Causal Graph Neural Networks for Wildfire Danger Prediction

要約

山火事の予測は、気象条件、植生の種類、人間の活動などのさまざまな要因が複雑に絡み合うため、難しいことで知られています。
深層学習モデルは、データから直接学習することでこの複雑さに対処する可能性を示しています。
しかし、重要な意思決定に情報を提供するには、適切な理由を持つ適切なモデルが必要であると私たちは主張します。
つまり、学習された暗黙のルールは、山火事の原因となっている根底にあるプロセスに基づいている必要があります。
その方向で、グラフ学習を通じて複雑な変数間の因果メカニズムを明示的にモデル化するグラフ ニューラル ネットワーク (GNN) と因果関係を統合することを提案します。
因果的隣接行列では、変数間の相乗効果が考慮され、相関性の高い影響から誤ったリンクが除去されます。
私たちの方法論の有効性は、ヨーロッパの北方および地中海の生物群系における山火事のパターンを予測する優れたパフォーマンスによって実証されています。
このゲインは、非常に不均衡なデータセットで特に顕著であり、関数関係におけるレジームシフトに適応するモデルの堅牢性が強化されていることを示しています。
さらに、トレーニングされたモデルからの SHAP 値により、モデルの内部動作についての理解がさらに深まります。

要約(オリジナル)

Wildfire forecasting is notoriously hard due to the complex interplay of different factors such as weather conditions, vegetation types and human activities. Deep learning models show promise in dealing with this complexity by learning directly from data. However, to inform critical decision making, we argue that we need models that are right for the right reasons; that is, the implicit rules learned should be grounded by the underlying processes driving wildfires. In that direction, we propose integrating causality with Graph Neural Networks (GNNs) that explicitly model the causal mechanism among complex variables via graph learning. The causal adjacency matrix considers the synergistic effect among variables and removes the spurious links from highly correlated impacts. Our methodology’s effectiveness is demonstrated through superior performance forecasting wildfire patterns in the European boreal and mediterranean biome. The gain is especially prominent in a highly imbalanced dataset, showcasing an enhanced robustness of the model to adapt to regime shifts in functional relationships. Furthermore, SHAP values from our trained model further enhance our understanding of the model’s inner workings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google