Application of Explainable Artificial Intelligence in Predicting Wildfire Spread: An ASPP-Enabled CNN Approach
Notice bibliographique
Résumé
Forest ecosystems have been persistently affected by wildfires, leading to significant damage worldwide. The severity and frequency of wildfires have escalated in recent years, necessitating more effective prediction models. This study presents an application of convolutional neural networks (CNNs) for wildfire spread prediction, focusing on the use of atrous spatial pyramid pooling (ASPP) mechanisms in these networks. However, the black-box nature of these algorithms has not been fully explored. To bridge this gap, we proposed an explainable CNN model with an ASPP mechanism (CNN-ASPP) in this study. More specifically, we utilize the Next Day Wildfire Spread dataset, which includes environmental variables, to evaluate the performance of our model. The proposed model is compared with state-of-the-art machine learning (ML) methods, including random forest (RF), support vector machine (SVM), artificial neural network (ANN), and another CNN model. Our results showed that CNN-ASPP achieved an F1-score of 97%, outperforming the ML methods with an F1-score of 90% for a neighborhood size of$7\times 7$. We also opened the black box and tried to explanation different convolutional layers based on the gradient-weighted class activation mapping (Grad-CAM) algorithm. Our findings indicate that larger dilation rates (DRs) can extract more meaningful features from the input data. This study contributes to the development of more transparent and accurate models for wildfire spread prediction, which could have significant implications for forest management and wildfire prevention strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».