[논문 리뷰] Detecting Crop Burning in India using Satellite Data

Kendra Walker, Ben Moscona외 6명|arXiv (Cornell University)|2022. 09. 21.

Impact of Light on Environment and Health인용 수 4

한 줄 요약

이 연구는 인도 펀자브에서 농작물 잔여물 연소를 탐지하기 위한 고정밀 원격 감지 모델을 개발한다. 고해상도 PlanetScope(3m, 매일) 및 Sentinel-2(10m, 매주) 위성 데이터를 사용하여, 681개의 검증된 플롯에서의 현장 기반 레이블을 기반으로 랜덤 포레스트 분류기를 훈련시켰다. 모델은 82%의 정확도를 달성하여, 시간적·스펙트럼적 일관성의 도전 과제가 존재하더라도 정밀하고 확장 가능한 감시의 가능성을 입증한다.

ABSTRACT

Crop residue burning is a major source of air pollution in many parts of the world, notably South Asia. Policymakers, practitioners and researchers have invested in both measuring impacts and developing interventions to reduce burning. However, measuring the impacts of burning or the effectiveness of interventions to reduce burning requires data on where burning occurred. These data are challenging to collect in the field, both in terms of cost and feasibility. We take advantage of data from ground-based monitoring of crop residue burning in Punjab, India to explore whether burning can be detected more effectively using accessible satellite imagery. Specifically, we used 3m PlanetScope data with high temporal resolution (up to daily) as well as publicly-available Sentinel-2 data with weekly temporal resolution but greater depth of spectral information. Following an analysis of the ability of different spectral bands and burn indices to separate burned and unburned plots individually, we built a Random Forest model with those determined to provide the greatest separability and evaluated model performance with ground-verified data. Our overall model accuracy of 82-percent is favorable given the challenges presented by the measurement. Based on insights from this process, we discuss technical challenges of detecting crop residue burning from satellite imagery as well as challenges to measuring impacts, both of burning and of policy interventions.

연구 동기 및 목표

• 인도 펀자브 지역에서 접근 가능한 위성 영상 자료를 활용해 농작물 잔여물 연소를 신뢰할 수 있는 방법으로 탐지하는 것.
• 고시계상해상도(PlanetScope) 및 고스펙트럼해상도(Sentinel-2) 위성 자료의 성능을 평가하여 연소 탐지에 기여하는지 확인하는 것.
• 681개 플롯에서의 현장 검증 데이터를 활용해 기계학습 모델을 훈련하고 검증함으로써 정확도를 향상시키고 오진을 줄이는 것.
• 스펙트럼 혼동, 시간 간격, 안개 간섭 등의 원격 감지 기반 연소 탐지 기술적 과제를 규명하는 것.
• 정확한 연소 발생 빈도 측정 및 개입 조치의 효과성 평가를 가능하게 하여 정책 평가를 지원하는 것.

제안 방법

• 인도 펀자브 지역의 3206개의 벼 플롯에서 현장 방문 및 현지 점검을 통해 240개의 연소되지 않은 플롯과 441개의 연소된 플롯을 검증한 현장 기반 데이터를 확보했다.
• 고시계상해상도의 PlanetScope 자료(3m, 최대 매일)와 매주 해상도의 Sentinel-2 자료(10m)를 사용해 스펙트럼 분석을 수행했다.
• 연소된 플롯과 연소되지 않은 플롯을 분리하는 데에 효과적인 스펙트럼 밴드 및 연소 지수(예: char index, BASMA)를 평가했다.
• 가장 분리 능력이 높은 스펙트럼 특징을 기반으로 랜덤 포레스트 분류기를 구축하고, 현장 기반 레이블과의 비교를 통해 성능을 검증했다.
• 픽셀 수준 모델링과 플롯 수준 모델링을 비교하여 모델 편향을 해결했으며, 픽셀 수준 모델링은 내부 플롯 상관관계로 인한 특징 중요도 편향을 감소시켰다.
• 플롯 수준에서 RNN 또는 CNN을 활용한 향상 가능성을 탐색했고, BASMA 연소 지수를 고시계상해상도 위성 자료에 적합하도록 조정했다.

실험 결과

연구 질문

• RQ1 PlanetScope와 Sentinel-2의 고해상도 위성 자료는 소규모 농업 시스템에서 농작물 잔여물 연소를 효과적으로 탐지할 수 있는가?
• RQ2 상관관계가 있는 플롯 내 위성 자료를 사용할 때, 픽셀 수준 모델링과 플롯 수준 모델링 간의 모델 정확도는 어떻게 달라지는가?
• RQ3 보통 사용되는 지수들인 char index와 BASMA와 같은 지수들이 펀자브 지역에서 농작물 잔여물 연소 탐지에 기존 지수들보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 안개와 같은 대기 조건 및 시간 간격은 위성 영상에서 연소 사건 탐지에 어떤 영향을 미치는가?
• RQ5 현장 검증 데이터는 정책 영향 측정을 위한 원격 감지 모델의 신뢰성을 얼마나 향상시킬 수 있는가?

주요 결과

• 랜덤 포레스트 모델은 현장 검증 레이블을 기반으로 농작물 잔여물 연소 탐지에서 총 정확도 82%를 달성했다.
• 연구 지역에서 char index는 일반적으로 사용되는 연소 지수들보다 연소된 플롯과 연소되지 않은 플롯을 더 잘 분리하는 데에 성공했다.
• 픽셀 수준 모델링은 성능 향상과 내부 플롯 상관관계로 인한 편향 감소에 기여했지만, 현장 데이터의 시간적 비랜덤성으로 인해 플롯 수준 모델링은 여전히 도전 과제로 남아 있다.
• BASMA 연소 지수는 고시계상해상도의 PlanetScope 자료에 적용했을 때 뛰어난 성능을 보였지만, 안개 민감도로 인해 저해상도의 Sentinel-2 자료에서는 감지 실패가 발생했다.
• 현장 검증된 비연소 레이블이 주로 2주 간의 짧은 창구에 집중되어 있어 모델의 일반화 능력이 제한되었으며, 더 체계적인 현장 데이터 수집의 필요성을 드러냈다.
• 이 연구는 고해상도 위성 자료와 현장 기반 검증 자료를 조합함으로써, 연소 후 1~3일 이내의 좁은 시간 창구 내에서도 연소 사건을 신뢰성 있게 탐지할 수 있음을 입증했다.