[論文レビュー] Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs

Claire Nicolle Robin, Christian Requena‐Mesa+5 more|arXiv (Cornell University)|Oct 24, 2022

Remote Sensing in Agriculture被引用数 17

ひとこと要約

本論文では、アフリカ全域の高分解能の植生グリーンネスを予測するため、ConvLSTMベースのモデルを提案している。使用する入力データは、Sentinel-2のNDVI、ERA5気象再解析、SMAP土壌水分、SRTM地形データである。モデルは季節的NDVIダイナミクスを的確に予測でき、30m解像度で気象異常に対する差分応答を捉え、干ばつに脆弱な地域における事前対応の強力な可能性を示している。

ABSTRACT

Forecasting the state of vegetation in response to climate and weather events is a major challenge. Its implementation will prove crucial in predicting crop yield, forest damage, or more generally the impact on ecosystems services relevant for socio-economic functioning, which if absent can lead to humanitarian disasters. Vegetation status depends on weather and environmental conditions that modulate complex ecological processes taking place at several timescales. Interactions between vegetation and different environmental drivers express responses at instantaneous but also time-lagged effects, often showing an emerging spatial context at landscape and regional scales. We formulate the land surface forecasting task as a strongly guided video prediction task where the objective is to forecast the vegetation developing at very fine resolution using topography and weather variables to guide the prediction. We use a Convolutional LSTM (ConvLSTM) architecture to address this task and predict changes in the vegetation state in Africa using Sentinel-2 satellite NDVI, having ERA5 weather reanalysis, SMAP satellite measurements, and topography (DEM of SRTMv4.1) as variables to guide the prediction. Ours results highlight how ConvLSTM models can not only forecast the seasonal evolution of NDVI at high resolution, but also the differential impacts of weather anomalies over the baselines. The model is able to predict different vegetation types, even those with very high NDVI variability during target length, which is promising to support anticipatory actions in the context of drought-related disasters.

研究の動機と目的

• 気候感受性地域における事前対応を支援するため、細分化された空間解像度で植生グリーンネスを予測する課題に取り組む。
• 高解像度の時空間データを活用することで、粗い解像度のモデルの限界を克服し、局所的エコシステム反応の予測を可能にする。
• 気候要因への時間遅れを伴う植生反応をモデル化することで、干ばつや極端な気象影響に対する早期警戒システムを実現する。
• 環境的および気象的変数を用いた強力なガイド付き動画予測フレームワークを構築し、予測精度を向上させる。
• 予測ベースファイナンスおよび人道的計画を支援するため、多様なアフリカのエコシステムにわたり、信頼性の高い局所的植生予測を提供する。

提案手法

• 衛星および再解析変数の時空間データキューブを用いて、土地表面予測を強力なガイド付き動画予測タスクとして定式化する。
• 植生ダイナミクスにおける複雑な時空間依存関係をモデル化するために、畳み込み長短期記憶（ConvLSTM）アーキテクチャを採用する。
• 複数の駆動要因を入力とする：Sentinel-2の反射率（赤、青、緑、NIR）、NDVI（目的変数）、ERA5気象変数（気温、降水量、放射量、気圧、蒸発量）、SMAP土壌水分（表面および根圏）、SRTMv4.1標高モデル（30mにアップサンプリング）。
• トレーニングおよび評価時に非植生領域および欠損ピクセルを除外するために、ESRI 2020土地被覆マップを用いた空間的・時間的マスクを適用する。
• 150エポック、バッチサイズ32、初期学習率1e-6で学習を実施し、PyTorch Lightningを用いてNDVI予測のL2損失を最小化する。
• 推論時には将来の気象データを入力とし、予測時における将来の状態が既知であるという強力なガイド付き予測設定を反映する。

実験結果

リサーチクエスチョン

• RQ1 ConvLSTMモデルは、多様なアフリカのエコシステムにわたり、30m解像度の植生グリーンネス（NDVI）を的確に予測できるか？
• RQ2 モデルは、干ばつや早期降雨などの気象異常に対する植生の時間遅れ反応をどれほど的確に捉えられるか？
• RQ3 標高、土壌水分、気象変数をNDVI単体に加えることで、予測精度がどの程度向上するか？
• RQ4 異なる植生タイプ（例：耕地 vs. サバンナ vs. 森林）および季節的条件において、予測性能はどのように変化するか？
• RQ5 データ品質の問題（特に検出されない曇りやアーチファクト）は、モデルの予測信頼性にどのような影響を及えるか？

主な発見

• ConvLSTMモデルは、アフリカ全域にわたり、30m空間解像度で高い忠実度で季節的NDVIの変化を的確に予測できた。
• モデルは、土壌水分の再充填や干ばつに起因する長期的影響といった、時間遅れを伴う植生反応を捉えることができた。
• 予測精度は目的変数の分散と強く相関しており、変動が小さい期間（例：非生育期）では高い精度、変動が大きい生育期では低い精度を示した。
• 継続的な曇りアーチファクトを示すサンプルでは性能が劣化したため、事前処理が行われてもデータ品質の影響がモデル信頼性に及ぼす影響が顕著に現れた。
• モデルは多様な植生タイプ、特にNDVI変動が大きいタイプに対しても一般化可能であり、多様なエコシステムへの応用に耐える強靭性を示した。
• 将来の気象入力を組み込むことで、予測品質が顕著に向上した。これは、本文脈において強力なガイド付き予測の価値を裏付けた。