[論文レビュー] Monitoring the Impact of Wildfires on Tree Species with Deep Learning

Zhou Wang, Levente J. Klein|arXiv (Cornell University)|Nov 4, 2020

Fire effects on ecosystems参考文献 25被引用数 4

ひとこと要約

本論文では、四波長航空画像を用いて野火発生前後における樹木種の分類を目的としたディープラーニングモデルを提案し、92.2%の正確性を達成した。長期的影響として、焼けた地域ではコナラ科の再生が減少し、シュルーブの侵入が顕著に観察された。本手法が、時間的経過に伴う広範囲にわたる生態的変化を追跡できることが示された。

ABSTRACT

One of the impacts of climate change is the difficulty of tree regrowth after wildfires over areas that traditionally were covered by certain tree species. Here a deep learning model is customized to classify land covers from four-band aerial imagery before and after wildfires to study the prolonged consequences of wildfires on tree species. The tree species labels are generated from manually delineated maps for five land cover classes: Conifer, Hardwood, Shrub, ReforestedTree and Barren land. With an accuracy of $92\%$ on the test split, the model is applied to three wildfires on data from 2009 to 2018. The model accurately delineates areas damaged by wildfires, changes in tree species and rebound of burned areas. The result shows clear evidence of wildfires impacting the local ecosystem and the outlined approach can help monitor reforested areas, observe changes in forest composition and track wildfire impact on tree species.

研究の動機と目的

• 野火後の樹木種組成の長期的変化を把握する課題に、希薄で不規則なフィールド調査の限界を補うため。
• 高解像度の航空画像を用いて、スケーラブルで自動化された樹木種分類手法を開発し、大規模な森林モニタリングを支援するため。
• 繰り返し発生する野火が樹木再生やエコシステムシフトに与える影響を定量化するため、特にカリフォルニア州シエラネバダ地域のような気候感受性地域を対象にした。
• リモートセンシングとディープラーニングを活用して、森林・環境当局が再植林の成功度や生態的回復状況を時間的経過に伴って追跡できるようにするため。

提案手法

• 2009年から2018年にかけて収集されたNAIPデータセットの四波長航空画像（赤、緑、青、近赤外）を用い、0.6 m解像度に再サンプリングした。
• 2011年の手動で描画された土地被覆マップを活用し、5つのクラス（コナラ科、広葉樹、シュルーブ、再植林樹、バーンド）のトレーニングラベルを生成した。
• スペクトル特徴と植生インデックスに基づき、32×32ピクセルの画像パッチを分類するためのディープラーニングモデルを適用した。
• 低NDVIのサンプルをフィルタリングすることで、非植生または低植生領域を除外し、モデルの汎化性能を向上させ、ノイズを低減した。
• 93,849件のサンプルでモデルをトレーニングし、検証用およびテスト用にそれぞれ5,000件を割り当てた。クラスのバランスとデータ品質を確保するため、選別されたデータセットを用いた。
• 訓練済みモデルを、3つの歴史的野火地域（2013年スウェーデス火災、2017年ウォール火災、2007年フライトラー火災）に適用し、時系列分類マップを作成した。

実験結果

リサーチクエスチョン

• RQ1 複数年にわたる野火発生前後における航空画像を用いたディープラーニングモデルによる樹木種分類の正確性はどの程度か？
• RQ2 火災に脆弱な地域において、繰り返し発生する野火に伴う樹木種組成の長期的変化は何か？
• RQ3 野火は、シエラネバダ地域におけるコナラ科や広葉樹といった重要な樹木種の再生をどの程度阻害するか？
• RQ4 ディープラーニングモデルは、野火後に森林からシュルーブ優勢地域やバーンド地域に移行する過程を検出・定量化できるか？
• RQ5 再植林の実施有無が、時間の経過に伴う焼けた地域の回復経路にどのような影響を及えるか？

主な発見

• ディープラーニングモデルはテスト精度92.2%を達成し、航空画像からの樹木種分類において高い信頼性を示した。
• 2013年スウェーデス火災後、被害被害地域の18%がバーンド地域に転換し、広葉樹およびコナラ科の被覆率が著しく減少した。
• 2017年ウォール火災では、広葉樹および再植林樹の被覆領域の大部分が失われ、シュルーブ被覆率は3倍に増加した。これは、可燃性の高い植生に傾向するエコシステムシフトを示している。
• 被災地域では、コナラ科の被覆率が時間の経過とともに一貫して減少し、気候的ストレスおよび火災ストレスに対する長期的脆弱性が示唆された。
• 繰り返し火災が発生しなかった地域、例えば2007年フライトラー火災地域では、バーンド地域の被覆率が徐々に減少し、再植林樹の被覆率が増加した。これは自然回復の可能性を示している。
• モデルは、繰り返し焼けた地域における森林からシュルーブ優勢の景観への移行を的確に捉えた。これは、生態系変化が不可逆的になるリスクを浮き彫りにした。