RETRACTED ARTICLE: FireXnet: an explainable AI-based tailored deep learning model for wildfire detection on resource-constrained devices

Abstract

Background

Forests cover nearly one-third of the Earth’s land and are some of our most biodiverse ecosystems. Due to climate change, these essential habitats are endangered by increasing wildfires. Wildfires are not just a risk to the environment, but they also pose public health risks. Given these issues, there is an indispensable need for efficient and early detection methods. Conventional detection approaches fall short due to spatial limitations and manual feature engineering, which calls for the exploration and development of data-driven deep learning solutions. This paper, in this regard, proposes 'FireXnet', a tailored deep learning model designed for improved efficiency and accuracy in wildfire detection. FireXnet is tailored to have a lightweight architecture that exhibits high accuracy with significantly less training and testing time. It contains considerably reduced trainable and non-trainable parameters, which makes it suitable for resource-constrained devices. To make the FireXnet model visually explainable and trustable, a powerful explainable artificial intelligence (AI) tool, SHAP (SHapley Additive exPlanations) has been incorporated. It interprets FireXnet’s decisions by computing the contribution of each feature to the prediction. Furthermore, the performance of FireXnet is compared against five pre-trained models — VGG16, InceptionResNetV2, InceptionV3, DenseNet201, and MobileNetV2 — to benchmark its efficiency. For a fair comparison, transfer learning and fine-tuning have been applied to the aforementioned models to retrain the models on our dataset.

Results

The test accuracy of the proposed FireXnet model is 98.42%, which is greater than all other models used for comparison. Furthermore, results of reliability parameters confirm the model’s reliability, i.e., a confidence interval of [0.97, 1.00] validates the certainty of the proposed model’s estimates and a Cohen’s kappa coefficient of 0.98 proves that decisions of FireXnet are in considerable accordance with the given data.

Conclusion

The integration of the robust feature extraction of FireXnet with the transparency of explainable AI using SHAP enhances the model’s interpretability and allows for the identification of key characteristics triggering wildfire detections. Extensive experimentation reveals that in addition to being accurate, FireXnet has reduced computational complexity due to considerably fewer training and non-training parameters and has significantly fewer training and testing times.

Alternate abstract:

Resumen

Antecedentes

Los bosques cubren cerca de un tercio de la superficie terrestre y representan unos de nuestros ecosistemas más diversos. Debido al cambio climático, estos hábitats esenciales están en peligro por el incremento de los incendios. Los incendios no solo representan un riesgo para el ambiente, sino también ponen en riesgo la salud pública. Dados estos temas, hay una necesidad indispensable para desarrollar métodos eficientes de detección temprana. Los enfoques convencionales de detección son de corto alcance debido a las limitaciones espaciales y las características ingenieriles de procesamiento manual, lo que llama a explorar y desarrollar soluciones basadas en la multiplicidad de procesamiento de datos aplicando el aprendizaje profundo (deep learning). Este trabajo, en ese sentido, propone el 'FireXnet', un modelo ajustado de deep learning diseñado para mejorar la eficiencia y exactitud en la detección de incendios. FireXnet fue configurado para tener una arquitectura ligera que exhibe una gran exactitud con menor entrenamiento y tiempo de prueba. Contiene un número considerablemente reducido de parámetros entrenables y no entrenables, lo que lo hace adecuado para dispositivos limitados en recursos. Para hacer el modelo FireXnet visualmente explicable y confiable, fue incorporada una poderosa herramienta explicativa de la inteligencia artificial (AI) SHAP (Shapley Additive exPlanations). Ella interpreta las decisiones de FireXnet computando la contribución de cada característica a la predicción. Además, la performance de FireXnet fue comparada con otros cinco modelos pre-entrenados – VGG16, InceptionResNetV2, Inception V3, DenseNet201, y MobileNet2—para comparar su eficiencia. Para una buena comparación, el aprendizaje transferido y su sintonía fina fue aplicada a los modelos mencionados para re-entrenar los modelos en nuestro conjunto de datos.

Resultados

La prueba de exactitud del modelo propuesto FireXnet es del 99.53%, lo que es mayor que todos los modelos usados para comparación. Además, la confiabilidad de los parámetros también confirma su confiabilidad (i.e. intervalo de confianza de 0.98, 1.00), lo que valida la certidumbre de la estimación de los modelos propuestos y un coeficiente Cohen´s kappa de 0.99, prueba que las decisiones de FireXnet están de acuerdo con los datos proporcionados.

Conclusión

La integración de la robusta presentación extraída de FireXnet con la explicable transparencia de la AI usando SHAP mejora la interpretación del modelo y permite la identificación de las características clave que disparan las detecciones de incendios. La experimentación extensiva revela que adicionalmente a ser exacto, el modelo FireXnet pudo reducir la complejidad computacional debido a considerablemente menores parámetros de entrenamiento y no entrenamiento y significativamente menores tiempos de entrenamiento y testeos.