[논문 리뷰] ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery

Jeremy Irvin, Hao Sheng외 8명|arXiv (Cornell University)|2020. 11. 10.

Conservation, Biodiversity, and Resource Management인용 수 19

한 줄 요약

ForestNet는 인도네시아의 원시 숲 파괴의 직접 원인을 분류하기 위해 Landsat 8 위성 영상과 전문가가 주석 처리한 데이터를 사용하는 딥러닝 모델이다. 대규모 지형 커버 데이터셋에서의 사전 훈련, 위성 재방문을 통한 시간적 데이터 증강, 보조 예측자와의 다중모달 융합을 활용함으로써, 플랜테이션, 소규모 농업, 잔디밭/우거진 풀밭, '기타' 원인과 같은 원인을 구분하는 데 있어 최신 기술 수준의 성능을 달성하며, 전통적인 분류 방법보다 뚜렷이 뛰어나다.

ABSTRACT

Characterizing the processes leading to deforestation is critical to the development and implementation of targeted forest conservation and management policies. In this work, we develop a deep learning model called ForestNet to classify the drivers of primary forest loss in Indonesia, a country with one of the highest deforestation rates in the world. Using satellite imagery, ForestNet identifies the direct drivers of deforestation in forest loss patches of any size. We curate a dataset of Landsat 8 satellite images of known forest loss events paired with driver annotations from expert interpreters. We use the dataset to train and validate the models and demonstrate that ForestNet substantially outperforms other standard driver classification approaches. In order to support future research on automated approaches to deforestation driver classification, the dataset curated in this study is publicly available at https://stanfordmlgroup.github.io/projects/forestnet .

연구 동기 및 목표

• 인도네시아의 원시 숲 파괴의 직접 원인을 자동으로, 스케일러블하게 분류하는 방법을 개발하기 위해.
• 위성 영상에서의 높은 변동성과 제한된 전문가 주석 처리 데이터로 인한 과제를 해결하기 위해.
• 딥러닝을 활용해 시간적 및 맥락적 위성 데이터를 통합함으로써 기존 기계학습 접근 방식을 향상시키기 위해.
• 정확한 공간적 광범위한 원인 기여도 분석을 통해 정책 및 기업의 산림 파괴 제로 달성 약속을 지원하기 위해.

제안 방법

• 모델는 대규모로 정제된 지형 커버 데이터셋에서 사전 훈련된 컨volutional 신경망(CNN) 아키텍처를 사용하여 특징 학습을 향상시킨다.
• 시간적 위성 재방문을 활용한 데이터 증강 기법을 적용하여 다양한 영상 조건을 시뮬레이션하고 모델의 강건성 향상에 기여한다.
• 다중모달 융합을 통해 위성 영상 외에 보조 예측자(예: 지형, 수문학, 토양 유기질)를 통합하여 분류의 맥락을 강화한다.
• 4개 클래스 분류 헤드를 통해 플랜테이션, 소규모 농업, 잔디밭/우거진 풀밭, '기타'를 구분한다.
• 데이터셋의 클래스 불균형 문제를 해결하기 위해 포커스 손실과 일반화된 딱지 손실을 사용한다.
• 미래 연구를 지원하기 위해 2,756건의 주석 처리된 산림 파괴 사건을 포함한 공개 데이터셋을 제공한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 오직 Landsat 8 위성 영상만을 사용하여 인도네시아의 산림 파괴 원인을 정확하게 분류할 수 있는가?
• RQ2 대규모 지형 커버 데이터셋에서의 사전 훈련이 자원이 제한된 산림 파괴 원인 분류에 성능 향상에 기여하는가?
• RQ3 위성 재방문을 활용한 시간적 데이터 증강이 모델의 일반화 능력과 강건성 향상에 얼마나 기여하는가?
• RQ4 보조 지공간 예측자(예: 유기질 토양 존재 여부, 경사도)와의 다중모달 융합이 분류 정확도 향상에 얼마나 효과적인가?
• RQ5 제안된 모델이 이 작업에서 기존의 기계학습 및 의사결정수준 기반 접근 방식을 능가할 수 있는가?

주요 결과

• ForestNet는 표준적인 원인 분류 접근 방식보다 뚜렷이 뛰어난 성능을 보이며, 산림 파괴 원인 분류 정확도가 뛰어나다.
• 모델은 모든 4개의 원인 클래스에서 높은 성능을 달성했으며, 특히 플랜테이션과 소규모 농업을 다른 땅 이용 방식과 정확히 구분하는 데 뛰어난 성과를 보였다.
• 대규모 지형 커버 데이터셋에서의 사전 훈련은 특징 학습과 모델 일반화 능력을 크게 향상시켰다.
• 위성 재방문을 활용한 시간적 데이터 증강은 계절적 및 생장 주기 변화에 대한 모델의 강건성을 향상시켰다.
• 보조 예측자(예: 토양 유기질 존재 여부, 경사도)와의 다중모달 융합은 특히 모호하거나 대trast가 낮은 경우의 분류 정확도 향상에 기여했다.
• 정제된 2,756건의 주석 처리된 산림 파괴 사건 데이터셋은 공개되어 있어 재현성과 향후 자동 산림 파괴 원인 분류 연구를 위한 기초 자료로 활용 가능하다.