[論文レビュー] Explainable AI Integrated Feature Engineering for Wildfire Prediction

Di Fan, Ayan Biswas+1 more|arXiv (Cornell University)|Apr 1, 2024

Fire effects on ecosystemsEnvironmental Science被引用数 3

ひとこと要約

本研究では、分類と回帰の両方のタスクに特化した機械学習フレームワークを提示し、XGBoostを用いた分類とランダムフォレストを用いた回帰を統合し、数値データおよび画像データを処理するハイブリッドCNNを用いて分類と回帰を同時に実行する。主な結果として、XGBoostは火災種別の分類において高い正確性を示し、ランダムフォレスト回帰は焼けた領域の予測誤差を最小化した。また、XAI技術（TreeSHAPおよびGrad-CAM）の適用により、土壌水分と ignitions 条件が予測に最も影響を与える要因であることが明らかになった。

ABSTRACT

Wildfires present intricate challenges for prediction, necessitating the use of sophisticated machine learning techniques for effective modeling\cite{jain2020review}. In our research, we conducted a thorough assessment of various machine learning algorithms for both classification and regression tasks relevant to predicting wildfires. We found that for classifying different types or stages of wildfires, the XGBoost model outperformed others in terms of accuracy and robustness. Meanwhile, the Random Forest regression model showed superior results in predicting the extent of wildfire-affected areas, excelling in both prediction error and explained variance. Additionally, we developed a hybrid neural network model that integrates numerical data and image information for simultaneous classification and regression. To gain deeper insights into the decision-making processes of these models and identify key contributing features, we utilized eXplainable Artificial Intelligence (XAI) techniques, including TreeSHAP, LIME, Partial Dependence Plots (PDP), and Gradient-weighted Class Activation Mapping (Grad-CAM). These interpretability tools shed light on the significance and interplay of various features, highlighting the complex factors influencing wildfire predictions. Our study not only demonstrates the effectiveness of specific machine learning models in wildfire-related tasks but also underscores the critical role of model transparency and interpretability in environmental science applications.

研究の動機と目的

• 分類と回帰のタスクに特化した機械学習モデルを統合することで、火災予測の正確性を向上させること。
• 解釈可能なAI（XAI）技術を用いて、環境分野のモデルの解釈性を向上させること。
• 特徴量重要度分析を通じて、火災結果に最も影響を与える環境的および気象的要因を特定すること。
• 数値データと衛星画像を処理できるハイブリッドディープラーニングモデルを構築し、同時に分類と回帰を実行すること。
• 公的リポジトリから入手可能な実際の火災データセットを用いて、モデルのパフォーマンスを検証すること。

提案手法

• 火災種別の分類にXGBoostを採用し、正確性と頑健性の指標を用いて性能を評価した。
• 焼けた領域の広がりを予測するため、ランダムフォレスト回帰を用い、予測誤差と説明分散の最適化を図った。
• 気象データと衛星画像を処理できるハイブリッドCNNモデルを開発し、同時に分類と回帰のタスクを実行した。
• TreeSHAPを用いて、回帰予測における特徴量の重要度とモデル出力への寄与度を定量的に評価した。
• LIMEを用いて、火災領域内および外の個々の予測周辺におけるモデルの局所的挙動と線形性を評価した。
• 部分的依存プロット（PDP）を用いて、特徴量が予測された火災広がりに与えるマージナル効果を可視化した。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルが火災種別や段階の分類において最も優れた性能を示すか？
• RQ2 回帰モデルは火災発生時の焼けた領域の広がりをどの程度正確に予測できるか？
• RQ3 環境的および気象的要因の中で、火災予測結果に最も顕著に影響を与えるものは何か？
• RQ4 TreeSHAP、LIME、PDPといったXAI技術は、火災予測モデルの意思決定ロジックをどのように明らかにするか？
• RQ5 1つのCNNモデルが、画像データと数値入力を併用して、火災データに対して同時に分類と回帰を効果的に行えるか？

主な発見

• XGBoostは、分類タスクにおいて他のモデルを上回る高い正確性と頑健性を示し、火災種別分類で最良の性能を発揮した。
• ランダムフォレスト回帰は、予測誤差が最小で説明分散が最大の優れた性能を示し、焼けた領域の予測において優位であった。
• 火災領域内での予測において、TreeSHAP分析により土壌水分（smois）と ignitions 条件が最も強い正の影響を持つことが判明した。
• 火災領域外での予測において、土壌水分（smois）と風速が最も影響力のある特徴量であり、風速が10を超える値では顕著な影響を示した。
• ハイブリッドCNNモデルは、分類精度が93.10%に達し、焼けた領域の予測誤差は領域内が0.75%、領域外が2.41%であった。
• Grad-CAMの可視化により、モデルが焼けた痕跡や燃料パターンといった衛星画像の重要な領域に注目して分類意思決定を行っていることが確認された。