利用计算机视觉与深度学习从卫星图像时间序列对气候变化事件进行因果推断
机器学习
2019-10-28 v1 计算机视觉与模式识别
机器学习
摘要
我们提出一种利用卫星图像时间序列进行因果推断的方法，以确定影响气候变化的干预措施（如森林砍伐）的处理效应。简言之，其目标是量化与气候相关的人为干预（如城市化）以及自然灾害（如飓风与森林火灾）的“前 versus 后”效应。作为一个具体示例，我们聚焦于量化由人为原因导致的森林树木覆盖变化/森林砍伐。所提方法包含以下步骤。首先，我们利用计算机视觉与机器学习/深度学习技术，在每个时间 epoch 检测并量化随时间的森林树木覆盖水平。随后我们考察该时间序列以识别变点。接下来，我们利用贝叶斯结构因果模型估计期望（森林树木覆盖）值，并投影/预测反事实。将其与干预后实际观测值比较，二者之差即给出干预效应（相较于无干预情景，即若无干预可能发生的情况）。作为一个具体用例，我们分析了巴西（于1993–94年结束）恶性通货膨胀事件（干预）前后，巴西亚马逊雨林朗多尼亚周边的森林砍伐水平。对于该森林砍伐用例，使用我们的因果推断框架有助于从因果上归因不同时点因人类活动导致的森林树木覆盖变化/减少及森林砍伐率上升。
引用
@article{arxiv.1910.11492,
title = {Causal inference for climate change events from satellite image time series using computer vision and deep learning},
author = {Vikas Ramachandra},
journal= {arXiv preprint arXiv:1910.11492},
year = {2019}
}