[論文レビュー] Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data

Fantine Huot, Ruiheng Hu+7 more|arXiv (Cornell University)|Oct 15, 2020

Fire effects on ecosystems参考文献 16被引用数 19

ひとこと要約

本研究では、気象、植生、地形、および歴史的火災記録を含む、ほぼ10年分の統合されたリモートセンシングデータを活用した深層学習フレームワークを提案する。U-NetやLSTM強化モデルを含む4種類の深層学習アーキテクチャを用いたアプローチは、高リスク地域の特定においてAUC 83%を達成し、データ駆動型モデルが野火リスク評価および早期警戒システムにおける潜在的可能性を示している。

ABSTRACT

Identifying regions that have high likelihood for wildfires is a key component of land and forestry management and disaster preparedness. We create a data set by aggregating nearly a decade of remote-sensing data and historical fire records to predict wildfires. This prediction problem is framed as three machine learning tasks. Results are compared and analyzed for four different deep learning models to estimate wildfire likelihood. The results demonstrate that deep learning models can successfully identify areas of high fire likelihood using aggregated data about vegetation, weather, and topography with an AUC of 83%.

研究の動機と目的

• 歴史的リモートセンシングデータを用いたデータ駆動型の野火発生確率予測手法の開発を目的とする。
• 野火発生におけるクラス不均衡および空間的・時間的変動性の課題を、深層学習を用いて解決することを目的とする。
• マルチソースのリモートセンシングデータから火災発生リスク地域をセグメンテーションするための複数の深層学習アーキテクチャの評価を目的とする。
• 土地管理、災害準備、および早期警戒システムにおける野火リスク推定の改善を目的とする。
• 正確な火災境界が予測困難な状況でも、深層学習を用いて高リスク地域を特定する可能性の検討を目的とする。

提案手法

• Google Earth Engineから得た、MODISの火災アクティブデータ、SRTMの地形データ、GRIDMETの干ばつ指数、VIIRSの植生指数を含む、統合されたマルチソースのリモートセンシングデータ。
• 3つの機械学習タスクを構築：日次画像セグメンテーション、7日間ウィンドウでの集約画像セグメンテーション、時間的データを用いたシーケンスセグメンテーション。
• 4種類の深層学習モデルを訓練：畳み込み自己符号化器、残差U-Net、畳み込みLSTMを組み合わせた自己符号化器、畳み込みLSTMを組み合わせたU-Net。
• 128×128 kmの解像度のタイルを1 km空間解像度で使用し、火災マスクを正例ラベルとして用いた。
• データ増強と時間的モデリングを適用し、特に長期リスク推定における汎化性能を向上させた。
• テストデータにおけるAUCと視覚的セグメンテーション性能を評価し、偽陽性と境界誤分類に特に注目した。

実験結果

リサーチクエスチョン

• RQ1 統合された歴史的リモートセンシングデータを用いた深層学習モデルは、野火発生確率を効果的に予測できるか？
• RQ2 異なる深層学習アーキテクチャは、マルチモodalなリモートセンシング入力からの火災発生リスク地域のセグメンテーションにおいて、どのように比較されるか？
• RQ3 畳み込みLSTMを用いた時間的ダイナミクスの統合は、静的モデルと比較して野火発生確率推定を改善するか？
• RQ4 正確な火災位置の予測における主な課題は何か。また、クラス不均衡はモデル性能にどのように影響するか？
• RQ5 歴史的データで訓練されたモデルは、実際に火災が発生しなくても高リスク地域を特定できるか。これにより、予防的火災管理が可能になるか？

主な発見

• 深層学習モデルは、野火発生確率の予測においてAUC 83%を達成し、高リスク地域の特定において優れた性能を示した。
• 畳み込みLSTMを統合した残差U-Netが、火災発生の空間的・時間的パターンを効果的に捉えており、他のモデルを上回った。
• 予想に反し、集約セグメンテーションタスク（7日間の火災マスク）は、日次セグメンテーションタスクより性能が悪く、小さなデータセットでの過学習が原因であった。
• セグメンテーションの誤りの主な原因は、小さな火災の欠落と火災境界領域での誤分類であり、正確な局所化における課題を浮き彫りにした。
• 正確な火災サイズや位置が誤って予測されても、モデルは火災タイルと非火災タイルを効果的に区別できた。これは、地域レベルのリスク検出能力が強いことを示している。
• 本研究では、正確なセグメンテーションではなく、大規模な火災リスク評価というタスクに再定式化することで、火災管理における実用的有用性が向上する可能性が示唆された。