[논문 리뷰] Mesogeos: A multi-purpose dataset for data-driven wildfire modeling in the Mediterranean

Spyros Kondylatos, Ioannis Prapas외 2명|arXiv (Cornell University)|2023. 06. 08.

Fire effects on ecosystems인용 수 4

한 줄 요약

Mesogeos는 지구온난화가 진행되는 중동부 지리적 범위 내에서 기상, 식생, 인간 활동 및 역사적 산불를 포함한 17년(2006–2002)간 1km×1km×1일 해상도의 대규모, 클라우드 친화적 시공간 데이터큐브이다. 이 데이터큐브는 기계학습 기반의 데이터 기반 산불 모델링을 가능하게 하며, 단기 산불 위험 예측 및 연기 면적 예측을 위한 두 가지 기계학습 준비된 트랙을 제공한다. 연구 및 운영 적용의 가속화를 위해 데이터큐브, 파생 데이터셋, 모델 및 코드를 개방적으로 제공한다.

ABSTRACT

We introduce Mesogeos, a large-scale multi-purpose dataset for wildfire modeling in the Mediterranean. Mesogeos integrates variables representing wildfire drivers (meteorology, vegetation, human activity) and historical records of wildfire ignitions and burned areas for 17 years (2006-2022). It is designed as a cloud-friendly spatio-temporal dataset, namely a datacube, harmonizing all variables in a grid of 1km x 1km x 1-day resolution. The datacube structure offers opportunities to assess machine learning (ML) usage in various wildfire modeling tasks. We extract two ML-ready datasets that establish distinct tracks to demonstrate this potential: (1) short-term wildfire danger forecasting and (2) final burned area estimation given the point of ignition. We define appropriate metrics and baselines to evaluate the performance of models in each track. By publishing the datacube, along with the code to create the ML datasets and models, we encourage the community to foster the implementation of additional tracks for mitigating the increasing threat of wildfires in the Mediterranean.

연구 동기 및 목표

• 중동부 지역에서 데이터 기반 산불 모델링을 위한 대규모, 통합된 다중 소스 데이터셋의 부족을 해결하기 위해.
• 산불 유발 요인(기상, 식생, 인간 활동)과 역사적 산불 기록을 통합한 표준화되고 클라우드 친화적인 데이터큐브를 구축하기 위해.
• 특정 산불 모델링 작업을 위한 기계학습 준비된 데이터셋을 추출하여 다양한 기계학습 응용을 가능하게 하기 위해.
• 핵심 산불 예측 작업을 위한 딥러닝 모델을 활용한 기준 성능을 설정하기 위해.
• 데이터큐브, 파생 데이터셋, 모델 및 코드를 개방함으로써 공동체 기반 혁신을 촉진하기 위해.

제안 방법

• 2006년부터 2022년까지 1km×1km×1일 해상도로 다중 소스 위성 및 현장 측정 데이터를 통합하여 시공간 데이터큐브를 구축하기 위해.
• 산불 유발 요인을 위한 변수 통합: 기상 조건(예: 기온, 습도, 풍속), 식생(예: 연료 수분 함량, FAPAR), 인위적 요인(예: 인구 밀도, 토지 이용).
• 역사적 산불 기록 통합: EFFIS 산불 등록부(EFFIS-FI)에서 제공하는 ignition 지점 및 최종 연기 면적.
• 기계학습 준비된 두 가지 데이터셋 추출: 다음 날 산불 위험 예측을 위한 이진 분류용 데이터셋과 연기 면적 크기 예측을 위한 다중 회귀용 데이터셋으로, 모두 데이터큐브에서 유도됨.
• 적절한 손실 함수와 평가 지표를 사용하여 두 트랙에서 딥러닝 기준 모델(U-Net, CNN 등)을 훈련하기 위해.
• GitHub 및 전용 프로젝트 웹사이트를 통해 데이터 수신, 통합, 데이터셋 추출 및 모델 훈련 코드를 포함한 전체 데이터 파이프라인을 공개하기 위해.

실험 결과

연구 질문

• RQ1 통합된 다중 소스 시공간 데이터큐브가 중동부 지역에서 데이터 기반 산불 모델링의 실현 가능성과 확장성을 크게 향상시킬 수 있는가?
• RQ2 Mesogeos에서 훈련된 딥러닝 모델이 단기 산불 위험 예측 및 연기 면적 예측에서 기존 또는 기준 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ3 표준화되고 개방적이며 클라우드 접근이 가능한 데이터큐브의 존재가 새로운 산불 모델링 트랙 개발과 공동체 협업을 어떻게 촉진하는가?
• RQ4 기존 산불 모델링 접근 방식의 주요 한계는 무엇이며, Mesogeos는 데이터 통합과 해상도 향상으로 이를 어떻게 해결하는가?
• RQ5 데이터큐브는 설명 가능한 AI, 인과 추론, 불확실성 정량화와 같은 고급 기계학습 기법의 산불 모델링 지원에 어떻게 기여하는가?

주요 결과

• Mesogeos는 중동부 지역에서 데이터 기반 산불 모델링을 위한 가장 큰 알려진 통합 다목적 데이터셋으로, 17년(2006–2022)간 1km×1km×1일 해상도를 커버한다.
• 데이터큐브를 통해 다양한 작업을 위한 기계학습 준비된 데이터셋 추출이 가능하며, 두 가지 기준 트랙(다음 날 산불 위험 예측 및 연기 면적 크기 예측)이 설정되었다.
• 추출된 데이터셋에서 훈련된 딥러닝 모델은 뛰어난 성능을 보이며, 향후 연구를 위한 재현 가능한 기준을 확립한다.
• 데이터는 전체 코드(데이터 수신, 통합, 데이터셋 추출, 모델 훈련)와 함께 개방적으로 배포되어 재현성과 공동체 확장이 가능하다.
• 데이터큐브의 종합적이고 체계적인 설계 덕분에 설명 가능한 AI, 인과 추론, 불확실성 정량화와 같은 고급 연구 방향을 지원한다.
• 산불 감지 오류 가능성 및 진압 데이터 부족 등의 한계가 존재하지만, Mesogeos는 확장성 있고 운영적이며 혁신적인 산불 모델링을 위한 견고한 기반을 제공한다.