Detectarea incendiilor de padure cu ajutorul Retelelor Neuronale Artificiale

Detectarea incendiilor de padure cu ajutorul Retelelor Neuronale Artificiale

Abstract

Am testat si perfectionat tehnici de descoperire a datelor prin Retele Neuronale Artificiale pentru a analiza datele primite de la satelitii MODIS, GOES si AVHRR. Tinta este antrenarea RNA pentru invatarea semnaturilor incendiilor de padure cu ajutorul datelor primite in scopul de a automatiza procesul de detectie. A fost antrenata RNA folosind un set de incendii de padure detectate de om in padurile de pe cuprinsul SUA, care provin de la Sistemul de Cartografiere a Hazardului(HMS) prin grupul de detectie de la NOAA/NESDIS. RNA este antrenata sa mimeze comportamentul algoritmilor de detectie a incendiilor de padure si sa verifice decizia subiectiva luata de Analistul de Incendiu.

S-a folosit o cautare locala in extrem pentru a izola pixelii cu incendiu, dupa care se extrage o matrice 7x7 pixeli in jurul acestei locatii, in 3 canale spectrale. Valorile corespunzatoare celor 147 pixeli sunt introduse intr-un vector care este implementat in RNA. Se testeaza performantele RNA si se evita supradimensionarea prin folosirea unui subset de date ca set de testare a datelor. S-a ajuns la performanta obtinerii detectiei automate a incendiilor de padure cu precizie de 80-92 % depinzand de varietatea parametrilor din RNA si a instrumentelor diferite folosite la canalele celor 3 sateliti.

Se crede ca sistemul se poate implementa la nivel mondial pentru optimizarea detectiilor incendiilor de padure, de asemenea datele obtinute putand fi folosite si ca date de intrare pentru modelele de climate.

1.Introducere

Incendiile de padure au un impact profund asupra biosferei si asupra societatii in general. Ele cauzeaza pierderi de vieti omenesti, distrugerea proprietatilor private si a resurselor naturale si alterarea atmosferei. Ca raspuns la consecintele ingrijoratoare ale incendiilor de padure si pentru ajutorarea serviciilor profesioniste de pompieri Administratia Nationala a Oceanelor si Atmosferei(NOAA), Serviciul National pentru Protectia Mediului, a Datelor si Informatiilor cu ajutorul Satelitilor(NESDIS), localizat la Camp Springs, Maryland, a dezvoltat gradual un sistem operational pentru monitorizarea de rutina a incendiilor de padure prin observarea lor cu ajutorul satelitilor cunoscut azi ca Sistemul de Cartografiere a Pericolelor. Acest sistem permite unei echipe de Analisti la Incendii sa examineze si sa implementeze, pe baza rapoartelor zilnice, datele obtinute de la Satelitii Geostationari prin Radiometrele Avansate cu Rezolutie Foarte Mare(AVHRR) si Spectroradiometrele cu Imagini la Rezolutie Moderata(MODIS). Acestea genereaza o prognoza pe 24 de ore.

Cu toate ca este asistata de algoritmi automati de detectare a incendiilor, NOAA nu a reusit sa elimine elementul uman din procedurile de detectare. Ca si consecinta, efortul intensiv depus de angajati a impiedicat NOAA sa foloseasca acest mod de detectare la nivel global.

NASA a acordat ajutor NOAA pentru a automatiza Sistemul de Cartografiere a Pericolelor prin antrenarea retelelor neuronale sa mimeze procesul de luare a deciziilor de catre echipa de analisti la incendii ca si algoritmi automati.

2. Arhivarea datelor

Proiectul a implicat personal din departamentul guvernamental si din cadrul universitatii, care au incercat sa automatizeze tehnicile si programul. NASA a inceput sa analizeze si sa arhiveze imaginile primite de la satelitii AVHRR, GOES si MODIS din vara anului 2003. Trei canale spectrale pentru fiecare din cele trei tipuri de sateliti au fost puse la dispozitie de NOAA prin incarcarea lor in serverele NASA. Cele trei canale au fost doar o parte componenta folosita din instrumentele existente pe sateliti si s-au dovedit a fi cele mai importante in identificarea incendiilor de catre NESDIS. Acestea sunt prezentate in tabelul urmator. Reflexia si intensitatea temperaturii au fost dispuse de NESDIS pe o scara de la 0 la 255.

A devenit evident aproape imediat problema stocarii volumului urias de date pe care le inregistrau satelitii NESDIS. In fiecare zi se procesau 96 de fisiere cu imagini provenite de la satelitii GOES, 25 de la cei AVHRR si 16 de la cei MODIS toate aceste fisiere fiind inregistrate in serverele NASA. Datele stocate plus infrmatiile auxiliare necesitau apriximativ 1,44 Gb pe zi. Un calculator Mac G5 cu 12 hard-disk-uri externe Maxtor de 250 Gb a fost in stare sa stocheze enorma cantitate de informatii.

3. Analiza preliminara

Analiza preliminara consta intr-o serie de imagini GOES imprimate pentru a determina diferenta dintre punctele in care sunt posibile incendii si cele in care nu s-a semnalat un potential pericol de incendiu. Un exemplu este aratat in Figura 1 in care punctele din partea superioara de fundal (cele de sus) si cele in care s-au detectat incendii (cele de jos) sunt vizibile de catre satelitii GEOS, canalul 1 prezentand reflexia si canalul 2 intensitatea temperaturii. Acestea sunt pentru un anumit punct pe parcursul unei singure zile. Intensitatile luminoase sunt cufundate in imaginea de fundal.   

Acesta a fost primul indiciu, confirmat de analize amanuntite efectuate ulterior, ca diferitele tipuri de incendii (de coroana, suprafata si la nivelul solului) nu aveau amprenta si ca exista o linearitate simpla intre cele 2 clase zona cu incendiu si zona fara incendiu.

4. Analiza datelor

Un mare numar de ore, atentie si gandire au intrat in compozitia antrenarii seturilor adecvate de date care au fost implementate in retelele neuronale. In incercarile primare s-au inclus timpul si locatia geografica precum si parametrii in completarea informatiei spectrale dar datorita dificultatilor semnificative in obtinerea convergentei s-a folosit in cele din urma doar informatia spectrala.

Principiul de baza original folosit la antrenarea retelelor neuronale a fost sa se foloseasca informatiile formatate in cod ASCII provenite de la satelitii NOAA. Acestea erau ulterior extrase sub forma de informatii pe 3 benzi din punctele in care se semnala un potential pericol de incendiu.

Tabelul 2 prezinta aparitia produsului incendiu detectat de sateliti in formatul de date ASCII. Dupa cum se arata, pe fiecare linie si pentru fiecare incendiu luat individual, sunt prezentate coordonatele geografice ale incendiului urmate de amprenta timp, satelitul dupa care s-a facut determinarea si in cele din urma metoda prin care aceasta determinare a fost facuta. Determinarea se poate face de om catre om prin analiza vizuala sau in mod automat prin unul dintre algoritmi.

Prin folosirea unui pachet software numit Enviroment for Visualising Images (ENVI), coordonatele geografice au fost convertite sub forma de pixeli cu coordonate pe randuri si coloane. Cand au fost examinate incendiile folosind programul ENVI in mod vizual s-a descoperit ca incendiile nu se gaseau in acelasi loc unde erau amplasate de coordonatele geografice, eroarea fiind de cativa pixeli de la locatia asteptata. Considerand ca un pixel are un kilometru in rezolutia spatiala a satelitilor MODIS si AVHRR, eroarea aproximativa a locului detectat este de 2 sau 3 kilometrii, dar in cazul satelitilor GOES care foloseau banda termala (cu rezolutie de 4 kilometrii la un pixel) eroarea putea fi pana la 12 kilometrii.

Aceasta eroare de calcul s-a considerat a fi din cauza a 3 factori: erorile de navigare spatiala, toleranta inevitabila din programul satelitilor NOAA si erorile de operare din metoda point-and-click a unui analist de incendiu care face asta cu mouse-ul.

Una din cele mai bune idei pe care au avut-o analistii de incendii ai NOAA este inspectarea benzii de 4 microni de puncte negre. Aceasta era vizibila in cadrul imaginilor transmise de sateliti si procesate de NESDIS. Programul implementat de NOAA a fost scris in asa fel incat intensitatea temperaturii, care s-a folosit pe o scara de la 0 la 255, sa ia valorile cele mai mici pentru incendiile cele mai puternice. Aceasta se vede foarte bine in figura 2a in care se prezinta o captura pe Canalul 2 a satelitului GOES din Nordul Floridei din data de 12 Iulie 2003. Un incendiu cu coordonatele -82.10 grade longitudine Vest si 30.49 grade latitudine Nord este prezentat. Cu toate ca apare ca un punct in vedere normala, intr-o imagine marita din figura 2b se observa ca incendiul a cuprins de fapt mai multi pixeli. Pentru a extrage informatia spectrala referitoare la acest incendiu, folosind locatia aproximativa specificata de programul ASCII, programul a efectuat o analiza locala in banda de 4 microni asupra regiunii respective pentru a descoperi cu exactitate cel mai fierbinte punct (cea mai joasa valoare a intensitatii). Dupa aceea s-au colectat informatii spectrale in jurul coordonatelor acelei imagini in toate cele 3 benzi.

Trei metode de caracterizare a unui incendiu cu ajutorul celor 3 benzi au fost analizate: un singur pixel la un anumit timp ales aleator, un punct intr-un interval de timp determinat care urmarea sa demonstreze evolutia unui incendiu pe parcursul unei zile si o matrice de pixeli la un anumit timp. Primele doua tehnici au avut rezultate confuze in obtinerea convergentei in cadrul retelelor neuronale. Totusi, a treia metoda, una spatiala care a constat intr-o matrice de 7x7 pixeli cu cea mai fierbinte zona a incendiului localizata in centrul matricii a fost o reusita.

In banda de 4 microni, locatia aproximativa a puntelor fierbinti a fost identificata de aparatura satelitilor NOAA, apoi tehnica locala a identificat cel mai fierbinte punct al incendiului. In toate cele benzi s-au implementat coordonatele celui mai fierbinte pixel si apoi s-au format matrici de dimensiunea 7x7, cu centrul in acel punct, de la care s-au conctat informatii.

In tabelul 3 este prezentata o amprenta tipica vazuta din spatiu si procesata de senzorii MODIS.

In banda de 3.96 microni amprenta devine vizibila in mod evident. Departandu-ne de pixelul central, partile mai reci ale incendiului sunt reprezentate de valori crescute ale intensitatii (o inversiune prin programare).

4. Arhitectura Retelelor Neuronale

Trei benzi formate din matrici 7x7, asezate ca vectori cu 147 de elemente determina numarul de noduri impuse in retea in timp ce numarul de noduri a fost determinat la inceput prin regula empirica, incepand cu radacina intrarilor si iesirilor. Chiar si dupa cateva experimente, numarul de noduri nu a fost foarte departat cel luat in calcul initial. Un singur nod de iesire a fost necesar pentru a face diferenta intre cele 2 clase.

Reteaua neuronala 147-10-1 a fost configurata si folosita la testari. Aceasta este prezentata in figura 3. Separat, au fost create retele identice pentru fiecare senzor. Pentru toate nodurile active au fost definite functii tangente de transfer.

5. Antrenarea si testarea retelelor neuronale

Mii de amprente provenite de la satelitii de pe orbita au fost extrase cu ajutorul celor trei senzori de imagine care au supravegheat sezonul de incendiu din anul 2003 de pe partea continentala a Statelor Unite ale Americii. Pe parcursul investigatiei s-au folosit 3 programe de modelare a retelelor neuronale: Java Object Oriented Neural Engine (JOONE), Stuttgart Neural Network Simulator (SNNT) si MATLAB Neural Network Toolbox. In contiunare vom face referire doar la rezultatele obtinute cu programul MATLAB.

Numarul total de mostre de amprente spatiale extrase de la fiecare instrument senzor al fiecarui satelit sunt prezentate in tabelul 3, raportul dintre zonele cu incendiu si zonele fara incendiu fiind de aproximativ 1:1. O parte din tehnica de validare a punctelor de intersectie a fost implementata pentru antrenament si testare. Toate amprentele disponibile de la fiecare instrument au fost impartite in 4 sferturi, fiecare esantion fiind reprezentativ pentru tot setul de date.

Mostrele pentru antrenament au fost constituite din numarul total de amprente care prezentau legatura la un set de validare si un set de teste rezultand disjunctia a 3 seturi de date. Din functiile programului MATLAB a fost aleasa functia algoritmului de moment si pentru a preveni supraincarcarea, a fost implementat un program de oprire initiala in caz de eroare (nu in toate cazurile). Pe timpul antrenamentului, situatia cea mai defavorabila a fost monitorizata si cand aceasta incepea sa urce se inceta antrenamentul imediat. Dupa aceasta se continua testarea pe datele care nu erau vazute de reteaua neuronala pe timpul antrenamentului.

6. Clasificarea rezultatelor

Clasificarea rezultatelor retelelor neuronale pentru datele primite de la satelitii MODIS, AVHRR si GOES sunt prezentate mai jos sub forma de matrici de erori in tabele. Analiza matricilor de erori este discutata in sectiunea urmatoare. Deoarece acesta este un sistem de 2 clase, datele empirice reprezinta: adevarat pozitiv (TP), adevarat negetiv (TN), fals pozitiv (FP), fals negativ (FN). Acestea ocupa partea din stanga sus a matricei de erori. Datele numerice ramase prezentate in matrice reprezinta tabelul marginal.

7. Analiza statistica

Matricile de erori din tabelele 4-7 au fost analizate statistic, iar rezultatele au fost implementate in tabelul 8. In termenii adevarat pozitiv (TP), adevarat negetiv (TN), fals pozitiv (FP), fals negativ (FN) au fost calculate cinci masuri de precizie dupa cum urmeaza:

Precizie globala: (TP+TN)/(TP+TN+FP+FN)

Precizia producatorului(la incendiu): TP/(TP+FN)

Precizia producatorului(fara incendiu):TN/(FP+TN)

Precizia utilizatorului(la incendiu):TP/(TP/FP)

Precizia utilizatorului(fara incendiu):TN/(TN+FN)

Aceasta a fost urmata de o analiza Kappa in cadrul careia statisticile Khat determina gradul de potrivire dintre datele clasificate si datele de referinta. Masuratorile preciziei pe ansamblu au reflectat abilitatea retelei neuronale de a atribui pixelilor cu valoare necunoscuta una din cele doua valori, zona cu incendiu sau fara incendiu, in timp ce precizia producatorului si a utilizatorului a atribuit masuri pentru fiecare caz individual.

Dupa cum este prezentat in Tabelul 8 o mare precizie de clasificare (aproximativ 90% pe ansamblu si 87%-94% la producator/utilizator) a fost descoperita la senzorii de pe satelitii MODIS si AVHRR in timp ce clasificarile imaginilor preluate de la satelitii GOES (70%-80%) a fost slaba din punct de vedere statistic. Aceasta stiuatie a fost atribuita performantelor instrumentelor stiintifice ca si rafinamentului algoritmilor de detectie a incendiului dupa care au fost adoptate metodele pe satelitii GOES. Valorile Khat care au scara de la -1 la +1 indica corelatii positive in cazul satelitilor AVHRR si MODIS (mai mari de 80%) in vreme ce satelitii GOES sunt lasati in urma(valori in jurul a 60

8. Concluzii

Intentia initiala a proiectului a fost dezvoltarea unei singure retele neuronale care sa proceseze datele primite de la instrumentele de pe cei 3 sateliti, sa procedeze la clasificarea incendiilor cel putin la fel de bine ca algoritmii automati si ca analistii de incendii. Datele trebuiau procesate si incorporate in Sistemul de Cartografiere a Pericolelor al NOAA pentru a reduce numarul de interventii facute de om. Cercetarile au aratat ca suprapunerea temporala si spatiala este insuficienta intre senzorii celor 3 tipuri de sateliti pentru a putea fi prelucrata in cadrul unei singure retele neuronale. De asemenea acest mod de lucru nu ar fi fost practic in nici o situatie datorita marimii extraordinare a retelei care trebuia sa imparta toata harta in matrici 7x7 pentru a caracteriza amprentele de incendiu in parte.

Solutia cea mai practica este impartirea procesarilor primite de la cei 3 sateliti in 3 retele neuronale independente. Totusi, precizia scazuta a imaginilor provenite de la satelitii GOES EST si GOES WEST sugereaza ca ar trebui procesate doar imaginile primite de la satelitii MODIS si AVHRR si implementate in retele neuronale. In ciuda preciziei ridicate a clasificarilor senzorilor de date de pe satelitii MODIS si AVHRR se pot obtine imbunatatiri ulterioare prin incorporarea unor tehnici pe care le ofera MATLAB: Functia de Modificare a Performantei si regularizarea Bayesian. De asemenea este nevoie de un efort pentru cercetarile ulterioare pana la implementarea designului retelelor neuronale in cadrul unui sistem operational.