[논문 리뷰] Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images

Jaime Moraga, Gurbet Gurkan외 1명|arXiv (Cornell University)|2019. 01. 01.

Tailings Management and Properties참고 문헌 4인용 수 3

한 줄 요약

이 연구는 브라질의 2019년 브루마두이뉴 광물매립지 댐 붕괴 이후 토지 이용 및 토지 피복 변화를 지도하기 위해 센티넬-2 위성 영상과 맞춤형 합성곱 신경망(Jigsaw CNN)을 사용한 딥러닝 접근법을 제안한다. 사고 전 분류에서 99%의 정확도를 달성하고, 재학습된 모델을 사용해 사고 후 지ap도에서 98%의 정확도를 기록하여 산림 177.4 헥타르와 농업지 39.0 헥타르를 포함한 토지 피복 유형별로 영향을 입은 지역을 정밀하게 정량화할 수 있다.

ABSTRACT

Monitoring dam failures using satellite images provides first responders with efficient management of early interventions. It is also equally important to monitor spatial and temporal changes in the inundation area to track the post-disaster recovery. On January 25th, 2019, the tailings dam of the Córrego do Feijão iron ore mine, located in Brumadinho, Brazil, collapsed. This disaster caused more than 230 fatalities and 30 missing people leading to damage on the order of multiple billions of dollars. This study uses Sentinel-2 satellite images to map the inundation area and assess and delineate the land use and land cover impacted by the dam failure. The images correspond to data captures from January 22nd (3 days before), and February 02 (7 days after the collapse). Satellite images of the region were classified for before and aftermath of the disaster implementing a machine learning algorithm. In order to have sufficient land cover types to validate the quality and accuracy of the algorithm, 7 classes were defined: mine, forest, build-up, river, agricultural, clear water, and grassland. The developed classification algorithm yielded a high accuracy (99%) for the image before the collapse. This paper determines land cover impact using two different models, 1) by using the trained network in the "after" image, and 2) by creating a second network, trained in a subset of points of the "after" image, and then comparing the land cover results of the two trained networks. In the first model, applying the trained network to the "after" image, the accuracy is still high (86%), but lower than using the second model (98%). This strategy can be applied at a low cost for monitoring and assessment by using openly available satellite information and, in case of dam collapse or with a larger budget, higher resolution and faster data can be obtained by fly-overs on the area of concern.

연구 동기 및 목표

• 광물매립지 댐 붕괴 이후 빠른 재해 영향 평가를 위한 저비용이고 확장 가능한 원격 감지 방법론을 개발하기 위해.
• 다중스펙트럼 위성 데이터를 사용하여 토지 이용 및 토지 피복(LULC) 변화를 분류하는 데 있어 전이 학습과 미세조정의 효과를 평가하기 위해.
• 공개된 위성 영상 자료를 활용하여 브루마두이뉴 광물매립지 댐 붕괴로 인해 영향을 받은 토지 피복의 공간적 범위와 유형을 정량화하기 위해.
• 재해 대응 및 환경 모니터링 분야에서 고정확도, 시간 효율적인 LULC 지도 제작을 위해 딥러닝의 가능성을 입증하기 위해.
• 광산 기업과 비상 대응 팀이 무료로 이용 가능한 데이터와 GPU 가속 처리를 활용하여 댐 붕괴 및 복구 조치를 모니터링할 수 있는 프레임워크를 제공하기 위해.

제안 방법

• 사고 전(2019년 1월 22일)과 사고 후(2019년 2월 2일)에 촬영한 센티넬-2 다중스펙트럼 위성 영상을 시간적 분석에 활용한다.
• 광산, 산림, 건축지, 강, 농업지, 맑은 물, 잔디밭의 7개 토지 피복 유형을 기반으로 훈련된 전문화된 합성곱 신경망인 Jigsaw CNN를 적용한다.
• 이중 모델 접근법을 사용한다: (1) 사고 후 영상에 사전 훈련된 모델을 직접 적용하여 신속한 평가를 수행하고, (2) 사고 후 레이블이 부여된 픽셀의 일부를 대상으로 모델을 재학습시켜 정확도를 높인다.
• 데이터 증강 및 공간적 맥락 활용을 통해 12밴드 다중스펙트럼 자료에서의 분류 성능을 향상시킨다.
• 사고 전과 사고 후의 LULC 분류 결과를 비교하여 변화 지도를 생성하고, 영향을 받은 지역과 토지 피복 전환을 식별한다.
• 식생, 수자원, 흙탕물 탐지 기능 향상을 위해 NDVI, NDWI, NDMI와 같은 스펙트럼 지수를 추가 입력 레이어로 통합한다.

실험 결과

연구 질문

• RQ1 사전 훈련된 딥러닝 모델이 재학습 없이도 사고 후 위성 영상에서 토지 이용 및 토지 피복을 고정확도로 분류할 수 있는가?
• RQ2 사전 훈련된 모델을 사고 후 데이터에 대해 미세조정함으로써 직접 추론에 비해 분류 정확도가 얼마나 향상되는가?
• RQ3 브루마두이뉴 광물매립지 댐 붕괴로 인해 영향을 받은 토지 피복 유형의 공간적 범위와 구성은 어떠한가?
• RQ4 공개된 다중스펙트럼 위성 영상과 딥러닝을 어떻게 조합하여 저비용, 빠른 재해 영향 평가를 지원할 수 있는가?
• RQ5 이 방법론의 실시간 모니터링에 대한 실용적 한계와 확장 가능성은 무엇인가? 특히 광산 및 재해 대응 분야에서의 적용을 고려할 때.

주요 결과

• 사전 훈련된 Jigsaw CNN는 사고 전 영상에서 99%의 분류 정확도를 달성하여 기초 토지 피복 지도 제작의 높은 신뢰성을 입증한다.
• 사전 훈련된 모델을 사고 후 영상에 직접 적용한 결과 86%의 정확도를 기록하여 재학습 없이도 뛰어난 성능을 보였다.
• 사고 후 레이블이 부여된 데이터의 일부를 대상으로 모델을 재학습시켜 정확도를 98%로 향상시켜 직접 추론 방식을 크게 뛰어넘었다.
• 댐 붕괴로 인한 침수 지역 총 면적은 약 254.25 헥타르로 추정되었으며, 영향을 가장 많이 받은 유형은 산림(177.4 헥타르)이었고, 그 다음으로 농업지(39.0 헥타르)였다.
• 변화 지도 분석 결과, 강 1.4 헥타르, 맑은 물 3.6 헥타르, 건축지 9.8 헥타르, 잔디밭 23.0 헥타르도 영향을 받은 것으로 확인되었다.
• 이 방법론은 저비용이며 반복 가능한 재해 영향 모니터링과 복구 진척 상황 평가를 가능하게 하며, 무료로 이용 가능한 자료와 보편적인 컴퓨팅 자원만으로도 구현 가능하다.