[論文レビュー] Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images

Jaime Moraga, Gurbet Gurkan+1 more|arXiv (Cornell University)|Jan 1, 2019

Tailings Management and Properties参考文献 4被引用数 3

ひとこと要約

本研究では、ブラジルの2019年ブルマジニュ尾部ダム崩壊後における土地利用・土地被覆の変化を把握するため、Sentinel-2衛星画像と特化した畳み込みニューラルネットワーク（Jigsaw CNN）を用いた深層学習手法を提案する。災害前分類では99%の正確性を達成し、再訓練されたモデルを用いた災害後マッピングでは98%の正確性を示し、森林177.4ヘクタールおよび農業用地39.0ヘクタールを含む、被災地域の被覆タイプごとの正確な定量的評価が可能になった。

ABSTRACT

Monitoring dam failures using satellite images provides first responders with efficient management of early interventions. It is also equally important to monitor spatial and temporal changes in the inundation area to track the post-disaster recovery. On January 25th, 2019, the tailings dam of the Córrego do Feijão iron ore mine, located in Brumadinho, Brazil, collapsed. This disaster caused more than 230 fatalities and 30 missing people leading to damage on the order of multiple billions of dollars. This study uses Sentinel-2 satellite images to map the inundation area and assess and delineate the land use and land cover impacted by the dam failure. The images correspond to data captures from January 22nd (3 days before), and February 02 (7 days after the collapse). Satellite images of the region were classified for before and aftermath of the disaster implementing a machine learning algorithm. In order to have sufficient land cover types to validate the quality and accuracy of the algorithm, 7 classes were defined: mine, forest, build-up, river, agricultural, clear water, and grassland. The developed classification algorithm yielded a high accuracy (99%) for the image before the collapse. This paper determines land cover impact using two different models, 1) by using the trained network in the "after" image, and 2) by creating a second network, trained in a subset of points of the "after" image, and then comparing the land cover results of the two trained networks. In the first model, applying the trained network to the "after" image, the accuracy is still high (86%), but lower than using the second model (98%). This strategy can be applied at a low cost for monitoring and assessment by using openly available satellite information and, in case of dam collapse or with a larger budget, higher resolution and faster data can be obtained by fly-overs on the area of concern.

研究の動機と目的

• 尾部ダムの崩壊後に迅速な被災影響評価を実施するための低コストでスケーラブルなリモートセンシング手法の開発。
• 多スペクトル衛星データを用いた土地利用・土地被覆（LULC）変化の分類において、トランスファー学習とファインチューニングの有効性の評価。
• オープンアクセスの衛星画像を用いて、ブルマジニュ尾部ダム崩壊による土地被覆の空間的範囲と種別を定量的に特定すること。
• 災害対応および環境モニタリングの文脈において、高精度で時間効率の良いLULCマッピングを実現するための深層学習の実用可能性の提示。
• 鉱業会社および緊急対応機関が、無料で入手可能なデータとGPU加速処理を用いてダムの崩壊や修復作業をモニタリングするためのフレームワークの提供。

提案手法

• 災害前（2019年1月22日）および災害後（2019年2月2日）に撮影されたSentinel-2多スペクトル衛星画像を用い、時系列解析を実施。
• 鉱山、森林、建物、河川、農業、澄んだ水、草地の7つの土地被覆クラスを対象に、Jigsaw CNNと呼ばれる特化した畳み込みニューラルネットワークをトレーニング。
• 二段階モデルアプローチを採用：(1) 災害後画像に事前トレーニング済みモデルを直接適用して迅速な評価を実施し、(2) 災害後ピクセルの一部にラベルを付与したデータセットでモデルを再トレーニングして正確性を向上。
• データ拡張および空間的文脈の活用により、12バンド多スペクトルデータにおける分類性能を向上。
• 災害前と災害後のLULC分類結果を比較して変化マップを作成し、被災地域や土地被覆の変遷を特定。
• NDVI、NDWI、NDMIなどのスペクトルインデックスを追加の入力レイヤーとして統合し、植生、水体、泥の検出における特徴表現を強化。

実験結果

リサーチクエスチョン

• RQ1 事前トレーニング済みの深層学習モデルは、再トレーニングを行わずに災害後衛星画像の土地利用・土地被覆分類において高い正確性を達成できるか？
• RQ2 災害後データでモデルをファインチューニングすることで、事前トレーニング済みモデルを直接適用する手法に比べて、分類正確性がどの程度向上するか？
• RQ3 ブルマジニュ尾部ダム崩壊によって影響を受けた土地被覆タイプの空間的範囲と構成はどのようなものか？
• RQ4 オープンアクセスの多スペクトル衛星画像と深層学習を組み合わせることで、迅速で低コストの被災影響評価をどのように実現できるか？
• RQ5 本手法の実用的限界と、鉱業および災害対応の文脈におけるリアルタイムモニタリングへのスケーラビリティは何か？

主な発見

• 事前トレーニング済みのJigsaw CNNは、災害前の画像で99%の分類正確性を達成し、ベースラインの土地被覆マッピングにおける信頼性の高さを示した。
• 災害後画像に事前トレーニング済みモデルを直接適用した場合、86%の正確性を示し、再トレーニングを行わない状態でも優れた性能を発揮した。
• 災害後データの一部ラベル付きピクセルでモデルを再トレーニングした結果、正確性が98%に向上し、直接推論手法を著しく上回った。
• ダム崩壊による浸水面積の総計は254.25ヘクタールと推定され、そのうち最も大きな影響を受けていたのは森林（177.4ヘクタール）、次に農業用地（39.0ヘクタール）であった。
• 変化マップの分析から、河川（1.4ヘクタール）、澄んだ水（3.6ヘクタール）、建物（9.8ヘクタール）、草地（23.0ヘクタール）の各被覆タイプについても被災が確認された。
• 本手法により、低コストで繰り返し可能な被災影響と修復進捗のモニタリングが、無料で入手可能なデータと限定的な計算リソースを用いて実現可能となった。