Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks

要約

気候変動により火災気象状況が悪化すると予想されており、地球規模での山火事を正確に予測することが災害軽減にとってますます重要になっています。
この研究では、気候、植生、海洋指標、人間関連変数を含む包括的な世界規模の山火事データセットである SeasFire を利用し、機械学習による季節の山火事予測を可能にします。
予測分析では、山火事につながる時空間コンテキストを捕捉するさまざまなアーキテクチャを使用して深層学習モデルをトレーニングします。
私たちの調査は、最大 6 か月先までの世界規模のさまざまな予測期間における焼失地域の存在を予測する際のこれらのモデルの有効性を評価すること、および異なる空間的または時間的状況がモデルのパフォーマンスにどのような影響を与えるかを評価することに焦点を当てています。
私たちの調査結果は、季節火災予測におけるディープラーニング モデルの大きな可能性を示しています。
入力時系列が長いほど、さまざまな予測範囲にわたってより堅牢な予測が可能になり、同時に空間情報を統合して山火事の時空間ダイナミクスをキャプチャすることでパフォーマンスが向上します。
最後に、我々の結果は、より長い予測期間でのパフォーマンスを向上させるためには、空間的により大きな受容野を考慮する必要があることを示唆しています。

要約(オリジナル)

With climate change expected to exacerbate fire weather conditions, the accurate anticipation of wildfires on a global scale becomes increasingly crucial for disaster mitigation. In this study, we utilize SeasFire, a comprehensive global wildfire dataset with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning. For the predictive analysis, we train deep learning models with different architectures that capture the spatio-temporal context leading to wildfires. Our investigation focuses on assessing the effectiveness of these models in predicting the presence of burned areas at varying forecasting time horizons globally, extending up to six months into the future, and on how different spatial or/and temporal context affects the performance of the models. Our findings demonstrate the great potential of deep learning models in seasonal fire forecasting; longer input time-series leads to more robust predictions across varying forecasting horizons, while integrating spatial information to capture wildfire spatio-temporal dynamics boosts performance. Finally, our results hint that in order to enhance performance at longer forecasting horizons, a larger receptive field spatially needs to be considered.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google