[論文レビュー] Forecasting Vegetation Health at High Spatial Resolution

John J. Nay, Emily Burchfield+1 more|arXiv (Cornell University)|Feb 16, 2016

Remote Sensing in Agriculture参考文献 19被引用数 2

ひとこと要約

本論文では、グローバルなMODISデータと勾配ブースティング機械学習を用いて、高空間分解能で植生健全性を予測するオープンソースツールを提示する。数億件の観測データを用いた学習により、スリランカやカリフォルニアのような多様な気候地域において、未来の強化植生指数（EVI）値を予測する際、ベースライン手法を著しく上回る性能を発揮する。

ABSTRACT

Drought threatens food and water security around the world, and this threat is likely to become more severe under climate change. High resolution predictive information can help farmers, water managers, and others to manage the effects of drought. We have created an open source tool to produce short-term forecasts of vegetation health at high spatial resolution, using data that are global in coverage. The tool automates downloading and processing Moderate Resolution Imaging Spectroradiometer (MODIS) datasets, and training gradient-boosted machine models on hundreds of millions of observations to predict future values of the Enhanced Vegetation Index. We compared the predictive power of different sets of variables (raw spectral MODIS data and Level-3 MODIS products) in two regions with distinct agro-ecological systems, climates, and cloud coverage: Sri Lanka and California. Our tool provides considerably greater predictive power on held-out datasets than simpler baseline models.

研究の動機と目的

• 短期的な高空間分解能での植生健全性予測を可能にするスケーラブルでオープンソースのツールの開発。
• 多様な農業生態地域にわたる予測モデリングに、グローバルかつ無料で利用可能なMODISデータセットを活用すること。
• 異なる気候帯における、原始的なスペクトルデータとレベル3MODIS製品の予測性能を比較すること。
• 正確で局所的な植生予測を通じて、農家および水資源管理者の干ばつ対策を向上させること。

提案手法

• グローバルカバレッジのためのMODISレベル2およびレベル3データセットの自動ダウンロードおよび処理。
• 植生および環境変数の1億件を超える観測データを用いた勾配ブースティング機械学習モデルの学習。
• 短期的予測のターゲット変数として、強化植生指数（EVI）の使用。
• マルチスペクトルおよび放射計測MODISデータから導出された時空間特徴量の統合。
• 2つの対照的な地域（スリランカおよびカリフォルニア）における予測精度の評価のため、ホールドアウトテストセットを用いたモデル評価。
• 原始的なスペクトル入力と事前処理済みのレベル3MODIS製品を用いたモデル性能の比較。

実験結果

リサーチクエスチョン

• RQ1 勾配ブースティングモデルは、高分解能MODISデータを用いて、未来の植生健全性をどれほど正確に予測できるか？
• RQ2 原始的なスペクトルMODISデータと処理済みのレベル3製品を用いる際の相対的な予測的優位性は何か？
• RQ3 異なる気候、雲カバレッジ、農業生態系を有する地域におけるモデルの性能はどのように変動するか？
• RQ4 本ツールは、単純なベースラインモデルを上回る、実用的で高分解能の予測を提供できるか？

主な発見

• 本モデルは、単純なベースラインモデルよりもホールドアウトデータセットにおいて著しく高い予測精度を示した。
• 原始的なスペクトルデータとレベル3MODIS製品の両方を用いることで、単独で用いる場合よりも予測性能が向上した。
• 本ツールは、高降水量でモンスーン気候のスリランカおよび乾燥した地中海性気候のカリフォルニアの両方で強力な予測能力を発揮した。
• 雲カバレッジや植生ダイナミクスが異なる地域においても、モデルの性能は安定していた。
• 本ツールのオープンソース性により、グローバル応用に向けた再現可能性とスケーラビリティが実現された。
• 複数のソースのMODISデータの統合により、植生健全性予測の時空間分解能が向上した。