[论文解读] Spain on Fire: A novel wildfire risk assessment model based on image satellite processing and atmospheric information

Helena Liz-López, Javier Huertas‐Tato+4 more|arXiv (Cornell University)|Jun 8, 2023

Fire effects on ecosystems被引用 4

一句话总结

本文提出了一种基于深度学习的回归模型——野火评估模型（WAM），该模型利用卫星获取的大气变量和绿度指数，预测野火的资源需求、控制/熄灭时间及过火面积。WAM 在 10 万个未标注样本上通过自监督掩码图像块预测进行预训练，并在 311 个标注的野火事件上进行微调，相较于基线模型，在空中资源预测方面准确率提高 9%，在熄灭时间预测方面提升 21%。

ABSTRACT

Each year, wildfires destroy larger areas of Spain, threatening numerous ecosystems. Humans cause 90% of them (negligence or provoked) and the behaviour of individuals is unpredictable. However, atmospheric and environmental variables affect the spread of wildfires, and they can be analysed by using deep learning. In order to mitigate the damage of these events we proposed the novel Wildfire Assessment Model (WAM). Our aim is to anticipate the economic and ecological impact of a wildfire, assisting managers resource allocation and decision making for dangerous regions in Spain, Castilla y León and Andalucía. The WAM uses a residual-style convolutional network architecture to perform regression over atmospheric variables and the greenness index, computing necessary resources, the control and extinction time, and the expected burnt surface area. It is first pre-trained with self-supervision over 100,000 examples of unlabelled data with a masked patch prediction objective and fine-tuned using 311 samples of wildfires. The pretraining allows the model to understand situations, outclassing baselines with a 1,4%, 3,7% and 9% improvement estimating human, heavy and aerial resources; 21% and 10,2% in expected extinction and control time; and 18,8% in expected burnt area. Using the WAM we provide an example assessment map of Castilla y León, visualizing the expected resources over an entire region.

研究动机与目标

• 开发一种新型野火风险评估模型，利用卫星和大气数据预测资源需求、控制时间、熄灭时间及过火面积。
• 通过在大规模未标注数据上采用自监督预训练策略，解决野火标注数据有限的挑战。
• 通过数据驱动的预测方法，提升高风险区域（如卡斯蒂利亚-莱昂和安达卢西亚）的野火管理决策能力。
• 评估模型在不同气象条件下的西班牙不同地区间的泛化能力。

提出的方法

• WAM 模型采用残差风格的卷积神经网络架构，将地理参考的大气和植被变量作为类似图像的输入进行处理。
• 通过在 10 万个未标注的卫星和环境数据样本上使用自监督掩码图像块预测目标进行预训练，以学习空间和时间模式。
• 将预训练自编码器的编码器部分在卡斯蒂利亚-莱昂的 311 个标注野火事件上进行微调，以回归预测关键野火管理指标。
• 模型融合大气变量（如温度、湿度、风速）和绿度指数（NDVI）作为输入特征。
• 回归头预测四个关键输出：所需人力、重型和空中资源，控制时间，熄灭时间，以及预期过火面积。
• 模型为卡斯蒂利亚-莱昂生成区域风险评估图，可视化整个自治区的预测资源需求。

Figure 1: Visual representation of WAM methodology steps.

实验结果

研究问题

• RQ1 在数据稀缺场景下，基于大规模未标注卫星数据的自监督预训练策略是否能提升野火风险预测性能？
• RQ2 在少量标注野火事件上微调的残差卷积网络在预测资源分配和野火行为指标方面效果如何？
• RQ3 在西班牙某地区（卡斯蒂利亚-莱昂）训练的野火预测模型，在气象条件不同的另一地区（安达卢西亚）的泛化能力如何？
• RQ4 与传统机器学习基线模型相比，所提出的 WAM 模型在预测野火管理结果方面取得了多大性能提升？

主要发现

• 与基线模型相比，WAM 模型在预测空中资源方面提高了 9%，在重型资源估算方面提高了 3.7%。
• 在熄灭时间预测上误差降低 21%，在控制时间预测上误差降低 10.2%，表明其在时间预测方面表现优异。
• 在预测预期过火面积方面，性能提升 18.8%，表明其在空间影响预测方面具有更强能力。
• 尽管在卡斯蒂利亚-莱昂表现良好，但该模型在未重新训练的情况下无法泛化到安达卢西亚，凸显其在跨区域迁移能力上的局限性。
• 在微调过程中重新训练编码器显著提升了回归性能，表明仅靠初始预训练不足以实现最优的任务特定学习。
• 采用残差自编码器架构的性能优于序列架构，归因于更优的梯度流动和更深层次的特征学习。

Figure 2: Map of Spain showing the locations of all wildfires recorded between 2001 and 2012. Wildfires in Castilla y León are highlighted in blue and those in Andalucía in red.