Spotting Virus from Satellites: Modeling the Circulation of West Nile Virus Through Graph Neural Networks

要約

西ナイルウイルス (WNV) の発生は、蚊が媒介する人獣共通感染症ウイルス感染症の中で最も一般的なものの 1 つです。
その循環は通常、ベクターの増殖とウイルスの複製に適した気候条件と環境条件に関連しています。
それに加えて、WNV 循環を形成および予測するためにいくつかの統計モデルが開発されています。特に、最近大量に入手可能な地球観測 (EO) データと人工知能分野の継続的な進歩は、貴重な機会を提供しています。
この論文では、環境および気候の特徴を保持していることが広く示されている衛星画像をディープ ニューラル ネットワーク (DNN) に供給することにより、WNV の循環を予測しようとしています。
特に、これまでのアプローチは各地理的サイトを個別に分析していましたが、私たちは、近いサイトの特性も考慮した空間認識アプローチを提案しました。
具体的には、グラフ ニューラル ネットワーク (GNN) を基盤にして近隣の場所からの特徴を集約し、これらのモジュールをさらに拡張して、2 つの場所間の温度と土壌水分の違い、地理的距離などの複数の関係を考慮します。
さらに、ウイルスの蔓延の季節性を考慮するために、時間関連の情報をモデルに直接注入します。
私たちは、Landsat および Sentinel ミッションからの衛星画像と、イタリアにおける WNV 循環の地上波観測を組み合わせた実験環境を設計します。
私たちが提案する Multi-Adjacency Graph Attendant Network (MAGAT) が、適切な事前トレーニング段階と組み合わせることで、一貫してパフォーマンスの向上につながることを示します。
最後に、アブレーション研究における MAGAT の各コンポーネントの重要性を評価します。

要約(オリジナル)

The occurrence of West Nile Virus (WNV) represents one of the most common mosquito-borne zoonosis viral infections. Its circulation is usually associated with climatic and environmental conditions suitable for vector proliferation and virus replication. On top of that, several statistical models have been developed to shape and forecast WNV circulation: in particular, the recent massive availability of Earth Observation (EO) data, coupled with the continuous advances in the field of Artificial Intelligence, offer valuable opportunities. In this paper, we seek to predict WNV circulation by feeding Deep Neural Networks (DNNs) with satellite images, which have been extensively shown to hold environmental and climatic features. Notably, while previous approaches analyze each geographical site independently, we propose a spatial-aware approach that considers also the characteristics of close sites. Specifically, we build upon Graph Neural Networks (GNN) to aggregate features from neighbouring places, and further extend these modules to consider multiple relations, such as the difference in temperature and soil moisture between two sites, as well as the geographical distance. Moreover, we inject time-related information directly into the model to take into account the seasonality of virus spread. We design an experimental setting that combines satellite images – from Landsat and Sentinel missions – with ground truth observations of WNV circulation in Italy. We show that our proposed Multi-Adjacency Graph Attention Network (MAGAT) consistently leads to higher performance when paired with an appropriate pre-training stage. Finally, we assess the importance of each component of MAGAT in our ablation studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google