[論文レビュー] Predicting Regional Locust Swarm Distribution with Recurrent Neural Networks

Hadia Mohmmed Osman Ahmed Samil, Annabelle Martin+3 more|arXiv (Cornell University)|Nov 29, 2020

Insect and Arachnid Ecology and Behavior被引用数 4

ひとこと要約

本研究では、過去のイナゴの被害データと土壌水分量や植生密度などの環境変数を用いて、1か月先の地域的イナゴ群の分布を予測するための長短期記憶（LSTM）再帰ニューラルネットワークを提案する。モデルは、マクロ平均リCALLが81%、マクロ平均プレシジョンが60%を達成し、予測の正確性を保ちつつ、群の位置と発生の激しさを強く予測する能力を示している。

ABSTRACT

Locust infestation of some regions in the world, including Africa, Asia and Middle East has become a concerning issue that can affect the health and the lives of millions of people. In this respect, there have been attempts to resolve or reduce the severity of this problem via detection and monitoring of locust breeding areas using satellites and sensors, or the use of chemicals to prevent the formation of swarms. However, such methods have not been able to suppress the emergence and the collective behaviour of locusts. The ability to predict the location of the locust swarms prior to their formation, on the other hand, can help people get prepared and tackle the infestation issue more effectively. Here, we use machine learning to predict the location of locust swarms using the available data published by the Food and Agriculture Organization of the United Nations. The data includes the location of the observed swarms as well as environmental information, including soil moisture and the density of vegetation. The obtained results show that our proposed model can successfully, and with reasonable precision, predict the location of locust swarms, as well as their likely level of damage using a notion of density.

研究の動機と目的

• 1か月先のイナゴ群の位置を予測する機械学習モデルを開発すること。
• 食料供給を1日35,000人分に相当する規模で破壊する可能性があるイナゴ群の予測能力が限られているという課題に対処すること。
• 土壌水分量と植生密度といった環境データを、歴史的な群の観測と組み合わせることで、予測精度を向上させること。
• 予測された群の密度と実際の群の密度を比較したヒートマップ分析を含め、精度、リCALL、プレシジョンの指標を用いてモデルのパフォーマンスを評価すること。
• 衛星データと現地観測を統合することで、長期的な予測と災害準備の可能性を高めること。

提案手法

• モデルは、イナゴ群の発生状況と環境条件の時系列データを処理するための単変量LSTMネットワークを用いる。
• 入力特徴量には、地域グリッドごとの月次イナゴ被害件数、土壌水分量、植生密度が含まれる。
• ネットワークは、時系列データ内の時間的依存関係を学習することで、次の月の群の分布を予測するように訓練される。
• 精度とリCALLの評価のため、連続的な予測を存在／不在のラベルに変換するための二値分類ヘッドが適用される。
• 低、中、高の3段階の密度レベル（地域ごとの被害件数に基づく）を定義し、発生の激しさに応じた予測精度を評価する。
• モデルの学習は、1つのNVIDIA V100 GPUを用い、50エポック、12か月分のシーケンス長で実施される。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、環境的および歴史的イナゴ群データを用いて、1か月先のイナゴ群の地理的分布を効果的に予測できるか？
• RQ2 特に高密度発生地域において、モデルは発生の激しさに応じた地域間で一般化できるか？
• RQ3 モデルは、オマーンから西インドへの移動といった、時間的・空間的移動パターンをどの程度正確に捉えられるか？
• RQ4 発生件数が少ない地域が多数ある不均衡なデータセットにおいて、プレシジョンとリCALLの指標はどの程度の性能を示すか？
• RQ5 衛星画像などの追加データソースを統合することで、将来的な予測精度にどのような影響を与えるか？

主な発見

• マクロ平均リCALLが81%に達し、事前に実際のイナゴ被害を強く検出できる能力を示している。
• マクロ平均プレシジョンが60%であるため、真陽性と偽陽性の間で良好なバランスが取れている。
• 4件以上の被害が記録された高密度発生地域では、リCALLが86%に達し、深刻な発生の予測において優れた性能を示している。
• ヒートマップの比較により、2020年6月にオマーンから2021年7月に西インドへの移動といったイナゴの移動パターンを、モデルが正しく捉えていることが確認された。
• 特に群の活動が活発な地域において、モデルは実際の状況とよく一致する質的予測を、場所と発生の激しさの両方で行っている。
• LSTMの使用により、長期的な時間的依存関係を効果的に学習でき、静的モデルに比べて予測精度が向上した。