[論文レビュー] A Probabilistic Approach for Predicting Landslides by Learning a Self-Aligned Deep Convolutional Model.

Ainaz Hajimoradlou, Gioachino Roberti+1 more|arXiv (Cornell University)|Nov 12, 2019

Landslides and related hazards参考文献 4被引用数 1

ひとこと要約

本論文では、局所的な地形勾配にフィルタを整列させるように学習する深層学習モデルであるローカルに整列した畳み込みニューラルネットワーク（LACNN）を提案する。このモデルは、複数の地理空間的特徴（斜度、標高、土地被覆、岩性など）を用いて、土砂災害の危険度を予測する。上り勾配の方向性を事前知識として組み込むことで、標準化された地理的に位置指定されたデータセット上で、ベースラインと比較して予測精度を2–7%向上させ、対数尤度を2–15%向上させた。

ABSTRACT

Landslides, movement of soil and rock under the influence of gravity, are common phenomena that cause significant human and economic losses every year. Experts use heterogeneous features such as slope, elevation, land cover, lithology, rock age, and rock family to predict landslides. To work with such features, we adapted convolutional neural networks to consider relative spatial information for the prediction task. Traditional filters in these networks either have a fixed orientation or are rotationally invariant. Intuitively, the filters should orient uphill, but there is not enough data to learn the concept of uphill; instead, it can be provided as prior knowledge. We propose a model called Locally Aligned Convolutional Neural Network, LACNN, that follows the ground surface at multiple scales to predict possible landslide occurrence for a single point. To validate our method, we created a standardized dataset of georeferenced images consisting of the heterogeneous features as inputs, and compared our method to several baselines, including linear regression, a neural network, and a convolutional network, using log-likelihood error and Receiver Operating Characteristic curves on the test set. Our model achieves 2-7% improvement in terms of accuracy and 2-15% boost in terms of log likelihood compared to the other proposed baselines.

研究の動機と目的

• 斜度、標高、土地被覆、岩性などの異種の地理空間的特徴を用いて土砂災害を予測する課題に対処すること。
• 従来の畳み込みネットワークよりも、地形データ内の空間的関係をより効果的にモデル化することで、土砂災害の予測を改善すること。
• データから直接学習できないため、上り方向の方向性という概念を事前知識として組み込むこと。
• 点単位の土砂災害リスク評価に適応可能な、複数スケールでの局所的な地表面の向きに合わせた深層学習モデルの開発。
• 対数尤度とROC曲線の指標を用いて、標準的なベースラインと比較してモデルの性能を検証すること。

提案手法

• ローカルに整列した畳み込みニューラルネットワーク（LACNN）を提案する。これは、固定または回転不変なフィルタではなく、局所的な地形勾配に合わせて学習する畳み込みニューラルネットワークの変種である。
• データから直接この概念を学習できないため、上り方向の方向性という事前知識を用いてフィルタの方向性をガイドする。
• 斜度、標高、土地被覆などの異種の特徴を含む地理的に位置指定された入力画像を、マルチチャネルの空間的データとして処理する。
• 土砂災害発生に寄与する局所的な地形形状を捉えるために、マルチスケールの特徴抽出を実施する。
• 教師あり学習を用いて、各空間的ポイントにおける土砂災害の発生確率を予測するように、モデルをエンドツーエンドで訓練する。
• 標準化されたテストセットを用いて、対数尤度誤差とAUC-ROCを指標に性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 局所的な地形勾配にフィルタを整列させる深層学習モデルは、標準的な畳み込みニューラルネットワークと比較して、土砂災害の予測精度を向上させることができるか？
• RQ2 上り方向の方向性という事前知識を組み込むことで、土砂災害危険度マップのモデル性能にどのような影響を与えるか？
• RQ3 対数尤度とAUC-ROCの観点から、LACNNは線形回帰や標準的なニューラルネットワークといった従来の手法をどの程度上回るか？
• RQ4 フィルタのマルチスケールでの局所的整列は、土砂災害発生リスクの高い領域の検出を向上させるか？
• RQ5 自己整列型畳み込みモデルは、多様な地理空間的特徴に一般化して効果的に機能するか？

主な発見

• LACNNは、線形回帰、標準的なニューラルネットワーク、従来の畳み込みネットワークを含むベースラインモデルと比較して、予測精度が2–7%向上した。
• 対数尤度性能が2–15%向上し、確率予測のキャリブレーションが良好であることが示された。
• 上り方向の方向性を事前知識として組み込むことで、モデルの一般化能力と空間的推論能力が顕著に向上した。
• LACNNは、対数尤度とAUC-ROCの両方の指標で、すべてのベースラインを上回り、堅牢性と予測能力の高さを示した。
• 標準化された地理的に位置指定されたデータセットにより、異なるモデル間での信頼性の高いベンチマークと結果の再現性が可能になった。
• マルチスケールでの局所的整列により、土砂災害発生に寄与する微細な地形特徴をモデルが捉えることができた。