction process that is capable of capturing various events. Similar to the previous methods, we divide the area of study into grid cells and represent them by nodes. In our approach, links are established if two consecutive events occur in two different nodes. Our method is computationally efficient, adaptable to different time windows and can be applied to any spatiotemporal data set. As a proof-of-concept, we evaluated the proposed approach by constructing chronological networks from the MODIS dataset for fire events in the Amazon basin. We explore two data analytic approaches: one static and another temporal. The results show some activity patterns on the fire events and a displacement phenomenon over the year. The validity of the analyses in this application indicates that our data modeling approach is very promising for spatio-temporal data mining.

研究动机与目标

• 解决基于相关性的网络在捕捉复杂系统中非线性、重复性和序列性时空事件方面的局限性。
• 开发一种计算高效、可适应的方法，直接从时空数据中的事件序列构建网络。
• 将该方法应用于亚马孙盆地的真实野火数据，以揭示隐藏的时空模式。
• 比较静态网络与时序网络分析方法在识别活跃野火区域和迁移趋势方面的表现。
• 验证该方法检测野火活动位移和与气候及土地利用相关的社区结构的能力。

提出的方法

• 将亚马孙盆地划分为空间网格，每个网格单元作为网络中的一个节点。
• 仅当两个连续的火灾事件发生在两个节点之间时，才在它们之间建立连接，形成有向边。
• 当连续事件发生在同一网格单元时，允许自环。
• 应用静态和时序网络分析技术，以评估网络结构和动态特性。
• 使用时间窗对数据进行分段，分析网络属性随时间的变化。
• 整合外部数据（如降水、土地利用）以在环境背景下解释网络发现的结果。

实验结果

研究问题

• RQ1 与基于相关性的网络相比，时序网络是否能更好地捕捉序列性和重复性时空事件？
• RQ2 对亚马孙野火进行时序网络分析时，会涌现出哪些时间模式，例如野火活动位移？
• RQ3 干季开始时间、野火强度和土地利用的亚区域差异如何与网络社区结构相关联？
• RQ4 静态网络与时序网络分析方法在识别最活跃野火区域方面的一致性程度如何？
• RQ5 网络结构在多大程度上对降水和砍伐等环境与人为因素作出响应？

主要发现

• 时序网络方法成功识别出野火活动位移的清晰年度模式，起始于东南部亚区域，并向西北方向传播。
• 亚区域4–7的干季发生在同一时期，其中4区和5区的降水量低于6区和7区。
• 亚区域2和3拥有最长且最严重的干季，而亚区域12的干季虽最不强烈但持续时间最长，与其他区域明显不同。
• 静态网络与时序网络分析均识别出相同的最活跃野火单元集合，验证了该方法的稳健性。
• 土地利用模式（如靠近道路和保护区的牧场、农业和砍伐）与网络中高野火活动社区密切相关。
• 该方法揭示，野火传播不仅由距离决定，更依赖于区域间事件的序列动态，尤其在干季期间更为显著。