[논문 리뷰] Predicting Regional Locust Swarm Distribution with Recurrent Neural Networks

Hadia Mohmmed Osman Ahmed Samil, Annabelle Martin외 3명|arXiv (Cornell University)|2020. 11. 29.

Insect and Arachnid Ecology and Behavior인용 수 4

한 줄 요약

이 연구는 역학적 데이터와 토양 수분, 식생 밀도와 같은 환경 변수를 사용하여 1개월 전에 지역별 메뚜기 무리 분포를 예측하기 위해 순환 신경망인 장기 단기 기억(LSTM)을 제안한다. 모델은 매크로 평균 재현율 81%와 매크로 평균 정밀도 60%를 기록하여 예측 정확도가 합리적인 수준에서 무리 위치와 번식 강도를 강력하게 예측하는 데 성공한다.

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.

연구 동기 및 목표

• 메뚜기 무리의 위치를 1개월 전에 예측할 수 있는 기계 학습 모델을 개발한다.
• 메뚜기 무리의 예측 능력이 제한적인 문제를 해결한다. 메뚜기 무리는 약 35,000명의 하루 소비에 해당하는 식량 자원을 파괴할 수 있다.
• 역학적 관측 데이터와 함께 토양 수분 및 식생 밀도와 같은 환경 데이터를 활용하여 예측 성능을 향상시킨다.
• 정밀도, 재현율 및 예측된 무리 밀도와 실제 밀도 간의 정성적 히트맵 분석을 통해 모델 성능을 평가한다.
• 위성 데이터와 현장 관측 데이터를 통합하여 장기 예측 및 재난 대비 능력을 향상시킬 잠재력을 탐색한다.

제안 방법

• 모델은 메뚜기 무리 발생 및 환경 조건의 시계열 데이터를 처리하기 위해 단변량 LSTM 네트워크를 사용한다.
• 입력 특징으로는 지역 격자별 월간 메뚜기 공격 횟수, 토양 수분 수준, 식생 밀도가 포함된다.
• 네트워크는 데이터 내 시간적 의존성을 학습하여 다음 달의 무리 분포를 예측하도록 훈련된다.
• 정밀도와 재현율 평가를 위해 연속 예측 결과를 존재/부재 레이블로 변환하는 이진 분류 헤드가 적용된다.
• 예측 정확도 평가를 위해 지역별 공격 횟수 기반으로 저밀도, 중간 밀도, 고밀도로 분류된 밀도 수준을 정의한다.
• 모델 훈련은 1개의 NVIDIA V100 GPU에서 50 에포크 동안 수행되며, 시퀀스 길이는 12개월이다.

실험 결과

연구 질문

• RQ1 환경 및 역학적 무리 데이터를 사용하여 LSTM 기반 모델이 1개월 전에 메뚜기 무리의 지리적 분포를 효과적으로 예측할 수 있는가?
• RQ2 특히 고밀도 번식 지역에서, 다양한 무리 강도를 가진 지역 간에 모델의 일반화 능력은 어느 정도인가?
• RQ3 메뚜기 무리의 이동 패턴, 예를 들어 옹만에서 서인도로의 이동과 같은 시간적·공간적 이동 패턴을 모델이 어느 정도 포착할 수 있는가?
• RQ4 매우 적은 무리 사건이 발생하는 지역이 많은 비대칭 데이터셋에서 정밀도와 재현율 지표는 어떻게 성능을 보이는가?
• RQ5 위성 영상과 같은 추가 데이터 소스를 통합할 경우 향후 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 모델은 매크로 평균 재현율 81%를 기록하여 실제 메뚜기 공격를 사전에 강력하게 탐지할 수 있음을 보여준다.
• 매크로 평균 정밀도는 60%로, 참 양성과 가양성 간의 합리적인 균형을 보이고 있다.
• 고밀도 번식 지역(4건 이상의 공격)에서의 재현율은 86%에 이르며, 심각한 폭발을 예측하는 데 뛰어난 성능을 보이고 있다.
• 모델은 옹만에서 2020년 6월부터 서인도로 2021년 7월까지의 메뚜기 이동 패턴을 히트맵 비교를 통해 성공적으로 포착하였다.
• 특히 고무리 활동 지역에서 실제와 유사한 정성적 일치를 보이며, 위치와 공격 강도를 양호한 수준으로 예측하였다.
• LSTM의 사용 덕분에 장기적 시간 의존성을 효과적으로 학습하여 정적 모델 대비 예측 정확도가 향상되었다.