Integration of a Deep-Learning-Based Fire Model Into a Global Land Surface Model

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.

• Fecha de publicación: 2024
• Institución: Universidad del Rosario
• Repositorio: Repositorio EdocUR - U. Rosario
• Idioma: eng
• OAI Identifier: oai:repository.urosario.edu.co:10336/42913
• Acceso en línea: https://doi.org/10.1029/2023MS003710; https://repository.urosario.edu.co/handle/10336/42913
• Palabra clave: Aprendizaje profundo; Modelo de superficie; Deep-Learning; Surface model
• License: Attribution-NonCommercial-NoDerivatives 4.0 International