[论文解读] Explainable AI Integrated Feature Engineering for Wildfire Prediction

Di Fan, Ayan Biswas+1 more|arXiv (Cornell University)|Apr 1, 2024

Fire effects on ecosystemsEnvironmental Science被引用 3

一句话总结

本研究提出了一种集成可解释人工智能（XAI）的机器学习框架，用于野火预测，结合XGBoost进行分类和随机森林进行回归，并采用混合卷积神经网络（CNN）联合处理数值数据与图像数据的分类与回归任务。主要结果表明，XGBoost在分类野火类型方面表现出高精度，而随机森林回归在预测燃烧面积时最小化了误差；XAI技术如TreeSHAP和Grad-CAM揭示，土壤湿度和点火条件是最具影响力的预测因子。

ABSTRACT

Wildfires present intricate challenges for prediction, necessitating the use of sophisticated machine learning techniques for effective modeling\cite{jain2020review}. In our research, we conducted a thorough assessment of various machine learning algorithms for both classification and regression tasks relevant to predicting wildfires. We found that for classifying different types or stages of wildfires, the XGBoost model outperformed others in terms of accuracy and robustness. Meanwhile, the Random Forest regression model showed superior results in predicting the extent of wildfire-affected areas, excelling in both prediction error and explained variance. Additionally, we developed a hybrid neural network model that integrates numerical data and image information for simultaneous classification and regression. To gain deeper insights into the decision-making processes of these models and identify key contributing features, we utilized eXplainable Artificial Intelligence (XAI) techniques, including TreeSHAP, LIME, Partial Dependence Plots (PDP), and Gradient-weighted Class Activation Mapping (Grad-CAM). These interpretability tools shed light on the significance and interplay of various features, highlighting the complex factors influencing wildfire predictions. Our study not only demonstrates the effectiveness of specific machine learning models in wildfire-related tasks but also underscores the critical role of model transparency and interpretability in environmental science applications.

研究动机与目标

• 通过为分类和回归任务量身定制的机器学习模型，提升野火预测的准确性。
• 利用可解释人工智能（XAI）技术增强环境应用中的模型可解释性。
• 通过特征重要性分析，识别影响野火结果的最关键环境与气象特征。
• 开发一种混合深度学习模型，同时处理数值数据与卫星图像，实现分类与回归的联合预测。
• 使用公开数据仓库中的真实野火数据集验证模型性能。

提出的方法

• 采用XGBoost进行野火类型分类，并使用准确率和鲁棒性指标评估性能。
• 使用随机森林回归预测燃烧面积范围，优化预测误差与可解释方差。
• 开发一种混合CNN模型，同时处理气象数据与卫星图像，用于联合分类与回归任务。
• 应用TreeSHAP量化特征重要性及对回归预测输出的贡献。
• 使用LIME评估模型在单个预测点附近的行为特性与线性程度，针对火点内部与外部区域。
• 利用部分依赖图（PDP）可视化特征对预测野火范围的边际影响。

实验结果

研究问题

• RQ1 哪种机器学习模型在分类野火类型或阶段方面表现最佳？
• RQ2 回归模型在预测野火事件中燃烧面积范围方面的准确性如何？
• RQ3 哪些环境与气象特征对野火预测结果具有最显著的影响？
• RQ4 XAI技术如TreeSHAP、LIME与PDP如何揭示野火预测模型的决策逻辑？
• RQ5 单一CNN模型能否有效利用图像与数值输入，同时完成野火数据的分类与回归任务？

主要发现

• XGBoost在分类野火类型或阶段方面实现了最高准确率与鲁棒性，优于其他分类任务模型。
• 随机森林回归在预测燃烧面积方面表现出色，预测误差最低，可解释方差最高。
• 在火点内部区域预测中，土壤湿度（smois）与点火条件对预测结果影响最大，TreeSHAP分析结果表明其具有最强正向影响。
• 在火点外部区域预测中，土壤湿度（smois）与风速为最具影响力的特征，风速在超过10的数值时表现出显著影响。
• 混合CNN模型实现了93.10%的分类准确率，内部区域燃烧面积预测误差为0.75%，外部区域为2.41%。
• Grad-CAM可视化结果证实，模型聚焦于卫星图像中的关键区域，如烧伤痕迹与燃料分布模式，以支持分类决策。