[论文解读] Towards Data Assimilation in Level-Set Wildfire Models Using Bayesian Filtering

Joel Janek Dabrowski, Carolyn Huston+3 more|arXiv (Cornell University)|Jun 17, 2022

Fire effects on ecosystems被引用 5

一句话总结

本文提出一种贝叶斯滤波框架，用于在水平集野火模型中实现数据同化与不确定性量化，采用粒子滤波和集合卡尔曼滤波对实时观测数据进行更新，以改进火线预测。该方法提高了预测精度并捕捉了椭圆状火线动态，其中粒子滤波由于对非线性和噪声具有更好的处理能力，表现优于EnKF。

ABSTRACT

The level-set method is a prominent approach to modelling the evolution of a fire over time based on a characterised rate of spread. It however does not provide a direct means for assimilating new data and quantifying uncertainty. Fire front predictions can be more accurate and agile if the models are able to assimilate data in real time. Furthermore, uncertainty estimation of the location and spread of the fire is critical for decision making. Using Bayesian filtering approaches, we extend the level-set method to allow for data assimilation and uncertainty quantification. We demonstrate these approaches on data from a controlled fire.

研究动机与目标

• 解决水平集野火模型中缺乏数据同化与不确定性量化的问题。
• 通过观测数据实现实时更新火线预测。
• 通过火线蔓延的概率预测提升野火管理中的决策能力。
• 评估粒子滤波与集合卡尔曼滤波（EnKF）在同化火线观测数据方面的性能。
• 研究模型噪声与观测频率对预测精度的影响。

提出的方法

• 将水平集方法扩展为贝叶斯滤波框架，将火线演化表示为具有隐状态的动力系统。
• 以Rothermel蔓延速率模型为基础进行火线传播建模，其中参数β和γ作为常数，由数据推导得出。
• 应用粒子滤波算法，通过100个蒙特卡洛粒子进行传播，每个粒子通过带有过程噪声η^h ~ N(0, Q_t)的水平集方程演化。
• 采用序贯重要性重采样方法，基于观测数据更新粒子权重，利用高斯模糊预测轮廓的图像测量似然函数。
• 采用集合卡尔曼滤波（EnKF）动态更新β和γ参数，将其视为具有缓慢时变特性的隐变量。
• 将火线轮廓表示为二值图像（A），预测火线表示为模糊图像（B），通过重叠像素强度之和计算测量似然。

实验结果

研究问题

• RQ1 贝叶斯滤波能否有效应用于水平集野火模型，以实现实时数据同化？
• RQ2 在存在噪声观测的情况下，粒子滤波与EnKF在火线预测精度与稳定性方面表现如何比较？
• RQ3 引入过程噪声与测量噪声在多大程度上提升了模型的真实感与预测性能？
• RQ4 观测频率如何影响水平集野火模型中数据同化的稳定性与精度？
• RQ5 通过贝叶斯推断与噪声建模，模型能否捕捉火线自然的椭圆形态？

主要发现

• 粒子滤波方法在预测精度与稳定性方面优于EnKF，对火线形状与不确定性的表征更优。
• 粒子滤波成功捕捉了火线的椭圆演化过程，与已知的火线动力学一致。
• EnKF方法存在不稳定性并出现火线蔓延的过度预测，可能源于残差构建困难与非线性问题。
• 在Rothermel模型中引入过程噪声提升了模型真实感，并减少了预测与观测之间的偏差。
• 结果表明，更高频率的观测可显著提升数据同化性能与模型稳定性。
• 粒子滤波通过粒子方差表示的不确定性，为预测置信度提供了有意义的可视化。