[論文レビュー] A Machine Learning Approach to Long-Term Drought Prediction using Normalized Difference Indices Computed on a Spatiotemporal Dataset

Veronica Wairimu Muriga, Benjamin E. Rich+3 more|arXiv (Cornell University)|Feb 5, 2023

Hydrology and Drought AnalysisEnvironmental Science被引用数 3

ひとこと要約

本稿では、SEN2DWATERデータセットの時空間的Sentinel-2データから、正規化差分干ばつ指数（NDDI）を予測するための機械学習フレームワークを提案する。時空間的特徴を捉えるために時間分散畳み込みニューラルネットワーク（TD-CNN）を用い、NDDIを直接学習する初期段階手法と、NDVIおよびNDMIの予測後にNDDIを計算する後期段階手法を比較した。その結果、初期段階手法が顕著に優れた性能を示し、MSE（0.00054）、SSIM（0.99995）、PSNR（39.754）の観点で優位性を示した。

ABSTRACT

Climate change and increases in drought conditions affect the lives of many and are closely tied to global agricultural output and livestock production. This research presents a novel approach utilizing machine learning frameworks for drought prediction around water basins. Our method focuses on the next-frame prediction of the Normalized Difference Drought Index (NDDI) by leveraging the recently developed SEN2DWATER database. We propose and compare two prediction methods for estimating NDDI values over a specific land area. Our work makes possible proactive measures that can ensure adequate water access for drought-affected communities and sustainable agriculture practices by implementing a proof-of-concept of short and long-term drought prediction of changes in water resources.

研究の動機と目的

• 衛星画像から導出される正規化差分インデックスを用いた長期的干ばつ予測のための機械学習手法の開発を目的とする。
• 時間的・空間的連続データに対して、時間分散畳み込みニューラルネットワーク（TD-CNN）が正規化差分干ばつ指数（NDDI）を予測する有効性を評価することを目的とする。
• NDDIの計算戦略として、NDDIを直接学習する初期段階手法と、NDVIおよびNDMIの予測後にNDDIを計算する後期段階手法を比較し、予測精度を評価することを目的とする。
• SEN2DWATERデータセットが、深層学習を用いた干ばつ予測のベンチマークとしての可能性を評価することを目的とする。
• このようなモデルが、農業・畜産システムにおける水資源の能動的管理および気候変動へのレジリエンス向上に貢献できる可能性を検討することを目的とする。

提案手法

• スペインの湖沼・河川地域（2016–2022年）から取得された、13バンドのSentinel-2マルチスペクトル画像を含む時空間的データセット「SEN2DWATER」を用いる。各場所について6.5年間にわたり、雲を最小限に抑えた39枚の画像が収録されている。
• NDVI = (NIR - Red)/(NIR + Red)、NDMI = (NIR - SWIR)/(NIR + SWIR)、NDDI = (NDVI - NDMI)/(NDVI + NDMI) の3つのインデックスを計算。バンド8（NIR）、バンド4（Red）、バンド11（SWIR）を用いる。
• 時系列フレームごとに共有された2次元畳み込み層と、その後に続くConvLSTM層を備えた時間分散畳み込みニューラルネットワーク（TD-CNN）アーキテクチャを適用し、時空間的依存関係をモデル化する。
• 2つの異なる予測パイプラインを訓練する：(1) 初期段階—事前に計算されたNDDI画像を用いて単一のTD-CNNを学習；(2) 後期段階—別々のTD-CNNをNDVIおよびNDMIに学習させ、予測結果を組み合わせてNDDIを算出。
• 300×300pxの画像を、複数の場所にわたる空間的一般化を確保するため、16×64×64pxのパッチに分割して訓練および検証に使用。
• テストデータに対してMSE、SSIM、PSNRを用いてモデルを評価し、NDVI、NDMI、および2つのNDDI予測手法の性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 時空間的衛星データを用いた長期的干ばつ監視において、TD-CNNはNDDIインデックスを効果的に予測できるか？
• RQ2 事前に計算されたNDDIを直接学習する初期段階手法と、NDVIおよびNDMIの予測結果を組み合わせてNDDIを算出する後期段階手法の間で、予測精度にどのような差が生じるか？
• RQ3 特に、干ばつに脆弱でない地域（SEN2DWATERデータセットが収集された地域のように）のデータ特徴が、NDDIに基づく予測モデルの性能に与える影響は何か？
• RQ4 深層学習ベースの予測において、NDDIインデックスはNDVIやNDMIと比較して、解像度の損失をどの程度受けるか？
• RQ5 このようなモデルは、雲被りなどの悪条件下でのデータ再構築や、水資源管理におけるマルチステップ予測支援に利用可能か？

主な発見

• 初期段階NDDI予測手法は、MSEが0.00054にまで低下し、後期段階手法（MSE = 0.0062）を著しく上回る性能を示した。
• 初期段階NDDIモデルは、構造的類似性指数（SSIM）が0.99995、ピークノイズ比（PSNR）が39.754に達し、ほぼ完全な再構成忠実度を示した。
• 後期段階NDDI予測手法は、依然として高い精度を示したが、2つの別個モデルからの誤差伝搬の影響により、解像度の著しい低下と誤差増加が見られた。
• NDVIおよびNDMIの予測は非常に正確で、それぞれMSEが0.00743および0.01065であり、高いSSIMおよびPSNRスコアを示した。これは、短期予測に適していることを裏付けた。
• 本研究では、NDDIインデックスが、干ばつに脆弱でない地域（SEN2DWATERデータセットが収集された比較的安定した非乾燥地域）では長期予測にあまり適していない可能性があると示唆された。
• 結果から、SEN2DWATERデータセットが深層学習ベースの水資源予測のベンチマークとしての可能性を有することを支持し、NDDIモデリングの解像度向上、あるいはSPEIなどの代替インデックスの導入による性能向上の必要性が浮き彫りになった。