[논문 리뷰] An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series

Olivier Dietrich|arXiv (Cornell University)|2024. 06. 04.

Environmental and Biological Research in Conflict ZonesEnvironmental Science인용 수 3

한 줄 요약

이 논문은 사전 및 침공 이후 기간의 백산스펙트럼 특징을 기반으로 한 랜덤 포레스트 분류기와 함께, 세밀한 건물 수준의 손상 확률을 추정하기 위해 개방형 건물 외곽선을 활용하여, 우크라이나에서 전쟁으로 인한 건물 파괴를 다각도로 지ap핑하는 오픈소스이고 확장 가능한 방법을 제시한다. 이 방법은 구글 어스 엔진을 통해 고해상도 공간 해상도와 동적 추론을 실현한다.

ABSTRACT

Access to detailed war impact assessments is crucial for humanitarian organizations to assist affected populations effectively. However, maintaining a comprehensive understanding of the situation on the ground is challenging, especially in widespread and prolonged conflicts. Here we present a scalable method for estimating building damage resulting from armed conflicts. By training a machine learning model on Synthetic Aperture Radar image time series, we generate probabilistic damage estimates at the building level, leveraging existing damage assessments and open building footprints. To allow large-scale inference and ensure accessibility, we tie our method to run on Google Earth Engine. Users can adjust confidence intervals to suit their needs, enabling rapid and flexible assessments of war-related damage across large areas. We provide two publicly accessible dashboards: a Ukraine Damage Explorer to dynamically view our precomputed estimates, and a Rapid Damage Mapping Tool to run our method and generate custom maps.

연구 동기 및 목표

• 위성 원격 감시를 활용하여 대규모 지리적 지역에서 전쟁으로 인한 건물 피해를 추정하기 위한 확장 가능하고 이식 가능한 방법을 개발하는 것.
• 수동적인 고해상도 환경 이미지 분석의 한계를 극복하여, 갈등 지역에 대한 자동화, 비용 효율적이고 지속적인 모니터링을 가능하게 하는 것.
• 모든 기상 조건과 일몰/일출 시간대에 걸쳐 구조적 변화를 감지할 수 있도록 합성(aperture) 레이더(SAR) 데이터를 활용하는 것.
• 오픈 데이터 소스(예: 오버튜어 맵스 건물 외곽선)를 통합하여 픽셀 수준의 피해 확률을 건물 수준의 영향 추정으로 변환하는 것.
• 인도적 구호 단체가 대규모로 전쟁 영향을 신속하게 평가할 수 있도록 접근성 있고 사용자 정의 가능한 도구를 제공하는 것

제안 방법

• 이 방법은 세밀한 건물 외곽선을 활용하여, 세밀한 건물 수준의 피해 확률을 추정하기 위해 사전 및 침공 이후 기간의 백산스펙트럼 특징을 기반으로 한 랜덤 포레스트 분류기를 사용한다. 이는 고해상도 공간 해상도와 동적 추론을 실현한다.
• 시간 시리즈는 고정된 전쟁 전 기준 기간과 침공 이후의 다수의 변동 가능한 평가 기간으로 나뉜다.
• 각 세그먼트에 대해, 각 편광 대역 마다 최소값, 최대값, 평균값, 중앙값, 표준편차, 첨도, 왜도 총 7개의 통계적 특징이 추출되어, 픽셀당 4N차원의 특징 벡터를 형성한다.
• Google Earth Engine에서 훈련된 랜덤 포레스트 분류기가 기준 기간과 평가 기간 간의 픽셀 수준 피해 확률 점수를 계산한다.
• GEE의 병렬 컴퓨팅을 활용하여 스케일링된 추론을 수행하여, 전체 국가에 대해 12개의 시간 기간 동안 피해 확률 지ap핑을 생성한다.
• 후처리 단계에서는 건물 외곽선 다각형 내에서 픽셀 수준의 확률을 겹침 가중 평균을 사용하여 각 건물의 피해 가능성에 할당한다.

Figure 1: Percentage of buildings likely damaged within the first two years of the war, aggregated by hromadas . The predictions were thresholded at 0.64, and only buildings larger than 50 m 2 were considered.

실험 결과

연구 질문

• RQ1 SAR 시간 시리즈와 기계학습이 대규모 갈등 지역에서 정확하고 확장 가능하며 비용 효율적인 전쟁으로 인한 건물 파괴 지도 제작을 가능하게 할 수 있는가?
• RQ2 SAR 백산스펙트럼 변화에서 유도된 픽셀 수준의 피해 확률을 효과적으로 건물 수준의 영향 평가로 변환할 수 있는가?
• RQ3 오픈 데이터와 클라우드 기반 지리공간 플랫폼(예: 구글 어스 엔진)은 고가의 고해상도 환경 이미지 자료에 의존하지 않고 실시간으로 대규모 갈등 모니터링을 지원할 수 있는가?
• RQ4 이 방법은 우크라이나의 다양한 도시 및 농촌 갈등 영향 지역에서 계절 변화와 공간 이질성에 대해 얼마나 강건한가?
• RQ5 모델의 신뢰구간은 인도적 구호 단체의 다양한 운영 요구사항을 충족시키기 위해 조정 가능한가?

주요 결과

• 모델은 4개의 고정량 레이블이 포함된 AOI(Mariupol, 북서부 키이우, 루비즈힌, 볼노바카)에서 훈련되었으며, 전체 UNOSAT 레이블의 75.0%와 전체 백산스펙트럼 시간 시리즈의 82.6%를 커버하였다.
• 최종 피해 확률 지도는 10m 해상도로 전 국가를 커버하며, 픽셀 수는 88,867 × 201,284이며, 각 지도의 파일 크기는 17.88GB이다.
• 건물 외곽선 경계 내에서 픽셀 확률을 겹침 비율에 따라 가중 평균하여, 피해의 정밀한 국지화를 가능하게 하는 건물 수준의 피해 추정치가 계산되었다.
• 건물이 피해를 입었을 가능성이 높다고 판단하기 위해 임계값 0.64를 적용하여, 각 허로마다에서 피해를 입었을 가능성이 높은 건물의 비율을 보여주는 지도를 생성하였다.
• 이 방법은 파괴의 공간적 패턴을 성공적으로 식별하였으며, 동부 및 남부 우크라이나에 집중된 고밀도 지역이 관측되었고, 이는 알려진 갈등 역학과 일치하였다.
• 이 접근법은 두 개의 공개 대시보드인 '우크라이나 피해 탐색기'와 '신속 피해 지도 제작 도구'를 통해 동적이고 사용자 정의 가능한 피해 지도 제작을 가능하게 하였다.

Figure 2: Building damage estimate for Chernihiv (standard confidence threshold 0.64), aggregated over the first two years of conflict. For clarity, we only present the damage heatmap in the main figure, while three zoomed insets show building-level predictions. Red dots represent UNOSAT annotations