[論文レビュー] Detecting Crop Burning in India using Satellite Data

Kendra Walker, Ben Moscona+6 more|arXiv (Cornell University)|Sep 21, 2022

Impact of Light on Environment and Health被引用数 4

ひとこと要約

本研究では、インド・パンジャブにおける作物残留燃焼を高精度で検出するためのリモートセンシングモデルを開発した。高分解能のPlanetScope（3m、1日1回）およびSentinel-2（10m、週1回）衛星データを用い、681件の確認済みプロットから得た地上実測ラベルを用いてランダムフォレスト分類器を学習させた。その結果、82%の精度を達成し、時間的・スペクトル的整合性の課題が存在する中でも、正確でスケーラブルな監視の可能性を示した。

ABSTRACT

Crop residue burning is a major source of air pollution in many parts of the world, notably South Asia. Policymakers, practitioners and researchers have invested in both measuring impacts and developing interventions to reduce burning. However, measuring the impacts of burning or the effectiveness of interventions to reduce burning requires data on where burning occurred. These data are challenging to collect in the field, both in terms of cost and feasibility. We take advantage of data from ground-based monitoring of crop residue burning in Punjab, India to explore whether burning can be detected more effectively using accessible satellite imagery. Specifically, we used 3m PlanetScope data with high temporal resolution (up to daily) as well as publicly-available Sentinel-2 data with weekly temporal resolution but greater depth of spectral information. Following an analysis of the ability of different spectral bands and burn indices to separate burned and unburned plots individually, we built a Random Forest model with those determined to provide the greatest separability and evaluated model performance with ground-verified data. Our overall model accuracy of 82-percent is favorable given the challenges presented by the measurement. Based on insights from this process, we discuss technical challenges of detecting crop residue burning from satellite imagery as well as challenges to measuring impacts, both of burning and of policy interventions.

研究の動機と目的

• インド・パンジャブにおける作物残留燃焼を、利用可能な衛星画像を用いて信頼性の高い方法で検出すること。
• 高時間分解能（PlanetScope）および高スペクトル分解能（Sentinel-2）衛星データが燃焼検出にどの程度有効であるかを評価すること。
• 681件のプロットから得た地上確認データを活用して機械学習モデルを学習・検証し、精度を向上させるとともに誤検出を低減すること。
• スペクトル的混同、時間的ギャップ、はだの影響といった、リモートセンシングに基づく燃焼検出における技術的課題を特定すること。
• 正確な燃焼発生頻度の測定と干渉策の有効性を評価できるように、政策評価を支援すること。

提案手法

• インド・パンジャブの米作プロット3206件から地上実測データを収集し、現場調査およびスポットチェックにより240件の未燃焼および441件の燃焼済みプロットを確認した。
• 時間分解能の高いPlanetScopeデータ（3m、最大1日1回）および週間分解能のSentinel-2データ（10m）を用いてスペクトル分析を実施した。
• 燃焼済みおよび未燃焼プロットを分離できる能力について、スペクトルバンドおよび燃焼インデックス（例：char index、BASMA）を評価した。
• 最も分離能の高いスペクトル特徴量を用いてランダムフォレスト分類器を構築し、地上実測ラベルとの照合によって性能を検証した。
• ピクセルレベルとプロットレベルのモデリングを比較し、相関に起因する特徴量重要度バイアスを低減するため、ピクセルレベルモデルの有効性を検討した。
• プロットレベルでのRNNやCNNの応用による改善可能性を検討し、BASMA燃焼インデックスを高時間分解能画像に適応させた。

実験結果

リサーチクエスチョン

• RQ1 PlanetScopeおよびSentinel-2の高分解能衛星データは、小規模農業システムにおける作物残留燃焼を効果的に検出できるか？
• RQ2 相関のあるプロット内衛星データを用いる場合、ピクセルレベルとプロットレベルのモデリングアプローチの間でモデルの精度はどのように変化するか？
• RQ3 一般的に用いられるchar indexやBASMAといった燃焼インデックスは、パンジャブにおける作物残留燃焼検出において、従来のインデックスをどれほど上回るか？
• RQ4 はだや時間的ギャップといった大気的要因は、衛星画像における燃焼イベント検出にどの程度影響を及えるか？
• RQ5 地上確認済みデータは、燃焼行動への政策的影響を測定するリモートセンシングモデルの信頼性を向上させることができるか？

主な発見

• ランダムフォレストモデルは、地上確認ラベルを用いて作物残留燃焼を検出する際、全体で82%の精度を達成した。
• 本研究地域では、より一般的に用いられる燃焼インデックスよりも、char indexが燃焼済みおよび未燃焼プロットの分離において優れた性能を示した。
• ピクセルレベルモデリングはモデル性能を向上させるとともに、プロット内相関に起因するバイアスを低減したが、地上データの時間的非ランダム性のため、プロットレベルモデリングは依然として困難である。
• BASMA燃焼インデックスは、高時間分解能のPlanetScopeデータに適用した場合に優れた性能を示したが、はだの影響を強く受けやすく、低分解能のSentinel-2データでは検出漏れが生じた。
• 地上確認済み未燃焼ラベルは2週間の期間に集中しており、モデルの一般化能力に制限をもたらし、より体系的なフィールドデータ収集の必要性を浮き彫りにした。
• 本研究では、高分解能衛星データと地上実測データの組み合わせにより、燃焼後1〜3日という狭い時間窓内でも、燃焼イベントの信頼性の高い検出が可能であることを示した。