FireScope: Wildfire Risk Prediction with a Chain-of-Thought Oracle

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

本研究では、衛星画像と気候データをVision-Language Model（VLM）に入力し、Chain-of-Thought（CoT）による推論を活用して、異なる地域にも汎化可能な山火事リスクマップを生成するFireScopeを提案しています。従来手法は学習地域固有の相関に依存しやすく、地域が変わると予測性能が低下することが課題でした。本手法では、約10 km四方のSentinel-2画像と気候データからVLMが地域全体の山火事リスクを推定し、そのスコアをFiLMで画像モデルに与えることで、30 m解像度の詳細なリスク分布を生成します。米国のリスクマップで学習し、欧州の実火災データで検証した結果、CoTを用いることで画像や気候データのみの場合より高い予測性能を示しました。本研究はVLMの推論能力を衛星リモートセンシングに援用することで、地域を跨いだ地理空間予測の汎化性を高められる可能性を示しています。

Transcript

1. 第32回 atAI.challenge勉強会 Fire cope: ildfire isk Prediction with a Chain-of- hought Oracle 文山草 1
2. 目次 • • • • • • 発表者紹介スライド 研究 1ページサマリ紹介 研究 背景（Introduction） 手法について（Method） 実験（Experiment） 結論（Conclusion） 2
3. 発表者紹介 3 This image was generated by ChatGPT
4. 自己紹介 文山 草 所属：メーカー研究職 業務：都市・交通領域で 空間情報に関する研究・事業創生 そ 他取り組み： • 学部) 渋滞とデータ同化に関する研究、修士) 衛星夜間光 補正に関する研究 • • • GIS×AI Agent 開発 (位置Biz、Plateau Award 2024) カメラ映像から 人流デジタルツイン生成PJ (未踏Adv 2023) 衛星画像を用いた港湾物流向けソリューション開発 (NEDO 2022) 4
5. 論文紹介 5 This image was generated by ChatGPT
6. Fire cope: ildfire isk Prediction with a Chain-of- hought Oracle LMを活用し、未知 地域でも比較的高精度で推論可能な山火事リスク地図生成手法を提案 • • • 衛星画像と気候データを LMに入力し、 Chain-of- houghtによる推論結果を用いて高解像度 山火事リスクマップを生成する手法を開発 米国で学習したモデルを欧州 実火災データで評価し、 画像や気候データ みを用いる場合よりも高い汎化性能を示した LM 推論を補助情報として利用することで、地域を跨いだリスク推定や他 環境予測へ 展開が期待される Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, Project Pageより引用 6
7. Intro1 : 山火事リスク予測 重要性と従来手法 山火事リスク 把握 、防災・森林管理等 基礎となる重要な課題 - 火災発生に 気象・植生・地形・人間活動など多様な要因が影響 - 衛星観測により、広域かつ継続的な環境情報 取得が可能 代表的なリスク推定手法 - 物理・統計モデル：Fire eather Index（F I）等 - メリット：シンプルで解釈しやすく、広域に適用可能 - デメリット：植生・土地被覆等 複雑な空間情報を十分に扱えない - ML ベース：CNN等 - メリット：衛星画像・気候データから複雑な特徴を学習可能 - デメリット：学習データに含まれる地域固有 特徴に依存しやすい Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 7
8. Intro2 : 山火事リスク予測 重要性と従来手法 - リモートセンシングで 、学習地域と適用地域でデータ分布が大きく変化 - 土地被覆、気候、衛星画像 見え方 等 - 学習地域で 有効な相関が、別 地域で 成立しない可能性 - 米国で高精度でも、欧州で 異なる植生・気候条件により性能が低下 - こ ような学習分布外（Out-of-Distribution; OOD）で 性能低下が実利用上 課題 - 今回 問題設定 - ID（In-Distribution）：学習地域と類似した条件で 精度 - OOD (Out-of-Distribution)：異なる地域・環境条件で 精度 - ID性能を維持しつつ、OODでも汎化するモデルが求められる → 地域固有 表面的な相関で なく、火災リスクに関わる意味的・一般的な要因を捉えられないか？ Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 8
9. Intro3 : 本研究で検証する内容 本研究で 、VLMによるReasoningを条件情報として利用することで、 ID性能を維持しながら OOD性能を改善できるかを検証 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 9
10. Method : 概要 - 約10 km四方 Sentinel-2画像と気候データをVLMに入力、CoT推論(Oracle)により地域全体 山火事リスクを0〜9 - そ 地域全体 リスクスコアを補助情報として画像モデルに与え、30 m解像度 詳細な山火事リスク分布を生成 スコアで推定 ※ Oracle : 神託 手法 概要 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 10
11. Method : Oracle 約10 km四方 Sentinel-2画像と気候データから山火事リスクを0-9で算出するVLM Model : - Qwen2.5-VL-7B Input： - Sentinel-2 画像 (約10 km四方) - 気候情報 (temperature / precipitation / humidity / wind… Output： - 推論過程 → 要約してアウトプット地図 説明文に - 0–9 risk score → 画像モデルにFiLM（Feature-wise Linear Modulation) を用い入力 訓練方法： -GRPO（Group Relative Policy Optimization） -同一入力で複数 回答を生成し、相対的に良い回答を評価 Oracle 概要 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 11
12. Experiment : 概要 - 入力データ： entinel-2 ＋NA A PO E 月別climatologyデータ 訓練データ：米国 ildfire isk to Communities isk to Potential tructures - 森林火災が構造物に影響するリスクを0-1で評価したも ODD 評価データ：Copernicus EFFI （European Forest Fire Information ystem） burnt-area dataset - 実際に山火事が発生した地点 記録（バイナリ） -Net/ egFormer/AlphaEarth 3種に対し、Image only/Climate/Oracle/Co Oracle 4条件を比較 実験概要 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用12
13. Experiment : 結果（指標) 実験設定 - OOD wildfire events：欧州 各約 10 kmタイルについて、実際に山火事が起きたタイルを予測できたかを評価 - OOD wildfire pixels：欧州で実際に燃えた pixelを高リスクとして当てられたかを評価 結果 - Climate Dataをそ まま追加すると OOD性能が悪化する場合がある一方、 Oracle, CoTを用いた条件付けで 全体として OOD性能が改善 - event単位で U-Net + CoT が最良、pixel単位で SegFormer + CoT が最良 手法ごと・評価内容ごと 精度比較 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 13
14. Experiment : 結果（定性） - oracle単独だと概してリスクを低く見積もる傾向があるが、Co で そ 傾向が修正 一方でoracle,Co 双方ともunet/segformerが捉えられている空間的特徴を丸めてしまう傾向が見られる 定性的な予測結果 比較例 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 14
15. Experiment : 結果（Co - 効果） Co が気候条件に基づいてリスクを高く/低く修正する、双方 例が示されている Oracleにおける結果修正例 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, arXivより引用 15
16. Experiment : 結果（欧州で • • データセット） Co を用いた提案手法で生成したリスクマップ プロジェクトページ で公開されている 欧州、アジアとも既存指標 Fire Weather Indexよりも高いROC AUCを達成 ◦ FireScope achieves a ROC AUC of 0.750 — compared with 0.551 for the Fire Weather Index ◦ It also achieves a ROC AUC of 0.70 in Asia, compared to 0.62 for the Fire Weather Index 欧州で 結果 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, Project Pageより引用 16
17. Experiment : 結果（日本で • • 結果） 推論過程を元にした解説が現地 言語で見れる 約10kmタイルでアーチファクト?っぽい非連続なリスク分布が見られる箇所も 日本 リスク結果 Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, Project Pageより引用 17
18. Fire cope: ildfire isk Prediction with a Chain-of- hought Oracle LMを活用し、未知 地域でも比較的高精度で推論可能な山火事リスク地図生成手法を提案 • • • 衛星画像と気候データを LMに入力し、 Chain-of- houghtによる推論結果を用いて高解像度 山火事リスクマップを生成する手法を開発 米国で学習したモデルを欧州 実火災データで評価し、 画像や気候データ みを用いる場合よりも高い汎化性能を示した LM 推論を補助情報として利用することで、地域を跨いだリスク推定や他 環境予測へ 展開が期待される Markov, et al. (2026), ”FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle”, Project Pageより引用 18