用于全球尺度野火预测的JULES-INFERNO深度学习代理模型
机器学习
2024-09-04 v1 人工智能
摘要
全球野火模型在预测和应对不断变化的野火状况中扮演着关键角色。JULES-INFERNO是一个全球植被与火灾模型，用于模拟全球尺度的野火排放和过火面积。然而，由于数据维度高和系统复杂性，JULES-INFERNO的计算成本使其难以应用于具有未见初始条件的火灾风险预测。通常，运行JULES-INFERNO进行30年的预测需要在高性能计算（HPC）集群上花费数小时。为解决这一瓶颈，本研究基于深度学习技术构建了两个数据驱动模型，以代理JULES-INFERNO模型并加速全球野火预测。更具体地说，这些机器学习模型以全球温度、植被密度、土壤湿度和先前的预测作为输入，以迭代方式预测后续的全球过火面积。使用每像素平均误差（AEP）和结构相似性指数（SSIM）作为指标来评估所提出的代理模型的性能。本研究还提出了一种微调策略，以提高算法在未见场景下的性能。数值结果显示，所提出的模型在计算效率（在笔记本电脑CPU上预测30年少于20秒）和预测精度（与JULES-INFERNO的输出相比，AEP低于0.3%，SSIM超过98%）方面均表现出色。
引用
@article{arxiv.2409.00237,
title = {Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale},
author = {Sibo Cheng and Hector Chassagnon and Matthew Kasoar and Yike Guo and Rossella Arcucci},
journal= {arXiv preprint arXiv:2409.00237},
year = {2024}
}