[论文解读] Regression modelling of spatiotemporal extreme U.S. wildfires via partially-interpretable neural networks

J. Ian Richards, Raphaël Huser|arXiv (Cornell University)|Aug 16, 2022

Fire effects on ecosystems被引用 7

一句话总结

本文提出了一种部分可解释的神经网络（PINN）框架，用于时空野火数据中的极端分位数回归，结合了深度学习的预测能力与可解释的线性及样条组件。该研究提出了一种新型的bGEV-PP点过程模型，以克服极端值建模中有限下界的问题，在建模美国极端野火过火面积方面，其预测性能优于线性和样条基方法。

ABSTRACT

Risk management in many environmental settings requires an understanding of the mechanisms that drive extreme events. Useful metrics for quantifying such risk are extreme quantiles of response variables conditioned on predictor variables that describe, e.g., climate, biosphere and environmental states. Typically these quantiles lie outside the range of observable data and so, for estimation, require specification of parametric extreme value models within a regression framework. Classical approaches in this context utilise linear or additive relationships between predictor and response variables and suffer in either their predictive capabilities or computational efficiency; moreover, their simplicity is unlikely to capture the truly complex structures that lead to the creation of extreme wildfires. In this paper, we propose a new methodological framework for performing extreme quantile regression using artificial neutral networks, which are able to capture complex non-linear relationships and scale well to high-dimensional data. The "black box" nature of neural networks means that they lack the desirable trait of interpretability often favoured by practitioners; thus, we unify linear, and additive, regression methodology with deep learning to create partially-interpretable neural networks that can be used for statistical inference but retain high prediction accuracy. To complement this methodology, we further propose a novel point process model for extreme values which overcomes the finite lower-endpoint problem associated with the generalised extreme value class of distributions. Efficacy of our unified framework is illustrated on U.S. wildfire data with a high-dimensional predictor set and we illustrate vast improvements in predictive performance over linear and spline-based regression techniques.

研究动机与目标

• 开发一种统计框架，以准确估计在复杂时空预测因子下美国本土极端野火过火面积的分位数。
• 解决经典线性和加性模型在捕捉驱动极端野火的非线性、高维关系方面的局限性。
• 统一参数极值理论在尾部分布建模中的稳健性与深度神经网络的预测效率。
• 克服极端值点过程模型中因有限下界问题而阻碍神经网络训练的挑战。
• 通过部分可解释性，实现对野火风险驱动因子的统计推断，同时保持高预测准确性。

提出的方法

• 该框架采用部分可解释的神经网络（PINNs），结合线性、加性与深度学习组件，将极端野火过火面积的分位数建模为时空预测因子的函数。
• 提出一种新型的bGEV-PP（超越广义极值点过程）模型，用于建模极端事件，避免标准GEV基强度函数中常见的有限下界问题。
• 采用复合建模方法：分别训练神经网络以预测野火发生与蔓延，实现联合风险评估。
• 使用卷积神经网络（CNNs）捕捉网格化预测因子中的空间模式，通过将域外预测因子值设为全局均值来减轻边缘效应。
• 通过使用bGEV-PP模型对块最大值或阈值超限进行建模，将极值理论与神经网络相结合，确保在极值渐近理论上的理论基础。
• 开发了一个R包pinnEV，以确保方法的可复现性，并促进社区对完整方法的使用。

实验结果

研究问题

• RQ1 如何使深度神经网络具备足够的可解释性，以支持统计推断，同时在极端时空事件建模中保持高预测准确性？
• RQ2 新型点过程模型是否能够克服在训练神经网络时极端值强度函数中的有限下界问题？
• RQ3 与线性或样条基模型相比，卷积神经网络在建模美国极端野火空间模式方面，能多大程度上提升预测性能？
• RQ4 驱动极端野火事件的关键环境与气候预测因子是什么？其影响在空间和时间上如何变化？
• RQ5 结合极值理论、神经网络与可解释组件的统一框架，是否能在极端分位数估计中超越经典回归与深度学习方法？

主要发现

• 所提出的PINN框架在估计美国野火过火面积的极端分位数方面，显著优于经典线性和样条基回归模型。
• 卷积神经网络在捕捉预测因子的空间模式方面表现出更强的能力，从而提升了野火蔓延建模的预测准确性。
• bGEV-PP点过程模型成功避免了强度函数中的有限下界问题，使极端值建模的神经网络训练更加稳定可靠。
• 该框架支持对预测因子效应的统计推断，揭示了温度、干旱和风速等关键驱动因素对极端野火风险的影响，并通过线性和样条组件提供了可解释的贡献。
• R包pinnEV已发布，以确保方法的可复现性，并支持该方法在环境风险建模应用中的广泛采用。