[论文解读] Uncertainty Aware Wildfire Management

Tina Diao, Samriddhi Singla+4 more|arXiv (Cornell University)|Oct 15, 2020

Data Management and Algorithms参考文献 18被引用 8

一句话总结

本文提出了一种基于决策理论、具备不确定性感知能力的野火管理框架，采用部分可观察马尔可夫决策过程（POMDP）在信息不完全的条件下优化资源分配。该研究提出了一种基于卫星衍生协变量的、数据驱动的野火蔓延预测模型，并发布了首个包含超过200万条野火记录与地理空间特征的开源数据集，与基线方法相比，显著提升了扑灭响应速度。

ABSTRACT

Recent wildfires in the United States have resulted in loss of life and billions of dollars, destroying countless structures and forests. Fighting wildfires is extremely complex. It is difficult to observe the true state of fires due to smoke and risk associated with ground surveillance. There are limited resources to be deployed over a massive area and the spread of the fire is challenging to predict. This paper proposes a decision-theoretic approach to combat wildfires. We model the resource allocation problem as a partially-observable Markov decision process. We also present a data-driven model that lets us simulate how fires spread as a function of relevant covariates. A major problem in using data-driven models to combat wildfires is the lack of comprehensive data sources that relate fires with relevant covariates. We present an algorithmic approach based on large-scale raster and vector analysis that can be used to create such a dataset. Our data with over 2 million data points is the first open-source dataset that combines existing fire databases with covariates extracted from satellite imagery. Through experiments using real-world wildfire data, we demonstrate that our forecasting model can accurately model the spread of wildfires. Finally, we use simulations to demonstrate that our response strategy can significantly reduce response times compared to baseline methods.

研究动机与目标

• 解决在可见度有限和资源受限条件下，动态且不确定的野火响应挑战。
• 开发一种基于卫星衍生协变量（如燃料、植被和高程）的、数据驱动的野火蔓延预测模型。
• 创建一个综合性的、开源的数据集，整合历史野火记录与地理空间及环境协变量。
• 设计一种基于决策理论的响应策略，以考虑状态不确定性并提升扑灭效率。
• 利用真实野火数据和仿真实验对所提出的框架进行评估。

提出的方法

• 将野火响应建模为部分可观察马尔可夫决策过程（POMDP），以应对因烟雾和监视限制导致的状态观测不完整问题。
• 使用随机森林回归模型，基于从卫星图像中提取的协变量（包括燃料水平、植被类型、树冠高度和高程）预测野火蔓延强度。
• 采用大规模分布式栅格与矢量分析，计算区域统计量，并在大规模场景下整合多源地理空间数据。
• 在基于网格的场景中，使用固定环境条件（如风速和风向）模拟野火蔓延，以评估响应策略。
• 实施一种基于期望效用选择扑灭行动的响应策略，基线方法则针对最活跃的火点单元进行响应。
• 利用POMDPs.jl框架进行仿真与评估，相关开源代码可供复现。

实验结果

研究问题

• RQ1 基于卫星衍生协变量，数据驱动模型在多大程度上能准确预测野火蔓延？
• RQ2 与基线方法相比，不确定性感知响应策略在多大程度上能减少响应时间？
• RQ3 一个可扩展的、开源的数据集，若整合野火记录与地理空间协变量，能否实现更优的野火建模与响应规划？
• RQ4 行动有效性与网格尺寸如何影响不确定性感知扑灭策略的性能？
• RQ5 该预测模型在不同野火强度和阈值下表现如何？

主要发现

• 随机森林回归模型在预测较大野火（阈值ε = 5）时准确率超过90%，在ε = 1时准确率为79%，在ε = 0.5时为75%。
• 不确定性感知野火响应（UAFR）方法在所有网格尺寸和行动有效性水平下，均一致优于基线方法，显著降低了负效用。
• 在较大网格（如16²）和更高行动有效性条件下，性能提升尤为显著，表明该方法具备可扩展性与鲁棒性。
• 模型对随机森林集成中树的数量不敏感，表明更简单的模型（如CART）可能具有更好的泛化能力。
• 作者发布了首个开源数据集，包含超过200万条数据点，整合了历史野火数据与卫星衍生协变量，为未来野火建模研究提供支持。
• 研究发现，需将NOAA提供的逐小时风速数据纳入数据集，以提升预测准确度与现实感。