[論文レビュー] ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery

Jeremy Irvin, Hao Sheng+8 more|arXiv (Cornell University)|Nov 10, 2020

Conservation, Biodiversity, and Resource Management被引用数 19

ひとこと要約

ForestNetは、インドネシアの原生林喪失の直接的要因を特定するための深層学習モデルであり、Landsat 8 衛星画像と熟練者によるアノテーション済みデータを用いる。大規模な土地被覆データセットでの事前学習、衛星再訪を用いた時系列データ拡張、および補助予測子とのマルチモーダル統合を活用することで、Plantation、小規模農業、草地・灌木地、および「その他」の要因を区別する分類性能が、標準的な分類手法を著しく上回る。

ABSTRACT

Characterizing the processes leading to deforestation is critical to the development and implementation of targeted forest conservation and management policies. In this work, we develop a deep learning model called ForestNet to classify the drivers of primary forest loss in Indonesia, a country with one of the highest deforestation rates in the world. Using satellite imagery, ForestNet identifies the direct drivers of deforestation in forest loss patches of any size. We curate a dataset of Landsat 8 satellite images of known forest loss events paired with driver annotations from expert interpreters. We use the dataset to train and validate the models and demonstrate that ForestNet substantially outperforms other standard driver classification approaches. In order to support future research on automated approaches to deforestation driver classification, the dataset curated in this study is publicly available at https://stanfordmlgroup.github.io/projects/forestnet .

研究の動機と目的

• インドネシアにおける原生林喪失の直接的要因を自動的かつスケーラブルに分類する手法を開発すること。
• 熟練者によるアノテーションデータの限界と、衛星画像における伐採パターンの高い多様性という課題に対処すること。
• 文脈的および時系列的衛星データを活用した深層学習により、従来の機械学習手法を改善すること。
• 正確で空間的に広範な要因特定を通じて、政策立案および企業の森林伐採ゼロコミットメントを支援すること。

提案手法

• モデルは、特徴抽出の向上を目的に、大規模かつキュレート済みの土地被覆データセットで事前学習された畳み込みニューラルネットワーク（CNN）アーキテクチャを採用する。
• 時系列的衛星再訪を用いたデータ拡張により、多様な画像状態をシミュレートし、モデルの頑健性を向上させる。
• マルチモーダル統合により、地形、水文、泥炭土壌の存在など補助予測子を衛星画像と統合し、分類の文脈を強化する。
• 4クラス分類ヘッドにより、植林地、小規模農業、草地・灌木地、および「その他」を区別する。
• データセットのクラス不均衡に対処するため、フォーカル損失と一般化デイス損失を採用する。
• 今後の研究を支援するため、2,756件のアノテーション済み森林喪失イベントからなる公開データセットを提供する。

実験結果

リサーチクエスチョン

• RQ1 Landsat 8 衛星画像のみを用いて、深層学習モデルはインドネシアにおける森林伐採要因を正確に分類できるか？
• RQ2 大規模な土地被覆データセットでの事前学習は、リソースが限られた森林伐採要因分類において性能をどのように向上させるか？
• RQ3 衛星再訪を用いた時系列的データ拡張は、モデルの汎化性能および頑健性をどの程度向上させるか？
• RQ4 補助地理空間予測子（例：泥炭土壌の存在、傾斜）とのマルチモーダル統合は、分類精度をどの程度向上させるか？
• RQ5 提案されたモデルは、このタスクにおいて、標準的な機械学習および意思決定木ベースの手法を上回るか？

主な発見

• ForestNetは、標準的な要因分類手法を著しく上回り、森林伐採要因の分類精度が優れていることが示された。
• 4つの要因クラスすべてにおいて高い性能を達成しており、特に植林地と小規模農業を他の土地利用形態から明確に区別できる。
• 大規模な土地被覆データセットでの事前学習により、特徴抽出とモデルの汎化性能が顕著に向上した。
• 衛星再訪を用いた時系列的データ拡張により、季節的および生育期の変動に対するモデルの頑健性が向上した。
• 補助予測子（例：泥炭土壌の存在、傾斜）とのマルチモーダル統合により、曖昧またはコントラストが低いケースの分類精度が向上した。
• 2,756件のアノテーション済み森林喪失イベントからなるキュレート済みデータセットは公開されており、再現性および今後の自動森林伐採要因分類研究を可能にする。