Επισκόπηση
Τα παγκόσμια μοντέλα πυρκαγιάς δυσκολεύονται να αποτυπώσουν τις τοπικές συνθήκες: η φωτιά είναι περιφερειακό φαινόμενο. Στη διπλωματική μου εργασία σχεδίασα μια προσέγγιση Τοπικής Μοντελοποίησης (Local Area Modeling, LAM) πάνω στην αρχιτεκτονική GraphCast του FireCastNet — γραφικά νευρωνικά δίκτυα σε πλέγματα icosphere που προβλέπουν καμένη έκταση από κλιματικά δεδομένα.
Ο κώδικας ενσωματώθηκε στο αρχικό έργο και βρίσκεται στους κλάδους lam και lam-visual του FireCastNet:
lam · lam-visual.
Τι έφτιαξα
Η περιφερειακή μοντελοποίηση χρειάζεται πλέγματα που συγκεντρώνουν ανάλυση εκεί που γίνεται η φωτιά. Έχτισα pipeline κατασκευής πλεγμάτων icosphere ανά περιφέρεια (GFED περιοχές όπως BONA, CEAM, CEAS) με PyMesh σε Docker, και pipeline δεδομένων που κόβουν τους κλιματικούς κύβους SeasFire σε τοπικά inputs (mslp, tp, vpd, sst, t2m_mean, ssrd, ndvi, πληθυσμιακή πυκνότητα) με την καμένη έκταση gwis_ba ως στόχο ταξινόμησης.
Το μοντέλο χρησιμοποιεί τη στοίβα encoder–processor–decoder του GraphCast με GRU processors στους κόμβους του πλέγματος. Η εκπαίδευση είναι config-driven μέσω Lightning CLI με συναρτήσεις απώλειας σταθμισμένες ως προς το εμβαδόν των κελιών (L1/MSE/Huber), checkpointing βάσει AUPRC και καταγραφή Weights & Biases. Οι βασικές γραμμές περιλαμβάνουν GRU, ConvGRU, ConvLSTM, UTAE και custom μοντέλα GAT/GraphConv/GraphMsgPassing.
Τεχνικά highlights
- Κατασκευή περιφερειακών πλεγμάτων icosphere για μοντελοποίηση τοπικής κλίμακας
- Χωροχρονικό GNN τύπου GraphCast: encoder–processor–decoder με GRU processor
- Γεωχωρικά σταθμισμένες απώλειες ως προς το εμβαδόν κελιών
- Πλήρης στοίβα πειραμάτων Lightning CLI με W&B και μετρικές AUPRC
Αποτέλεσμα
Τα αποτελέσματα της διπλωματικής συνεισφέρθηκαν στο αρχικό έργο· ο κλάδος lam φέρει την ερευνητική υλοποίηση και ο lam-visual την οπτικοποίηση των εξόδων της.