Ítem
Acceso Abierto
Integration of a Deep-Learning-Based Fire Model Into a Global Land Surface Model
Título de la revista
Autores
Son, R.
Stacke, T.
Gayler, V.
Nabel, J. E. M. S.
Schnur, R.
Alonso, L.
Requena-Mesa, C.
Winkler, A. J.
Hantson, S.
Zaehle, S.
Archivos
Fecha
2024-01-01
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
El fuego es un factor crucial en los ecosistemas terrestres y juega un papel en la alteración de la dinámica de la vegetación. Los modelos de incendios basados ??en procesos cuantifican los efectos de las perturbaciones del fuego en modelos dinámicos de vegetación global (DGVM) independientes y sus avances han incorporado tanto descripciones de procesos naturales como de impulsores antropogénicos. Sin embargo, estos modelos muestran una habilidad limitada para modelar eventos de incendio a escala global, debido a las características estocásticas de la ocurrencia y el comportamiento del incendio, así como a los límites en las parametrizaciones empíricas en los modelos basados ??en procesos. Como alternativa, el aprendizaje automático ha demostrado su capacidad de proporcionar diagnósticos sólidos de los regímenes de incendios. Aquí, desarrollamos un modelo de incendios basado en aprendizaje profundo (DL-fire) para estimar la fracción diaria de área quemada a escala global y acoplarlo dentro de JSBACH4, el modelo de superficie terrestre utilizado en ICON-ESM. El modelo independiente de incendio DL forzado con variables meteorológicas, terrestres y socioeconómicas es capaz de simular el área total quemada global, mostrando 0,8 de correlación mensual (rm) con GFED4 durante el período de evaluación (2011-2015). El rendimiento sigue siendo similar con el enfoque de modelado híbrido JSB4-DL-fire (rm = 0,79) superando al modelo de incendio estándar no calibrado actualmente utilizado en JSBACH4 (rm = ?0,07). Cuantificamos aún más la importancia de cada predictor aplicando la propagación de relevancia por capas (LRP). En general, las propiedades de la tierra, como la cantidad de combustible y el contenido de agua en las capas del suelo, se destacan como los principales factores que determinan la fracción quemada en los incendios DL, en paralelo con las condiciones meteorológicas en las regiones tropicales y de latitudes altas. Nuestro estudio demuestra el potencial del modelado híbrido para avanzar en la predicción de incendios en ESM mediante la integración de enfoques de aprendizaje profundo en modelos dinámicos basados ??en la física.
Abstract
Fire is a crucial factor in terrestrial ecosystems playing a role in disturbance for vegetation dynamics. Process-based fire models quantify fire disturbance effects in stand-alone dynamic global vegetation models (DGVMs) and their advances have incorporated both descriptions of natural processes and anthropogenic drivers. Nevertheless, these models show limited skill in modeling fire events at the global scale, due to stochastic characteristics of fire occurrence and behavior as well as the limits in empirical parameterizations in process-based models. As an alternative, machine learning has shown the capability of providing robust diagnostics of fire regimes. Here, we develop a deep-learning-based fire model (DL-fire) to estimate daily burnt area fraction at the global scale and couple it within JSBACH4, the land surface model used in the ICON-ESM. The stand-alone DL-fire model forced with meteorological, terrestrial and socio-economic variables is able to simulate global total burnt area, showing 0.8 of monthly correlation (rm) with GFED4 during the evaluation period (2011–2015). The performance remains similar with the hybrid modeling approach JSB4-DL-fire (rm = 0.79) outperforming the currently used uncalibrated standard fire model in JSBACH4 (rm = ?0.07). We further quantify the importance of each predictor by applying layer-wise relevance propagation (LRP). Overall, land properties, such as fuel amount and water content in soil layers, stand out as the major factors determining burnt fraction in DL-fire, paralleled by meteorological conditions over tropical and high latitude regions. Our study demonstrates the potential of hybrid modeling in advancing fire prediction in ESMs by integrating deep learning approaches in physics-based dynamical models.
Palabras clave
Aprendizaje profundo , Modelo de superficie
Keywords
Deep-Learning , Surface model
