使用图神经网络的可解释全球野火预测模型
机器学习
2024-02-13 v1 人工智能
摘要
由于气候变化影响的不断升级，野火预测变得愈发关键。传统的基于 CNN 的野火预测模型难以处理缺失的海洋数据，并解决气象数据中远距离区域之间的长程依赖关系。在本文中，我们引入了一种创新的基于图神经网络 (GNN) 的全球野火预测模型。我们提出了一种混合模型，将图卷积网络 (GCN) 的空间能力与长短期记忆 (LSTM) 网络的时间深度相结合。我们的方法独特地将全球气候和野火数据转换为图表示，解决了传统模型中固有的海洋空数据位置和长程依赖等挑战。使用未见过的 JULES-INFERNO 模拟集合与已建立的架构进行基准测试，我们的模型展示了优越的预测准确性。此外，我们强调模型的可解释性，通过社区检测揭示潜在的野火关联集群，并通过积分梯度分析阐明特征重要性。我们的发现不仅推进了野火预测的方法学领域，也强调了模型透明性的重要性，为野火管理中的利益相关者提供了宝贵的见解。
引用
@article{arxiv.2402.07152,
title = {Explainable Global Wildfire Prediction Models using Graph Neural Networks},
author = {Dayou Chen and Sibo Cheng and Jinwei Hu and Matthew Kasoar and Rossella Arcucci},
journal= {arXiv preprint arXiv:2402.07152},
year = {2024}
}