[論文レビュー] Mesogeos: A multi-purpose dataset for data-driven wildfire modeling in the Mediterranean

Spyros Kondylatos, Ioannis Prapas+2 more|arXiv (Cornell University)|Jun 8, 2023

Fire effects on ecosystems被引用数 4

ひとこと要約

Mesogeos は、地中海地域における気象、植生、人的活動、歴史的野火を含む、17年間（2006–2022年）にわたる 1km×1km×1日 解像度の大型スケールでクラウド対応の時空間データキューブである。機械学習を用いたデータ駆動型野火モデリングを可能にし、短期的な火災危険度予測と焼失面積予測の2つの機械学習対応のトラックを示しており、データキューブ、派生データセット、モデル、コードをオープンアクセスで提供することで、研究および運用応用の加速を図っている。

ABSTRACT

We introduce Mesogeos, a large-scale multi-purpose dataset for wildfire modeling in the Mediterranean. Mesogeos integrates variables representing wildfire drivers (meteorology, vegetation, human activity) and historical records of wildfire ignitions and burned areas for 17 years (2006-2022). It is designed as a cloud-friendly spatio-temporal dataset, namely a datacube, harmonizing all variables in a grid of 1km x 1km x 1-day resolution. The datacube structure offers opportunities to assess machine learning (ML) usage in various wildfire modeling tasks. We extract two ML-ready datasets that establish distinct tracks to demonstrate this potential: (1) short-term wildfire danger forecasting and (2) final burned area estimation given the point of ignition. We define appropriate metrics and baselines to evaluate the performance of models in each track. By publishing the datacube, along with the code to create the ML datasets and models, we encourage the community to foster the implementation of additional tracks for mitigating the increasing threat of wildfires in the Mediterranean.

研究の動機と目的

• 地中海地域におけるデータ駆動型野火モデリングのための大型で統合的でマルチソースのデータセットが不足している問題に対処すること。
• 火災要因（気象、植生、人的要因）と歴史的火災記録を統合した標準化され、クラウド対応のデータキューブを構築すること。
• 特定の野火モデリングタスクに適した機械学習対応データセットを抽出することで、多様な機械学習応用を可能にすること。
• 主要な野火予測タスクにおけるディープラーニングモデルを用いたベンチマークを確立すること。
• データキューブ、派生データセット、モデル、コードをオープンに共有することで、コミュニティ主導のイノベーションを促進すること。

提案手法

• 2006年から2022年までの1km×1km×1日 解像度で、マルチソースのリモートセンシングおよび地上観測データを統合して時空間データキューブを構築すること。
• 火災要因の変数を統合：気象条件（例：気温、湿度、風速）、植生（例：燃料水分、FAPAR）、人為的要因（例：人口密度、土地利用）。
• 歴史的火災記録を統合：EFFIS火災インventry（EFFIS-FI）からの ignitions ポイントおよび最終的な焼失面積。
• 2つの機械学習対応データセットを抽出：1日後火災危院度予測用（2値分類）と焼失面積予測用（多変量回帰）で、両者ともデータキューブから派生。
• 適切な損失関数と評価指標を用いて、2つのトラックでディープラーニングのベースライン（例：U-Net、CNN）を訓練すること。
• GitHub および専用のプロジェクトウェブサイトを通じて、データインジェクション、統合、データセット抽出、モデル訓練コードを含む完全なデータパイプラインを公開すること。

実験結果

リサーチクエスチョン

• RQ1 統合的でマルチソースの時空間データキューブは、地中海地域におけるデータ駆動型野火モデリングの実現可能性とスケーラビリティを顕著に向上させることができるか？
• RQ2 Mesogeos でトレーニングされたディープラーニングモデルは、従来のまたはベースラインモデルに比べて、短期的な火災危院度予測および焼失面積予測においてどの程度優れた性能を示すか？
• RQ3 標準化され、オープンでクラウドアクセス可能なデータキューブの存在が、新しい野火モデリングのアプローチの開発およびコミュニティ連携をどの程度促進するか？
• RQ4 現在の野火モデリングアプローチの主な制限要因は何か。Mesogeos は、データ統合と解像度の向上によってそれらをどのように是正するか？
• RQ5 データキューブは、説明可能なAI、因果推論、不確実性の定量化といった高度な機械学習技術の野火モデリングへの応用を、どのような形で支援できるか？

主な発見

• Mesogeos は、地中海地域におけるデータ駆動型野火モデリングのための、知られている最大の統合的で多目的なデータセットであり、17年間（2006–2022年）にわたる 1km×1km×1日 解像度をカバーしている。
• データキューブは、多様なタスクに適した機械学習対応データセットの抽出を可能にし、2つのベンチマークトラック（1日後火災危院度予測と焼失面積予測）を確立している。
• 抽出されたデータセットでトレーニングされたディープラーニングモデルは優れた性能を示し、今後の研究の再現可能なベースラインを確立している。
• データは完全なコード（データインジェクション、統合、データセット抽出、モデル訓練）とともにオープンに公開されており、完全な再現性とコミュニティによる拡張を可能にしている。
• データキューブは、包括的かつ構造的な設計のおかげで、説明可能なAI、因果推論、不確実性の定量化といった高度な研究分野を支援している。
• 火災検出の誤差や消火活動データの欠落といった制限要因は存在するが、Mesogeos はスケーラブルで運用可能かつイノベーションを促進する野火モデリングの強固な基盤を提供している。