技術要約：火災危険予測のための不確実性を考慮したディープラーニング

1. 問題提起

森林火災は、人類の生命、インフラ、および生態系に対して深刻な脅威をもたらしており、その頻度と強度は気候変動によって増幅されています。ディープラーニング（DL）は火災危険の予測において有望な成果を示していますが、その出力の信頼性、透明性、およびキャリブレーション（較正）に関する懸念から、災害管理への導入が阻まれています。標準的なDLモデルは、しばしば過剰に自信に満ちた予測を行い、不確実性を定量化するメカニズムを欠いています。

火災予測には本質的に以下の不確実性が存在します：

• 確率論的性質（Stochasticity）: 火災の発生は確率的なプロセスであり、同様の環境条件下であっても、火災が発生する場合とならない場合があります。
• データの希少性: 火災イベントは稀（例：本研究のデータセットにおける火災対非火災の比率は $5 \times 10^{-7}$）であり、クラス不均衡や、訓練時と実世界のシナリオ間の分布シフトを引き起こします。
• 複雑な要因: このタスクには、気象、植生、地形、および人為的変数の間の、複雑で非定常な相互作用のモデリングが含まれます。

対処すべき核心的な問題は、既存の火災危険予測用DLフレームワークにおける不確実性の定量化の欠如であり、これが運用上の意思決定における信頼性を制限しています。

2. 手法

著者らは、2つの異なる種類の不確実性を共同でモデル化する不確実性を考慮したDLフレームワークを提案しています：

1. エピステミック（モデル）不確実性: モデルの知識不足に起因し、より多くのデータやより優れたモデルによって低減可能です。
2. アレオリック（データ）不確実性: データの固有のノイズ（例：ラベルノイズ、確率的な発火）に起因し、データを増やしても低減できません。

データとタスクの定式化

• データセット: 本研究では、地中海盆地をカバーする1km $\times$ 1kmのデータキューブである Mesogeos を使用しています（2006年–2022年）。
• 入力: 動的な変数（植生指数、地表面温度、気象データなど）の55日間の時系列データ、および静的な特徴量（標高、土地被覆）。
• タスク: 対象日 $t$ における火災危険の二値分類。正例（Positive samples）は発火地点であり、負例（Negative samples）は発火地点から62km以上離れた場所から抽出されます。
• 予測ホライゾン: 本研究では翌日予測（$n=1$）を評価し、さらに10日前（$n=10$）までの分析へと拡張しています。

モデルアーキテクチャと不確実性推定

フレームワークは、ベースとなるアーキテクチャとして**長短期記憶（LSTM）**ネットワークを採用しています。不確実性は、統一されたフレームワーク内で以下の3つの主要なアプローチを用いて推定されます：

• エピステミック不確実性の推定:
  • ベイズニューラルネットワーク（BNNs）: 特に、変分推論（VI）を用いて重みに確率分布を配置する Bayes by Backpropagation (BBB)。
  • ディープアンサンブル（DEs）: 異なるランダム初期化を用いた複数の決定論的ネットワークの訓練。
  • MC Dropout: 推論時において、ドロップアウトを近似的なベイズ推論として解釈するもの。
• アレオリック不確実性の推定:
  • ヘテロスケダスティック（不等分散）不確実性モデル（Collier et al., 2020）を適用。これはソフトマックス分類器のロジット上にガウス分布を配置することで、平均ロジット（$f_c(x)$）と共に、入力依存のノイズ（$\sigma_c(x)$）を予測することを可能にします。
• 全不確実性（結合モデリング）:
  • フレームワークは、アレオリック・モジュールをベイズ定式化に統合します。
  • ダブルモンテカルロ（Double MC）サンプリング: 予測分布を近似するために、モデルは $N$ 個の重みセット（エピステミック用）をサンプリングし、各重みセットに対して $S$ 個のノイズベクトル（アレオリック用）をサンプリングします。
  • 分解: 全不確実性は、エピステミック不確実性（重みサンプル間の平均予測の分散）と、アレオリック不確実性（各重みセット内のノイズサンプル間の平均分散）に分解されます。

3. 主な貢献

1. 統一されたフレームワーク: 短期的な火災危険予測のために、エピステミックおよびアレオリックの不確実性を同時に捉えるDLフレームワークを開発し、決定論的なベースラインに対して予測スキルとキャリブレーションの向上を実証しました。
2. 時間的分析: 1日から10日の予測ホライゾンにおける不確実性の進化を調査し、アレオリック不確失性が時間とともに増加する一方で（環境の確率性を反映）、エピステミック不確実性は安定していることを明らかにしました。
3. 分離分析: エピステミック不確実性とアレオリック不確実性は、低不確実性（容易なケース）においては高度に相関していますが、高不確実性（困難なケース）においては、特に曖昧なシナリオを特定するための補完的な洞察を提供することを実証しました。
4. 運用の有用性: 不確実性推定が以下の手段を通じて意思決定を支援できることを実証しました：
   • 不確実性レイヤーを伴う危険マップの生成。
   • 低信頼度の予測を拒絶するための不確実性閾値の設定（Discard Test）。
   • 過剰な自信を軽減するためのモデルのキャリブレーションの改善。

4. 結果

予測性能とキャリブレーション

• 指標: 最も優れた性能を示したモデル（アレオリック不確実性を伴うBBB）は、決定論的ベースラインと比較して、F1スコアを2.3%向上させ、期待キャリブレーション誤差（ECE）を2.1%減少させました。
• 再現率 vs 適合率: アレオリック不確実性を伴うBBBモデルは、適合率がわずかに低下したものの、再現率を7.9%向上させました（火災イベントの検出能力向上）。このトレードオフは、火災を見逃すことが誤報よりもコストが高い高リスクなアプリケーションにおいては許容されるものとみなされます。
• キャリブレーション: 不確実性を考慮したモデル、特にBBBは、決定論的モデルよりも大幅に優れたキャリブラーを示し、信頼性図（reliability diagrams）は対角線に密接に一致しました。これは事後的なキャリブレーション手法なしに達成されました。

不確実性推定の信頼性

• Discard Test: 最も不確実な予測を破棄すると、エピステミック不確実性を捉えているモデルにおいて平均損失が減少しました。BBBモデルは、最も不確実なサンプル上位20%を破棄した後、F1スコアが7.5%向上しました。
• 不確実性密度: エピステミック不確実性を捉えるモデル（BBB, DEs）は、正しく分類されたサンプル（低不確実性）と誤分類されたサンプル（高不確実性）を明確に分離できました。対照的に、アレオリックのみのモデルやMC Dropoutは、正例クラスにおけるエラーを効果的に区別できませんでした。
• 相関: 全データセットにおいて、エピステリック不確実性とアレオリック不確実性は高度に相関していましたが（BBBにおいてスペアマンの $\rho \approx 0.91$）、最も不確実なサンプル（上位25%）のみを分析した場合、この相関は大幅に低下（一部のモデルでは負に）し、両者の補完的な性質を確認しました。

時間的進化（1–10日）

• アレオリック不確実性: 長い予測ホライゾンに伴って系統的に増加し、環境入力（例：天候の変動性）における確率論的な性質の蓄積を反映しました。
• エピステミック不確実性: すべてのホライゾンを通じて安定しており、モデルがそれぞれの時間窓内で十分に汎化できるように訓練されていることを示唆しています。
• 性能: AUPRCは1日予測から10日予測にかけて8%と緩やかに低下しましたが、これは予測スキルが維持されていることを示しています。

5. 意義と主張

本論文は、不確実性を考慮したDLを火災予測に統合することが、予測システムの**精度、信頼性、および信頼性（trustworthiness）**を大幅に高めることを主張しています。

• 意思決定支援: 研究は、不確実性推定が単なる理論的なものではなく、実用的なツールであることを強調しています。これにより、運用者は以下が可能になります：
  • モデルが確信を持っている領域（高危険・低不確実性）を特定し、即時の介入を行う。
  • モデルが不確実な領域（高危険・高不確実性）をフラグ立てし、さらなる調査や専門家によるレビューを行う。
  • 低信頼度の予測を拒絶することで、誤ったリソース配分を防ぐ。
• 補完性: 本研究は、両方の種類の不確実性をモデリングすることが極めて重要であることを強調しています。これらは「容易な」ケースでは冗長かもしれませんが、データノイズとモデルの限界が共存する複雑で高リスクなシナリオにおいて、結合されたモデリングは不可欠な洞察を提供します。
• 幅広い適用可能性: 著者らは、対処された課題（データの希薄性、分布シフト、キャリブレーションの必要性）は自然災害の領域全般に共通するものであるとし、本フレームワークが火災以外の分野でも有用であることを示唆しています。

本研究は、BBBのようなベイズ手法とヘテロスケダスティック・ノイズ・モデリングを組み合わせた不確実性を考慮したDLが、高インパクトな環境アプリケーションのための信頼できるAIシステムを開発するための重要な一歩であると結論付けています。