[論文レビュー] Wildfire smoke plume segmentation using geostationary satellite imagery

Jeff Wen, Marshall Burke|arXiv (Cornell University)|Sep 3, 2021

Fire effects on ecosystems被引用数 6

ひとこと要約

本論文では、地球静止軌道衛星画像（GOES）から野火の煙雲を自動でセグメンテーションするためのディープラーニング手法を提案し、EPAが測定したPM2.5レベルの変動を説明する点で、手動でアノテートされた煙雲を上回っている。モデルはバイナリクロスエントロピー損失で訓練され、高損失の訓練サンプルをフィルタリングすることで性能が向上し、手動アノテーションより、地上でのPM2.5の変動をよりよく説明している。これは、米国を超えたスケーラブルで正確な煙のモニタリングの可能性を示している。

ABSTRACT

Wildfires have increased in frequency and severity over the past two decades, especially in the Western United States. Beyond physical infrastructure damage caused by these wildfire events, researchers have increasingly identified harmful impacts of particulate matter generated by wildfire smoke on respiratory, cardiovascular, and cognitive health. This inference is difficult due to the spatial and temporal uncertainty regarding how much particulate matter is specifically attributable to wildfire smoke. One factor contributing to this challenge is the reliance on manually drawn smoke plume annotations, which are often noisy representations limited to the United States. This work uses deep convolutional neural networks to segment smoke plumes from geostationary satellite imagery. We compare the performance of predicted plume segmentations versus the noisy annotations using causal inference methods to estimate the amount of variation each explains in Environmental Protection Agency (EPA) measured surface level particulate matter <2.5um in diameter ($ extrm{PM}_{2.5}$).

研究の動機と目的

• 手動アノテーションの限界を克服するため、地球静止軌道衛星画像から野火の煙雲を自動でセグメンテーションする手法を開発すること。
• 環境および公衆衛生研究における煙雲同定の正確性とスケーラビリティを向上させること。
• モデル予測による煙雲が、手動アノテート済みの煙雲よりも、地上におけるPM2.5の変動をどれだけ多く説明できるかを評価すること。
• ノイズの多いラベルがモデル性能に与える影響を評価し、その影響を軽減する戦略を検討すること。
• 米国を超えて、世界規模で近接リアルタイムの煙モニタリングに応用可能な方法を拡張すること。

提案手法

• RGBバンドとGOES-16衛星画像の追加大気データ（MERRA-2）を用いて、U-Netベースの畳み込みニューラルネットワークを、煙雲セグメンテーションのための訓練を行う。
• モデルはバイナリクロスエントロピー（BCE）損失で訓練され、高損失の訓練サンプルを除外する損失サンプリング戦略を組み込むことで、ノイズへの感受性を低減する。
• モデルの予測は、EPAの地上PM2.5測定値における説明される変動を比較するため、固定効果パネル回帰を用いて評価される。
• 空間的文脈を向上させるために、複数バンド（最大4バンド：可視光、近赤外、および大気成分）の単一時刻入力を使用する。
• 未知のテストデータに対して性能を検証し、Hazard Mapping System（HMS）からの手動アノテート済みの煙雲と比較する。
• 交絡要因を最小限に抑えるために、因果推論技術を活用し、煙雲セグメンテーションがPM2.5の変動に与える寄与を分離して評価する。

実験結果

リサーチクエスチョン

• RQ1 地球静止軌道衛星画像で訓練されたディープラーニングモデルは、手動アノテート済みの煙雲よりも、野火の煙雲をより正確にセグメンテーションできるか？
• RQ2 モデル予測による煙雲セグメンテーションは、手動アノテート済みの煙雲よりも、地上PM2.5測定値の変動をどれだけ多く説明できるか？
• RQ3 高損失の訓練サンプルをフィルタリングすることで、ノイズの多いラベルの存在下でもモデル性能がどのように向上するか？
• RQ4 モデルは米国を越えて一般化可能であり、世界規模でリアルタイムの煙モニタリングに応用可能か？
• RQ5 追加の入力チャネル（例：MERRA-2）は、モデルがPM2.5の変動を説明する能力をどれほど向上させるか？

主な発見

• バイナリクロスエントロピー損失で訓練され、高損失サンプルをフィルタリングしたモデルは、EPAのPM2.5測定値の合計変動の30.38％を説明しており、手動アノテート済みの煙雲（23.16％）を上回っている。
• RGBバンドでの訓練のみでも、モデルは手動アノテート済みの煙雲（R2 = 0.1946）よりも高いステーション内PM2.5変動の説明（R2 = 0.2707）を達成している。
• RGB + MERRA-2の4バンド入力で訓練されたモデルが、最も高い説明変動（調整済みR2 = 0.2703）を示しており、大気データが性能向上に寄与していることが示唆されている。
• 訓練中に高損失サンプルを除外したモデルは、最良の3バンドモデルよりも外部検証性能が優れており、ラベルノイズに対する耐性が向上していることが示唆されている。
• 結果から、従来の手動アノテーション（すなわち、専門家が修正済みのものでさえも）よりも、ディープラーニングベースのセグメンテーションがPM2.5の変動をより多く説明できることを示している。
• 本研究では、因果推論による検証を活用することで、ノイズの多いラベルがある中でも、ニューラルネットワークを環境推論の下流タスクに適応させ、性能向上を図れることが示された。