13、时空注意力卷积长短期记忆网络用于野火蔓延预测与物理解释

时空注意力卷积长短期记忆网络用于野火蔓延预测与物理解释

1 引言

在美国，野火每年都会造成数十亿美元的损失，且由于气候变化，过去十年野火发生的频率有所增加。截至2022年9月2日，美国近48500起野火已烧毁约620万英亩土地。尽管野火对生态过程有一定益处，但会对社区造成负面影响，如2021年近6000座建筑被烧毁，其中大部分发生在加利福尼亚州。由于气候变化导致的干旱和高温，该州近年来野火季节持续时间更长。因此，准确预测野火的发生和蔓延对于保护人类生命、经济和环境至关重要。

然而，准确预测野火这种时空事件具有挑战性，因为火锋在空间和相对较短时间内的动态和形态不断变化。此外，现有的物理模型数据需求大，开发困难，而深度学习方法在时空上难以扩展且缺乏物理解释性。为解决这些问题，提出了一种地理人工智能（GEO - AI）方法，用于解决野火蔓延动态随机时空预测和物理解释的挑战。该方法在空间数据科学生命周期中进行展示，并与基准模型进行比较，包括问题陈述、数据准备、模型构建 - 训练与验证以及事后分析（敏感性测试和训练模型的物理解释）。

2 技术贡献

现有的野火蔓延模型可分为三类：物理模型、经验模型和半经验模型。基于物理和化学定律的物理模型过于机械且数据需求大，而纯经验模型在不同环境梯度下的泛化能力较差。近年来，机器学习模型在野火动态建模中越来越受欢迎，其中卷积长短期记忆网络（ConvLSTM）为时空预测提供了理想框架，因为它能够处理空间和时间相关性。

不过，野火的空间传播具有概率性，存在可变的局部和长距离时空依赖关系。生物物理因素，如地形、异质燃料模式、植被湿度和大气动力学等，会影响火锋的时空传播过程。因此，捕捉局部邻域内和跨时间的重要事件驱动关系