[论文解读] Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data

Fantine Huot, Ruiheng Hu+7 more|arXiv (Cornell University)|Oct 15, 2020

Fire effects on ecosystems参考文献 16被引用 19

一句话总结

本研究提出了一种深度学习框架，利用近十年累积的遥感数据（包括气象、植被、地形以及历史火灾记录）预测野火发生概率。通过四种深度学习架构（包括U-Net和LSTM增强模型），该方法在识别高风险区域方面实现了83%的AUC，表明数据驱动模型在野火风险评估和早期预警系统中的潜力。

ABSTRACT

Identifying regions that have high likelihood for wildfires is a key component of land and forestry management and disaster preparedness. We create a data set by aggregating nearly a decade of remote-sensing data and historical fire records to predict wildfires. This prediction problem is framed as three machine learning tasks. Results are compared and analyzed for four different deep learning models to estimate wildfire likelihood. The results demonstrate that deep learning models can successfully identify areas of high fire likelihood using aggregated data about vegetation, weather, and topography with an AUC of 83%.

研究动机与目标

• 开发一种基于历史遥感数据的野火发生概率预测数据驱动方法。
• 利用深度学习解决野火发生中类别不平衡与时空变异性的挑战。
• 评估多种深度学习架构在多源遥感数据中分割易燃区域的性能。
• 提升土地管理、灾害准备和早期预警系统的野火风险估算能力。
• 探索即使在难以精确预测火灾边界的情况下，利用深度学习识别高风险区域的可行性。

提出的方法

• 来自Google Earth Engine的聚合多源遥感数据，包括MODIS活跃火数据、SRTM地形数据、GRIDMET干旱指数以及VIIRS植被指数。
• 构建了三个机器学习任务：每日图像分割、7天窗口内的聚合图像分割，以及基于时间序列数据的序列分割。
• 训练了四种深度学习模型：卷积自编码器、残差U-Net、带卷积LSTM的自编码器，以及带卷积LSTM的U-Net。
• 使用128×128公里分辨率的图像块，空间分辨率为1公里，以火灾掩码作为真实标签。
• 应用数据增强和时间建模技术以提升泛化能力，尤其针对长期风险估计。
• 通过测试数据的AUC和视觉分割性能评估模型，重点关注误报和边界分类错误。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用聚合的历史遥感数据预测野火发生概率？
• RQ2 不同深度学习架构在从多模态遥感输入中分割易燃区域方面表现如何比较？
• RQ3 通过卷积LSTM引入时间动态是否相比静态模型能提升野火发生概率估计？
• RQ4 预测精确火灾位置的主要挑战是什么？类别不平衡如何影响模型性能？
• RQ5 即使实际火灾未发生，基于历史数据训练的模型是否能识别出高风险区域，从而实现主动火灾管理？

主要发现

• 深度学习模型在预测野火发生概率方面实现了83%的AUC，表现出色地识别出高风险区域。
• 残差U-Net结合卷积LSTM的模型表现优于其他模型，能有效捕捉野火发生中的时空模式。
• 出乎意料的是，聚合分割任务（7天火灾掩码）的表现劣于每日分割任务，原因在于小样本数据集上的过拟合。
• 分割错误主要源于小规模火灾的遗漏以及火灾边界区域的误分类，凸显了精确定位的挑战。
• 即使火灾大小或位置预测不准确，模型仍能有效区分火灾与非火灾区域，表明其具备强大的区域风险检测能力。
• 本研究建议，将任务重新定义为大规模火灾风险评估而非精确分割，可提升其在火灾管理中的实际应用价值。