[논문 리뷰] Monitoring the Impact of Wildfires on Tree Species with Deep Learning

Zhou Wang, Levente J. Klein|arXiv (Cornell University)|2020. 11. 04.

Fire effects on ecosystems참고 문헌 25인용 수 4

한 줄 요약

이 논문은 사전 및 사후 화재 후 4밴드 항공 영상에서 수목 종을 분류하기 위한 딥러닝 모델을 제안하며, 92.2%의 정확도를 달성한다. 장기적인 영향으로는 화재 지역에서 소나무 재생 감소와 관목 침식 현상이 드러나며, 이는 방법이 시간에 따라 대규모 지역에서 생태계 변화를 추적할 수 있음을 보여준다.

ABSTRACT

One of the impacts of climate change is the difficulty of tree regrowth after wildfires over areas that traditionally were covered by certain tree species. Here a deep learning model is customized to classify land covers from four-band aerial imagery before and after wildfires to study the prolonged consequences of wildfires on tree species. The tree species labels are generated from manually delineated maps for five land cover classes: Conifer, Hardwood, Shrub, ReforestedTree and Barren land. With an accuracy of $92\%$ on the test split, the model is applied to three wildfires on data from 2009 to 2018. The model accurately delineates areas damaged by wildfires, changes in tree species and rebound of burned areas. The result shows clear evidence of wildfires impacting the local ecosystem and the outlined approach can help monitor reforested areas, observe changes in forest composition and track wildfire impact on tree species.

연구 동기 및 목표

• 희귀하고 불규칙적인 현장 조사로 인해 화재 후 수목 종 조성의 장기적 변화를 모니터링하는 데 어려움이 있음을 해결하기 위해.
• 고해상도 항공 영상을 활용해 확장성 있고 자동화된 수목 종 분류 방법을 개발하여 대규모 산림 모니터링을 지원하기 위해.
• 반복적인 화재가 수목 재생과 생태계 이동에 미치는 영향을 정량화하기 위해, 특히 캘리포니아 시에라 네바다와 같은 기후에 취약한 지역을 중심으로 하기 위해.
• 원격 감시와 딥러닝을 활용해 산림 및 환경 기관이 시간에 따라 재조림 성공 여부와 생태계 복구 상태를 추적할 수 있도록 하기 위해.

제안 방법

• 2009년에서 2018년 사이에 수집된 NAIP 데이터셋의 4밴드 항공 영상(빨강, 초록, 파랑, 적외선 근접)을 사용하며, 0.6m 해상도로 재샘플링한다.
• 2011년 수작업으로 그려진 지형 커버 지ap을 활용해 다섯 가지 클래스인 소나무, 딱딱한 나무, 관목, 재조림 수목, 황무지에 대한 학습 레이블을 생성한다.
• 스펙트럼 특성과 식생 지수를 기반으로 32×32 픽셀 영상 조각을 분류하기 위해 딥러닝 모델을 적용한다 (특정 아키텍처는 기술되지 않음).
• 저NDVI 샘플을 걸러내어 식생이 없거나 식생이 적은 지역을 제외함으로써 모델의 일반화 능력을 향상시키고 노이즈를 줄인다.
• 수집된 데이터셋을 활용해 클래스 균형과 데이터 품질을 확보하기 위해 총 93,849개의 샘플로 학습을 수행하며, 검증 및 테스트용으로 각각 5,000개의 샘플을 할당한다.
• 학습된 모델을 3개의 역사적 화재 지역(2013년 스웨드 화재, 2017년 월 화재, 2007년 플레처 화재)에 적용하여 시간에 따른 분류 지ap을 생성한다.

실험 결과

연구 질문

• RQ1 다년간에 걸쳐 사전 및 사후 화재 항공 영상에서 딥러닝 모델이 수목 종을 얼마나 정확하게 분류할 수 있는가?
• RQ2 화재가 자주 발생하는 지역에서 반복적인 화재 후 수목 종 조성의 장기적 변화는 어떠한가?
• RQ3 화재가 시에라 네바다 지역의 주요 수목 종인 소나무와 딱딱한 나무의 재생을 얼마나 막는가?
• RQ4 딥러닝 모델은 화재 후 산림에서 관목이 지배하는 지역 또는 황무지로의 전환을 탐지하고 정량화할 수 있는가?
• RQ5 재조림 노력의 존재가 시간이 지남에 따라 화재 피해 지역의 회복 궤적에 어떤 영향을 미치는가?

주요 결과

• 딥러닝 모델은 테스트 정확도 92.2%를 달성하여 항공 영상에서 수목 종을 분류하는 데 높은 신뢰성을 보였다.
• 2013년 스웨드 화재 이후 영향을 받은 지역의 18%가 황무지로 전환되었으며, 딱딱한 나무와 소나무 커버가 크게 감소했다.
• 2017년 월 화재에서는 대부분의 딱딱한 나무 및 재조림 수목 지역이 손실되었고, 관목 커버가 3배로 증가하여 flammable 식생으로의 생태계 이행을 시사했다.
• 영향을 받은 지역에서 소나무 커버는 시간이 지남에 따라 지속적으로 감소했으며, 기후 및 화재 스트레스에 대한 장기적 취약성을 시사했다.
• 반복적인 화재가 없는 지역, 예를 들어 2007년 플레처 화재 지역에서는 황무지 면적이 점차 감소했고, 재조림 수목 커버가 증가하여 자연적 복구 가능성을 보였다.
• 모델는 빈번하게 화재가 발생한 지역에서 산림에서 관목 지배 지역으로의 전환을 성공적으로 포착하여, 생태계 변화가 뒤돌아서지 않을 수 있음을 강조했다.