[论文解读] Spatiotemporal wildfire modeling through point processes with moderate and extreme marks

Jonathan Koh, François Pimont+2 more|arXiv (Cornell University)|May 17, 2021

Fire effects on ecosystems被引用 4

一句话总结

本文提出了一种新颖的贝叶斯分层时空点过程模型，通过共享随机效应联合建模野火点火强度与烧毁面积大小，区分中等与极端野火事件，从而提高估计效率与预测准确性。该模型将极值理论与对数高斯 Cox 过程相结合，捕捉非线性、季节性协变量效应，揭示了1995至2018年间法国地中海盆地地区野火风险的区域差异。

ABSTRACT

Accurate spatiotemporal modeling of conditions leading to moderate and large wildfires provides better understanding of mechanisms driving fire-prone ecosystems and improves risk management. We here develop a joint model for the occurrence intensity and the wildfire size distribution by combining extreme-value theory and point processes within a novel Bayesian hierarchical model, and use it to study daily summer wildfire data for the French Mediterranean basin during 1995--2018. The occurrence component models wildfire ignitions as a spatiotemporal log-Gaussian Cox process. Burnt areas are numerical marks attached to points and are considered as extreme if they exceed a high threshold. The size component is a two-component mixture varying in space and time that jointly models moderate and extreme fires. We capture non-linear influence of covariates (Fire Weather Index, forest cover) through component-specific smooth functions, which may vary with season. We propose estimating shared random effects between model components to reveal and interpret common drivers of different aspects of wildfire activity. This leads to increased parsimony and reduced estimation uncertainty with better predictions. Specific stratified subsampling of zero counts is implemented to cope with large observation vectors. We compare and validate models through predictive scores and visual diagnostics. Our methodology provides a holistic approach to explaining and predicting the drivers of wildfire activity and associated uncertainties.

研究动机与目标

• 开发一个统一的统计框架，联合建模野火的时空发生过程及其大小分布，尤其区分中等与极端事件。
• 通过在模型的发生部分与大小部分之间共享潜在空间随机效应，提高预测准确性并降低估计不确定性。
• 捕捉诸如火灾气象指数和森林覆盖等协变量对野火活动的非线性和季节性影响。
• 通过零计数的分层子采样策略，应对大规模野火数据集中的稀疏性和零膨胀问题。
• 通过识别跨区域点火与极端火情大小的共同驱动因素，为野火风险管理提供可操作的见解。

提出的方法

• 将野火点火建模为时空对数高斯 Cox 过程，以捕捉点火模式中复杂的时空依赖性。
• 为每个点火点分配烧毁面积作为连续数值标记，极端野火定义为超过高阈值（79公顷）的事件。
• 采用两组分有限混合模型对火情大小进行建模，分别捕捉中等与极端火情的分布，并使用协变量的分量特异性平滑函数。
• 在发生部分与大小部分之间引入共享随机效应，以在模型各部分之间借用信息，降低不确定性。
• 采用分层子采样策略管理包含大量零计数的大规模数据集，提升计算效率。
• 通过 MCMC 方法实现完整贝叶斯推断，结合分层先验分布以估计模型参数并量化不确定性。

实验结果

研究问题

• RQ1 如何联合建模野火的时空发生过程及其大小分布，尤其区分中等与极端事件？
• RQ2 在联合野火建模框架中，共享随机效应对估计不确定性与预测性能有何影响？
• RQ3 诸如火灾气象指数和森林覆盖等协变量如何以非线性和随季节变化的方式影响野火发生与大小分布？
• RQ4 景观结构的区域差异（例如城市化程度、破碎化程度）在多大程度上影响极端野火的发生概率？
• RQ5 与独立建模相比，结合标记点过程与极值理论的贝叶斯分层模型是否能提升风险预测与驱动因素识别能力？

主要发现

• 共享随机效应的引入显著降低了估计不确定性，并提升了预测性能，尤其在极端野火数据稀疏的区域表现更优。
• 科西嘉岛表现出强烈的 COX-BETA 共享效应，表明中等偏大的野火更可能发展为极端野火，可能归因于扑救延迟以及大面积连续森林区域的存在。
• 景观破碎化程度与人类活动在人口密集或农村地区会提高点火频率，但因燃料不连续性而降低大规模野火的发生概率。
• 该模型揭示了火灾气象指数对野火风险存在强烈非线性和季节性影响，提示当前的火灾危险等级系统需谨慎解读。
• 极端野火的阈值超限概率在不同区域间存在显著差异，大而连续的森林区域概率更高，而破碎化或城市化景观区域则更低。
• 若无共享效应，极端野火大小部分将因数据稀疏而面临极宽的可信区间，严重限制其实际应用价值。