[論文レビュー] Spain on Fire: A novel wildfire risk assessment model based on image satellite processing and atmospheric information

Helena Liz-López, Javier Huertas‐Tato+4 more|arXiv (Cornell University)|Jun 8, 2023

Fire effects on ecosystems被引用数 4

ひとこと要約

本論文では、衛星から得られる大気変数およびグリーンネスインデックスを活用して、野火の資源要請、制御・消滅時間、焼失面積を予測する深層学習ベースの回帰モデルであるWildfire Assessment Model（WAM）を提案する。WAMは、10万件のラベルなしサンプルを用いた自己教師付きマスクパッチ予測により事前学習され、311件のラベル付き野火データで微調整されている。ベースラインと比較して、航空資源推定の正確性が9%向上し、消滅時間予測の性能が21%向上した。

ABSTRACT

Each year, wildfires destroy larger areas of Spain, threatening numerous ecosystems. Humans cause 90% of them (negligence or provoked) and the behaviour of individuals is unpredictable. However, atmospheric and environmental variables affect the spread of wildfires, and they can be analysed by using deep learning. In order to mitigate the damage of these events we proposed the novel Wildfire Assessment Model (WAM). Our aim is to anticipate the economic and ecological impact of a wildfire, assisting managers resource allocation and decision making for dangerous regions in Spain, Castilla y León and Andalucía. The WAM uses a residual-style convolutional network architecture to perform regression over atmospheric variables and the greenness index, computing necessary resources, the control and extinction time, and the expected burnt surface area. It is first pre-trained with self-supervision over 100,000 examples of unlabelled data with a masked patch prediction objective and fine-tuned using 311 samples of wildfires. The pretraining allows the model to understand situations, outclassing baselines with a 1,4%, 3,7% and 9% improvement estimating human, heavy and aerial resources; 21% and 10,2% in expected extinction and control time; and 18,8% in expected burnt area. Using the WAM we provide an example assessment map of Castilla y León, visualizing the expected resources over an entire region.

研究の動機と目的

• 衛星データおよび大気変数を用いて、資源要請、制御時間、消滅時間、焼失面積を予測する新しい野火リスク評価モデルの開発。
• ラベル付き野火データが限られる状況に対処するため、大規模なラベルなしデータを用いた自己教師付き事前学習を採用。
• スペインのハイリスク地域、特にカスティーリャ＝ラ・レオンおよびアンドラス地域における野火管理意思決定支援を、データ駆動型の予測手法で改善。
• 気象条件が異なるスペインの異なる地域にわたるモデルの汎化能力を評価。

提案手法

• WAMモデルは、地理的に位置付けられた大気および植生変数を画像に似た入力として処理する、残差型畳み込みニューラルネットワークアーキテクチャを採用。
• 空間的・時間的パターンを学習するために、10万件のラベルなし衛星および環境データサンプルを用いた自己教師付きマスクパッチ予測目的で事前学習。
• ラベル付き野火イベント311件（カスティーリャ＝ラ・レオン地域）を用いて、事前学習済みオートエノードのエンコーダーを微調整し、野火管理指標の回帰予測を実行。
• 入力特徴として、大気変数（例：温度、湿度、風速）およびグリーンネスインデックス（NDVI）を統合。
• 回帰ヘッドが、必要な人的資源、重機、航空資源、制御時間、消滅時間、予想焼失面積という4つの主要出力を予測。
• カスティーリャ＝ラ・レオン地域全体の地域的リスク評価地図を生成し、自治体単位での予測資源要請を可視化。

Figure 1: Visual representation of WAM methodology steps.

実験結果

リサーチクエスチョン

• RQ1 大規模なラベルなし衛星データを用いた自己教師付き事前学習戦略は、データが限られる状況下での野火リスク予測性能を向上させることができるか？
• RQ2 少数のラベル付き野火データで微調整された残差型畳み込みネットワークは、資源配分および火災行動指標の予測にどの程度有効か？
• RQ3 スペインの1地域（カスティーリャ＝ラ・レオン）で学習した野火予測モデルが、気象条件が異なる別の地域（アンドラス）にどの程度一般化可能か？
• RQ4 提案されたWAMモデルは、従来の機械学習ベースラインと比較して、野火管理成果の予測においてどの程度の性能向上を達成するか？

主な発見

• WAMモデルは、航空資源予測で9%、重機資源推定で3.7%の向上を達成し、ベースラインモデルを上回った。
• 消滅時間の予測誤差は21%低減され、制御時間の予測誤差も10.2%低減され、時間的予測性能が優れていることが示された。
• 予想焼失面積の推定において18.8%の向上を示し、空間的影響予測の精度が向上した。
• カスティーリャ＝ラ・レオン地域では優れた性能を示したが、再訓練を行わなければアンドラス地域への一般化は失敗した。これは、クロス地域間の転移性に限界があることを示唆した。
• 微調整時にエンコーダーを再訓練することで回帰性能が著しく向上した。これは、初期の事前学習だけでは最適なタスク固有学習が達成できない可能性を示している。
• 残差オートエノードアーキテクチャが、勾配の流れが良く、より深い特徴抽出が可能であるため、逐次的アーキテクチャを上回った性能を発揮した。

Figure 2: Map of Spain showing the locations of all wildfires recorded between 2001 and 2012. Wildfires in Castilla y León are highlighted in blue and those in Andalucía in red.