用于联合建模澳大利亚中度与极端野火的深层图回归方法
应用统计
2024-01-12 v2 机器学习
摘要
近期澳大利亚的野火造成了相当大的经济损失与财产破坏，且人们日益担忧气候变化可能加剧其强度、持续时间与频率。极端野火的危险量化是野火管理的重要组成，因其有助于高效资源配置、不利影响缓解与恢复工作。然而，尽管极端野火通常影响最甚，小型与中度火灾仍可对当地社区与生态系统造成毁灭性打击。因此，亟需开发稳健的统计方法以可靠地建模野火蔓延的完整分布。我们针对 1999 至 2019 年澳大利亚野火的新数据集这样做，并分析大致对应于统计区一级与二级（SA1/SA2）区域的月度蔓延。鉴于野火引燃与蔓延的复杂性，我们利用统计深度学习与极值理论的最新进展，构建了一个使用图卷积神经网络与扩展广义 Pareto 分布的参数回归模型，从而能够对不规则空间域上观测到的野火蔓延进行建模。我们凸显了新提模型的有效性，并对澳大利亚及人口稠密社区（即塔斯马尼亚、悉尼、墨尔本与珀斯）进行了野火危险评估。
引用
@article{arxiv.2308.14547,
title = {Deep graphical regression for jointly moderate and extreme Australian wildfires},
author = {Daniela Cisneros and Jordan Richards and Ashok Dahal and Luigi Lombardo and Raphaël Huser},
journal= {arXiv preprint arXiv:2308.14547},
year = {2024}
}