[논문 리뷰] Early Detection of Bark Beetle Attack Using Remote Sensing and Machine Learning: A Review

Seyed Mojtaba Marvasti-Zadeh, Devin W. Goodsman외 2명|arXiv (Cornell University)|2022. 10. 07.

Forest Insect Ecology and Management인용 수 8

한 줄 요약

이 리뷰는 밀도 있는 산림에서 나무 벌레 기생충 공격의 조기 감지를 위한 원격 탐사 및 머신러닝 기법을 통합적으로 분석하며, 특히 시각적 증상 이전의 '녹색 공격 전기' 단계에서의 스펙트럼 변화에 중점을 둔다. 다양한 센서와 연구 지역에서 전통적 머신러닝(예: 랜덤 포레스트)과 딥러닝 기법을 평가한 결과, 특징 학습 및 엔드 투 엔드 모델링의 발전에도 불구하고 미세한 조기 단계 스펙트럼 이동을 탐지하는 데에는 제한된 성공을 보였다.

ABSTRACT

This paper provides a comprehensive review of past and current advances in the early detection of bark beetle-induced tree mortality from three primary perspectives: bark beetle & host interactions, RS, and ML/DL. In contrast to prior efforts, this review encompasses all RS systems and emphasizes ML/DL methods to investigate their strengths and weaknesses. We parse existing literature based on multi- or hyper-spectral analyses and distill their knowledge based on: bark beetle species & attack phases with a primary emphasis on early stages of attacks, host trees, study regions, RS platforms & sensors, spectral/spatial/temporal resolutions, spectral signatures, spectral vegetation indices (SVIs), ML approaches, learning schemes, task categories, models, algorithms, classes/clusters, features, and DL networks & architectures. Although DL-based methods and the random forest (RF) algorithm showed promising results, highlighting their potential to detect subtle changes across visible, thermal, and short-wave infrared (SWIR) spectral regions, they still have limited effectiveness and high uncertainties. To inspire novel solutions to these shortcomings, we delve into the principal challenges & opportunities from different perspectives, enabling a deeper understanding of the current state of research and guiding future research directions.

연구 동기 및 목표

• 시각적 증상 이전에 나타나는 공격을 조기에 탐지할 수 있는 필요성을 해결하기 위해, 특히 사전 시각적 녹색 공격 단계에 중점을 두고자 한다.
• 조기 단계 나무 스트레스와 관련된 미세한 스펙트럼 변화를 탐지하기 위해 원격 탐사 및 머신러닝 기법의 효과성을 평가하고자 한다.
• 특히 데이터 부족, 모델 일반화 능력, 조기 공격 단계의 정확한 분류에 있어 현재 접근법의 한계와 연구 격차를 규명하고자 한다.
• 문헌에서 사용된 원격 탐사 플랫폼, 스펙트럼 인덱스, 머신러닝 알고리즘, 딥러닝 아키텍처를 체계적으로 비교하고자 한다.
• 향후 연구를 이끌기 위해 조기 감지 정확도와 신뢰성을 향상시키는 데 있어 주요 과제와 기회를 제시하고자 한다.

제안 방법

• 2210.03829를 체계적으로 검토하고 분석하여, 원격 탐사 및 머신러닝를 활용한 나무 벌레 기생충 공격 감지에 관한 100여 편 이상의 연구를 분석한다.
• 벌레 기생충 종류, 공격 단계(특히 녹색 공격), 주요 수종, 지리적 지역 기반으로 연구를 분류한다.
• 원격 탐사 플랫폼(항공, 위성, 드론), 센서(다중 및 하이퍼스펙트럼), 스펙트럼/공간/시간 해상도를 평가한다.
• 감지 모델에서 사용된 스펙트럼 서명, 스펙트럼 식물 인덱스(SVIs), 특징 공학 기법을 분석한다.
• 학습 체계와 작업 유형에 따라 전통적 머신러닝(예: 랜덤 포레스트)과 딥러닝 모델(예: CNN, RNN, 트랜스포머)을 비교한다.
• 모델 아키텍처, 하이퍼파라미터, 성능 지표를 평가하여 조기 감지 능력에서의 강점과 약점을 규명한다.

실험 결과

연구 질문

• RQ1 조기 나무 벌레 기생충 공격의 주요 스펙트럼 및 시계열 지표는 무엇이며, 특히 사전 시각적 녹색 공격 단계에서 어떻게 나타나는가?
• RQ2 다중 및 하이퍼스펙트럼 센서를 포함한 다양한 원격 탐사 플랫폼과 센서 유형은 나무 기생충 감염에 의한 조기 단계 스트레스를 어떻게 비교적으로 탐지하는가?
• RQ3 조기 증상이 나타나기 이전의 나무 건강 상태 변화를 탐지하는 데 있어 전통적 머신러닝과 딥러닝 모델의 상대적 강점과 한계는 무엇인가?
• RQ4 현재 방법들은 다양한 수종, 기생충 종류, 지역 환경 조건 간에 얼마나 잘 일반화되는가?
• RQ5 정확한 조기 감지를 방해하는 주요 기술적 및 데이터 기반 과제는 무엇이며, 새로운 머신러닝/딥러닝 기법은 이를 어떻게 해결할 수 있는가?

주요 결과

• 가장 조기에 감지 가능한 단계인 녹색 공격 단계(GAtt)는 인간의 눈으로는 거의 인식할 수 없으며, 전통적인 원격 탐사 방식으로도 탐지하기 어려워, 조기 감지의 주요 대상이 되고 있다.
• 최신 기술 발전에도 불구하고, 딥러닝 및 랜덤 포레스트 모델은 가시광선, 열화상, 근적외선(SWIR) 영역에서의 미세한 스펙트럼 변화 탐지에 여전히 제한된 효과성과 높은 불확실성을 보이고 있다.
• 엔드 투 엔드 학습, 자동 특징 추출, 복잡한 비선형 패턴을 효과적으로 다룰 수 있는 능력 덕분에, 딥러닝 방법은 전통적 머신러닝보다 우수한 성능을 보이고 있다.
• 딥러닝에서의 전이 학습 및 소수 샘플 학습 기능은 데이터가 부족한 지역이나 레이블이 제한된 경우에도 감지 성능 향상에 유망한 전략으로 평가된다.
• NDVI, NDRE, SAVI와 같은 스펙트럼 식물 인덱스는 널리 사용되지만, 사전 시각적 스트레스에 대해 민감도가 낮아 조기 감지에는 종종 부적합하다.
• 표준화된 정의 부족, 일관되지 않은 데이터 레이블링, 종류 및 환경에 따라 공격 진행 속도가 다양함 등으로 인해 모델의 일반화 및 재현 가능성이 저해되고 있으며, 이는 주요 장애물로 남아 있다.