[论文解读] 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 6

一句话总结

本文提出一种基于U-Net架构的深度学习方法，用于从地球静止轨道卫星影像（GOES）中自动分割野火烟 plume，其在解释EPA测量的PM2.5水平变化方面优于人工标注的plume。该模型采用二元交叉熵损失进行训练，并通过过滤高损失训练样本提升性能，其解释站内PM2.5变化的能力优于人工标注plume，展现出在全美范围之外实现可扩展、高精度烟雾监测的潜力。

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}$).

研究动机与目标

• 开发一种从地球静止轨道卫星影像中自动分割野火烟雾plume的方法，以克服人工标注的局限性。
• 提高烟雾plume识别在环境与公共卫生研究中的准确性和可扩展性。
• 评估模型预测的plume是否能比人工标注plume解释更多地表PM2.5的变化。
• 评估噪声标签对模型性能的影响，并探索缓解其影响的策略。
• 将该方法扩展至美国以外地区，实现全球范围的近实时烟雾监测。

提出的方法

• 使用GOES-16卫星影像的RGB波段和额外的大气数据（MERRA-2）对基于U-Net的卷积神经网络进行训练，以分割烟雾plume。
• 模型采用二元交叉熵（BCE）损失进行训练，并引入一种损失采样策略，通过排除高损失训练样本以降低对噪声的敏感性。
• 通过固定效应面板回归模型评估模型预测结果，比较其对EPA地表PM2.5测量值的解释方差。
• 采用单时刻输入方式，结合多波段卫星数据（最多四个波段：可见光、近红外及大气成分），以增强空间上下文信息。
• 在未见的测试数据上验证性能，并与灾害监测系统（HMS）的人工标注plume进行对比。
• 该方法利用因果推断技术，隔离plume分割对PM2.5变化的贡献，最大限度减少混杂因素的影响。

实验结果

研究问题

• RQ1 基于地球静止轨道卫星影像进行训练的深度学习模型，是否能比人工标注plume更准确地分割野火烟雾plume？
• RQ2 模型预测的plume分割是否能比人工标注plume解释更多地表PM2.5测量值的变化？
• RQ3 在存在噪声标签的情况下，过滤高损失训练样本如何提升模型性能？
• RQ4 该模型是否能超越美国范围，在全球范围内实现近实时烟雾监测？
• RQ5 额外输入通道（如MERRA-2）在多大程度上提升了模型解释PM2.5变化的能力？

主要发现

• 采用二元交叉熵损失并结合高损失样本过滤训练的模型，解释了EPA PM2.5测量值总方差的30.38%，优于人工标注plume所解释的23.16%。
• 即使仅使用RGB波段进行训练，该模型解释的站内PM2.5变化方差（R² = 0.2707）也高于人工标注plume（R² = 0.1946）。
• 使用四个输入波段（RGB + MERRA-2）训练的模型实现了最高的解释方差（调整后R² = 0.2703），表明大气数据可提升模型性能。
• 在训练过程中排除高损失样本的模型，在外部验证中表现优于最佳三波段模型，表明其对标签噪声具有更强的鲁棒性。
• 结果表明，即使人工标注经过专家校正，基于深度学习的分割方法仍能比传统人工标注解释更多PM2.5变化。
• 本研究证明，通过因果推断进行验证，神经网络可被调整以提升下游环境推断能力，即使在存在噪声标签的情况下亦可实现。