用于野火数据同化与时空建模的贝叶斯物理信息神经网络
机器学习
2023-04-28 v2
摘要
我们将物理信息神经网络（PINN）应用于野火火锋建模问题。利用PINN求解水平集方程，该偏微分方程通过水平集函数的零水平集对火锋进行建模。结果是一个在时空域中随火锋传播进行模拟的PINN。我们表明，文献中常用的优化代价函数可能导致PINN在 exogenous 强迫变量（如风向）发生极端变化时无法保持建模火锋的时间连续性。因此我们提出对优化代价函数的新增改进，以在这些极端变化下改善时间连续性。此外，我们开发了一种在PINN内执行数据同化的方法，使PINN预测被引向火锋观测值。最后，我们将这些新方法整合进贝叶斯PINN（B-PINN）中，以在火锋预测中提供不确定性量化。这具有重要意义，因为标准求解器水平集方法天然不具备数据同化与不确定性量化能力。我们的结果表明，借助这些新方法，B-PINN能在真实世界数据上产生具有高质量不确定性量化的准确预测。
引用
@article{arxiv.2212.00970,
title = {Bayesian Physics Informed Neural Networks for Data Assimilation and Spatio-Temporal Modelling of Wildfires},
author = {Joel Janek Dabrowski and Daniel Edward Pagendam and James Hilton and Conrad Sanderson and Daniel MacKinlay and Carolyn Huston and Andrew Bolt and Petra Kuhnert},
journal= {arXiv preprint arXiv:2212.00970},
year = {2023}
}
备注
Accepted for publication in Spatial Statistics