[논문 리뷰] Deep Learning Models for Predicting Wildfires from Historical Remote-Sensing Data

Fantine Huot, Ruiheng Hu외 7명|arXiv (Cornell University)|2020. 10. 15.

Fire effects on ecosystems참고 문헌 16인용 수 19

한 줄 요약

이 연구는 기상, 식생, 지형 및 이력산 화재 기록을 포함한 약 10년에 걸친 통합 원격 감지 데이터를 활용하여 wildfulre 발생 가능성을 예측하는 딥러닝 프레임워크를 제안한다. U-Net 및 LSTM 향상 모델을 포함한 네 가지 딥러닝 아키텍처를 사용하여, 고위험 지역을 식별하는 데 AUC 83%를 달성하였으며, 이는 데이터 기반 모델이 화재 위험 평가 및 조기 경고 시스템에 활용될 잠재력을 보여준다.

ABSTRACT

Identifying regions that have high likelihood for wildfires is a key component of land and forestry management and disaster preparedness. We create a data set by aggregating nearly a decade of remote-sensing data and historical fire records to predict wildfires. This prediction problem is framed as three machine learning tasks. Results are compared and analyzed for four different deep learning models to estimate wildfire likelihood. The results demonstrate that deep learning models can successfully identify areas of high fire likelihood using aggregated data about vegetation, weather, and topography with an AUC of 83%.

연구 동기 및 목표

• 이력 원격 감지 데이터를 활용하여 화재 발생 가능성을 예측하는 데이터 기반 접근법을 개발하기 위해.
• 딥러닝을 활용하여 화재 발생의 클래스 불균형 및 공간-시간적 변동성 문제를 해결하기 위해.
• 다중원천 원격 감지 데이터에서 화재 발생 가능 지역을 분할하는 데 여러 딥러닝 아키텍처를 평가하기 위해.
• 토지 관리, 재난 대비 및 조기 경고 시스템을 위한 화재 위험 추정을 향상시키기 위해.
• 정확한 화재 경계가 예측하기 어려운 상황에서도 딥러닝을 활용해 고위험 지역을 식별할 수 있는지 탐색하기 위해.

제안 방법

• Google Earth Engine에서 확보한 다중원천 원격 감지 데이터로, MODIS 화재 활성 데이터, SRTM 지형 정보, GRIDMET 가뭄 지수, VIIRS 식생 지수를 포함한다.
• 세 가지 기계학습 작업을 구성: 일일 이미지 분할, 7일 창구 기반 통합 이미지 분할, 시간적 데이터를 활용한 시퀀스 분할.
• 네 가지 딥러닝 모델을 훈련: 컨volution 오토에인코더, 리스크워스 U-Net, 컨볼루션 LSTM를 통합한 오토에인코더, 컨볼루션 LSTM를 통합한 U-Net.
• 128×128 km 해상도의 타일을 1km 공간 해상도로 사용하며, 화재 마스크를 지도 레이블로 활용한다.
• 일반화 성능 향상을 위해 데이터 증강 및 시간 모델링을 적용하였으며, 특히 장기 위험 평가에 유리하다.
• 테스트 데이터에서 AUC 및 시각적 분할 성능 평가를 통해 모델 성능을 평가하였으며, 주로 임의 경고 및 경계 오분류 문제에 초점을 맞췄다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 통합된 이력 원격 감지 데이터를 활용하여 화재 발생 가능성을 효과적으로 예측할 수 있는가?
• RQ2 다양한 딥러닝 아키텍처는 다중 모odal 원격 감지 입력에서 화재 발생 가능 지역을 분할하는 데 어떻게 비교되는가?
• RQ3 컨볼루션 LSTM를 통한 시간 역학 통합이 정적 모델 대비 화재 발생 가능성 추정에 개선을 이끌어내는가?
• RQ4 정확한 화재 위치 예측의 주요 과제는 무엇이며, 클래스 불균형은 모델 성능에 어떤 영향을 미치는가?
• RQ5 이력 데이터로 훈련된 모델은 실제 화재가 발생하지 않은 상황에서도 고위험 지역을 식별할 수 있는가? 이를 통해 사전 화재 관리가 가능할 수 있는가?

주요 결과

• 딥러닝 모델은 화재 발생 가능성을 예측하는 데 AUC 83%를 달성하여 고위험 지역을 효과적으로 식별하는 데 강력한 성능을 보였다.
• 컨볼루션 LSTM를 통합한 리스크워스 U-Net이 다른 모델보다 우수한 성능을 보였으며, 화재 발생의 시공간 패턴을 효과적으로 포착하였다.
• 기대와는 달리, 통합 분할 작업(7일 기준 화재 마스크)이 일일 분할 작업보다 성능이 열 劣한 것으로 나타났으며, 이는 더 작은 데이터셋에서 과적합된 탓이었다.
• 분할 오류의 주요 원인은 작은 화재의 누락 및 화재 경계 지역의 오분류였으며, 정밀한 국소화의 과제를 드러냈다.
• 모델은 정확한 화재 크기나 위치 예측이 어려운 상황에서도 화재가 있는 타일과 없는 타일을 효과적으로 구분하였으며, 이는 지역적 위험 탐지 능력이 뛰어나다는 것을 시사한다.
• 연구는 정밀 분할이 아닌 대규모 화재 위험 평가로 작업을 재정의할 경우, 화재 관리에 있어 실용적 유용성이 향상될 수 있음을 제안한다.