[论文解读] Predicting Regional Locust Swarm Distribution with Recurrent Neural Networks

Hadia Mohmmed Osman Ahmed Samil, Annabelle Martin+3 more|arXiv (Cornell University)|Nov 29, 2020

Insect and Arachnid Ecology and Behavior被引用 4

一句话总结

本研究提出一种长短期记忆（LSTM）循环神经网络，利用历史蝗灾数据和土壤湿度、植被密度等环境变量，提前一个月预测区域蝗群分布。该模型实现81%的宏平均召回率和60%的宏平均精确率，表现出在预测蝗群位置和发生强度方面的优异性能，且具备合理的准确性。

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.

研究动机与目标

• 开发一种机器学习模型，以提前一个月预测蝗群分布，从而实现早期干预。
• 解决蝗群预测能力有限的问题，因为蝗群可能摧毁相当于35,000人每日消耗量的食物供应。
• 利用环境数据（如土壤湿度和植被密度）以及历史蝗群观测数据，提升预测能力。
• 通过精确率、召回率以及预测与实际蝗群密度的定性热力图分析，评估模型性能。
• 探索整合卫星数据与实地观测数据以增强长期预测能力和灾害准备工作的潜力。

提出的方法

• 该模型使用单变量LSTM网络处理蝗群发生和环境状况的时序序列数据。
• 输入特征包括各区域网格内每月的蝗灾发生次数、土壤湿度水平和植被密度。
• 通过学习数据中的时间依赖关系，网络被训练以预测下一个月的蝗群分布。
• 应用二分类头，将连续预测结果转换为存在/不存在标签，用于精确率和召回率评估。
• 根据每个区域的攻击次数，将密度等级（低、中、高）进行定义，以评估不同严重程度蝗灾的预测准确性。
• 模型在单张NVIDIA V100 GPU上训练50个周期，序列长度为12个月。

实验结果

研究问题

• RQ1 基于LSTM的模型能否有效利用环境数据和历史蝗群数据，提前一个月预测蝗群的地理分布？
• RQ2 该模型在不同蝗灾强度区域（尤其是高密度发生区域）的泛化能力如何，特别是在严重爆发区域？
• RQ3 该模型在多大程度上能够捕捉蝗群的时空移动模式，例如从阿曼向西印度的迁徙？
• RQ4 在每个区域蝗灾事件稀少的不平衡数据集上，精确率和召回率指标表现如何？
• RQ5 未来整合额外数据源（如卫星图像）对提升预测准确性有何影响？

主要发现

• 模型实现81%的宏平均召回率，表明其具备较强的提前检测实际蝗灾事件的能力。
• 宏平均精确率为60%，显示出真正例与假正例之间的合理平衡。
• 高密度蝗灾区域（超过4次攻击）的召回率达到86%，表明在预测严重爆发方面表现尤为出色。
• 模型成功捕捉到蝗群迁徙模式，例如2020年6月从阿曼到2021年7月西印度的移动路径，热力图对比结果清晰显示。
• 模型在预测蝗群攻击的位置和强度方面，与真实情况具有良好的定性一致性，尤其在高蝗群活动区域表现更优。
• LSTM的使用使模型能够有效学习长期时间依赖关系，从而提升预测精度，优于静态模型。