[논문 리뷰] Mapping Tropical Forest Cover and Deforestation with Planet NICFI Satellite Images and Deep Learning in Mato Grosso State (Brazil) from 2015 to 2021

Fabien H Wagner, Ricardo Dalagnol외 6명|arXiv (Cornell University)|2022. 11. 17.

Remote Sensing in Agriculture인용 수 5

한 줄 요약

이 연구는 브라질 미아투 구스투 주(2015–2021)에서 열대수림 커버와 산림 벌채를 지ap-5m 해상도의 Planet NICFI 위성 영상과 U-net 딥러닝 모델을 활용하여 맵핑하였다. 의미적 세그멘테이션에서 높은 정확도(F1-score >0.98)를 달성하였으며, 2015년 556,510.8 km²에서 2021년 141,598.5 km²로 산림 커버가 급격히 감소함을 확인하였다. 벌채 면적은 2019년 9,944.5 km²에서 2021년 19,817.8 km²로 거의 두 배로 증가하였으며, 이는 고해상도, 딥러닝 기반 모니터링의 능력이 조기 감지 및 정책 지원에 매우 효과적임을 보여준다.

ABSTRACT

Monitoring changes in tree cover for rapid assessment of deforestation is considered the critical component of any climate mitigation policy for reducing carbon. Here, we map tropical tree cover and deforestation between 2015 and 2022 using 5 m spatial resolution Planet NICFI satellite images over the state of Mato Grosso (MT) in Brazil and a U-net deep learning model. The tree cover for the state was 556510.8 km$^2$ in 2015 (58.1 % of the MT State) and was reduced to 141598.5 km$^2$ (14.8 % of total area) at the end of 2021. After reaching a minimum deforested area in December 2016 with 6632.05 km$^2$, the bi-annual deforestation area only showed a slight increase between December 2016 and December 2019. A year after, the areas of deforestation almost doubled from 9944.5 km$^2$ in December 2019 to 19817.8 km$^2$ in December 2021. The high-resolution data product showed relatively consistent agreement with the official deforestation map from Brazil (67.2%) but deviated significantly from year of forest cover loss estimates from the Global Forest change (GFC) product, mainly due to large area of fire degradation observed in the GFC data. High-resolution imagery from Planet NICFI associated with deep learning technics can significantly improve mapping deforestation extent in tropics.

연구 동기 및 목표

• Planet NICFI 위성 영상과 딥러닝을 활용하여 열대수림 커버와 산림 벌채를 고해상도, 자동화된 방법으로 맵핑하는 데 목적이 있다.
• 기존의 글로벌 및 국가 수준의 산림 벌채 제품(PRODES, GFC 등)을 향상시키기 위해, 5m 해상도에서 반기별로 6.25ha 이하의 탐지가 가능하도록 한다.
• 학습 샘플 생성에 대한 수동 작업 의존도를 줄이기 위해, 효율적이고 정확한 데이터 정제를 위한 자기지도 학습 k-텍스처 세그멘테이션을 적용한다.
• 기후 정책, 탄소 회계 및 보존을 지원하기 위해, 불법 산림 벌채의 조기 감지와 산림 분할 분석을 가능하게 한다.
• 클라우드 기반 처리와 확장된 학습 데이터를 활용하여, 이 방법의 글로벌 적용 가능성을 입증한다.

제안 방법

• 브라질 미아투 구스투 지역의 2015~2021년 기간 동안 확보한 5m 해상도 Planet NICFI 위성 모자이크를 사용하였다.
• 6개월 간격으로 수목 커버와 산림 벌채를 의미적 세그멘테이션하기 위해 U-net 컨볼루션 신경망을 적용하였다.
• 텍스처 클래스를 식별하기 위해 자기지도 학습 k-텍스처 군집화를 활용한 학습 샘플을 생성한 후, 최소한의 수동 보정을 통해 산림 및 비산림 클래스를 레이블링하였다.
• 대기 조건(예: 얇은 구름)을 고려하기 위해, 산림 지역에 부분적인 구름 커버가 있는 256×256 패치를 학습 데이터에 포함시켰다.
• 최소한의 프리프로세싱을 활용하여 TensorFlow 2를 사용해 U-net 모델을 훈련시켰으며, 다중 척도 텍스처 특징을 활용해 일반화 능력을 향상시켰다.
• 공식 PRODES 산림 벌채 맵(67.2% 일치도)과의 검증 및 글로벌 산림 변화(GFC) 제품과의 차이 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 Planet NICFI 영상에서 5m 해상도로 U-net 딥러닝 모델이 열대수림 커버와 산림 벌채를 정확하게 세그멘테이션할 수 있는가?
• RQ2 공식 산림 벌채 제품(PRODES, GFC 등)과 비교했을 때, 이 방법의 공간 정확도와 시간 일관성은 어떠한가?
• RQ3 자기지도 학습 k-텍스처 군집화가 토양 커버 세그멘테이션을 위한 학습 데이터 생성에서 수동 레이블링의 필요성을 얼마나 줄일 수 있는가?
• RQ4 반기별 맵핑 빈도는 연간 제품 대비 초기 단계의 산림 벌채 탐지 능력을 얼마나 향상시키는가?
• RQ5 산림 열악화와 화재가 기존 글로벌 산림 벌채 제품에 미치는 영향은 무엇이며, 이 방법은 이러한 과다 추정을 어떻게 피할 수 있는가?

주요 결과

• 미아투 구스투의 수목 커버는 2015년 556,510.8 km²(전체 면적의 58.1%)에서 2021년 말 기준 141,598.5 km²(14.8%)로 감소하여, 산림 면적이 74.7% 감소한 것으로 나타났다.
• 산림 벌채는 2016년 12월에 6,632.05 km²로 최저를 기록한 후 2019년까지 약간 증가하다가, 2021년 12월 기준 19,817.8 km²로 거의 두 배로 증가하였다.
• 모델은 조밀한 수목 커버 세그멘테이션에서 F1-score >0.98를 달성하여, Planet NICFI 데이터의 높은 반사율 변동성에도 불구하고 높은 정확도를 보였다.
• 이 방법은 공식 PRODES 산림 벌채 맵과 67.2% 일치도를 보였으며, 화재로 인한 열악화를 산림 벌채로 포함하지 않아 GFC 대비 정확도가 뛰어났다.
• 자기지도 학습 k-텍스처 접근법을 통해 수일 내로 고품질의 학습 샘플 생성이 가능해져 수동 작업을 크게 줄였고, 일관성 있는 결과를 도출하였다.
• 모델은 PRODES의 6.25ha 이하의 작은 산림 벌채 패치도 탐지하여 조기 대응과 불법 활동 모니터링의 향상을 가능하게 하였다.