A Neural Emulator for Uncertainty Estimation of Fire Propagation

要約

タイトル：火災伝播の不確実性推定のためのニューラルエミュレーター
要約：
– 火災伝播は、風速や風向きなどの環境条件の小さな変化が大きな観測挙動の変化を引き起こすため、高度に確率的な過程である。
– 火災進行の不確実性を定量化するための従来のアプローチは、シミュレーションのアンサンブルによる確率マップの生成であるが、アンサンブルの使用は通常計算コストが高く、不確実性分析の範囲を制限することができる。
– この問題を解決するために、入力パラメータの不確実性を直接推定するために、時空間ニューラルベースのモデリングアプローチを使用することを検討する。
– モデルトレーニング中に入力天気予報を故意に変更することによって、不確実性を表現する。
– 計算負荷はモデルトレーニングプロセスに集中するため、展開中により大きな確率空間を探索できる。
– 実証評価により、提案されたモデルは、35個のシミュレートされた火災のセットでの全体的なJaccardインデックス（類似度スコア）が67.4％の従来のSPARKシミュレーションプラットフォームによって生成された火災境界に比べて、競争力のあるJaccard類似度スコアを達成することが示された。
– エミュレートされた火災のアンサンブルを介して確率マップを生成するために使用された関連するニューラルモデル（エミュレータ）と比較すると、提案されたアプローチはおよそ1桁高速でありながら、競合するJaccard類似度スコアを生成する。

要約(オリジナル)

Wildfire propagation is a highly stochastic process where small changes in environmental conditions (such as wind speed and direction) can lead to large changes in observed behaviour. A traditional approach to quantify uncertainty in fire-front progression is to generate probability maps via ensembles of simulations. However, use of ensembles is typically computationally expensive, which can limit the scope of uncertainty analysis. To address this, we explore the use of a spatio-temporal neural-based modelling approach to directly estimate the likelihood of fire propagation given uncertainty in input parameters. The uncertainty is represented by deliberately perturbing the input weather forecast during model training. The computational load is concentrated in the model training process, which allows larger probability spaces to be explored during deployment. Empirical evaluations indicate that the proposed model achieves comparable fire boundaries to those produced by the traditional SPARK simulation platform, with an overall Jaccard index (similarity score) of 67.4% on a set of 35 simulated fires. When compared to a related neural model (emulator) which was employed to generate probability maps via ensembles of emulated fires, the proposed approach produces competitive Jaccard similarity scores while being approximately an order of magnitude faster.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI