[논문 리뷰] Spain on Fire: A novel wildfire risk assessment model based on image satellite processing and atmospheric information

Helena Liz-López, Javier Huertas‐Tato외 4명|arXiv (Cornell University)|2023. 06. 08.

Fire effects on ecosystems인용 수 4

한 줄 요약

이 논문은 위성에서 유도된 대기 변수와 녹색 지수를 활용하여 wildfi re 자원 수요, 통제/진화 시간, 연소 면적을 예측하는 딥러닝 기반 회귀 모델인 Wildfire Assessment Model(WAM)을 제안한다. 100,000개의 레이블이 없는 샘플을 사용해 자기지도 학습 방식의 마스크된 패치 예측으로 사전 훈련하고, 311개의 레이블이 부여된 화재 사례로 미세조정한 WAM은 기준 모델 대비 항공 자원 예측 정확도에서 9% 향상되고, 진화 시간 예측에서는 21% 향상되었다.

ABSTRACT

Each year, wildfires destroy larger areas of Spain, threatening numerous ecosystems. Humans cause 90% of them (negligence or provoked) and the behaviour of individuals is unpredictable. However, atmospheric and environmental variables affect the spread of wildfires, and they can be analysed by using deep learning. In order to mitigate the damage of these events we proposed the novel Wildfire Assessment Model (WAM). Our aim is to anticipate the economic and ecological impact of a wildfire, assisting managers resource allocation and decision making for dangerous regions in Spain, Castilla y León and Andalucía. The WAM uses a residual-style convolutional network architecture to perform regression over atmospheric variables and the greenness index, computing necessary resources, the control and extinction time, and the expected burnt surface area. It is first pre-trained with self-supervision over 100,000 examples of unlabelled data with a masked patch prediction objective and fine-tuned using 311 samples of wildfires. The pretraining allows the model to understand situations, outclassing baselines with a 1,4%, 3,7% and 9% improvement estimating human, heavy and aerial resources; 21% and 10,2% in expected extinction and control time; and 18,8% in expected burnt area. Using the WAM we provide an example assessment map of Castilla y León, visualizing the expected resources over an entire region.

연구 동기 및 목표

• 위성 및 대기 자료를 사용하여 자원 수요, 통제 시간, 진화 시간, 연소 면적을 예측하는 새로운 화재 위험 평가 모델을 개발하는 것.
• 대규모 레이블이 없는 자료를 활용한 자기지도 사전 훈련을 통해 레이블이 부족한 화재 데이터 문제를 해결하는 것.
• 스페인의 고위험 지역인 카스티야-라 온 및 안달루시아에서 데이터 기반 예측을 통해 화재 관리 의사결정을 향상시키는 것.
• 기상 조건이 다른 스페인의 다양한 지역에서 모델의 일반화 능력을 평가하는 것.

제안 방법

• WAM 모델은 지리적 기반의 대기 및 식생 변수를 이미지 유사 입력으로 처리하기 위해 잔차형 컨볼루션 신경망 아키텍처를 사용한다.
• 공간적 및 시간적 패턴을 학습하기 위해 100,000개의 레이블이 없는 위성 및 환경 자료 샘플을 대상으로 자기지도 마스크된 패치 예측 목표로 사전 훈련한다.
• 사전 훈련된 오토인코더의 인코더를 카스티야-라 온의 311개 레이블이 부여된 화재 사례로 미세조정하여 핵심 화재 관리 지표의 회귀 예측을 수행한다.
• 모델은 대기 변수(예: 온도, 습도, 풍속)와 녹색 지수(NDVI)를 입력 특징으로 융합한다.
• 회귀 헤드는 세 가지 주요 자원(인간, 중량, 항공), 통제 시간, 진화 시간, 예상 연소 면적의 네 가지 핵심 출력을 예측한다.
• 모델은 카스티야-라 온 지역의 위험 평가 지ap을 생성하여 자율주행 지역 전역의 예상 자원 수요를 시각화한다.

Figure 1: Visual representation of WAM methodology steps.

실험 결과

연구 질문

• RQ1 대규모 레이블이 없는 위성 자료를 대상으로 한 자기지도 사전 훈련 전략이 자료가 부족한 상황에서 화재 위험 예측을 향상시키는가?
• RQ2 소수의 레이블이 부여된 화재 사례로 미세조정된 잔차형 컨볼루션 네트워크가 자원 배정 및 화재 행동 지표를 예측하는 데 얼마나 효과적인가?
• RQ3 한 스페인 지역(카스티야-라 온)에서 훈련된 화재 예측 모델이 기상 조건이 다른 지역(안달루시아)으로 일반화되는 정도는 어느 정도인가?
• RQ4 기존의 기계 학습 기반 기준 모델 대비 제안된 WAM 모델이 화재 관리 결과 예측에서 어떤 성능 향상을 달성하는가?

주요 결과

• WAM 모델은 항공 자원 예측에서 기준 모델 대비 9% 향상되고, 중량 자원 추정에서는 3.7% 향상되었다.
• 진화 시간 예측 오차는 21% 감소하고, 통제 시간 예측 오차는 10.2% 감소하여 시간 예측에서 뛰어난 성능을 보였다.
• 예상 연소 면적 추정에서 18.8% 향상되어 공간적 영향 예측 능력이 향상됨을 입증했다.
• 카스티야-라 온에서 우수한 성능를 보였지만, 재훈련 없이 안달루시아로의 일반화에 실패하여 지역 간 전이 가능성에 한계가 있음을 시사했다.
• 미세조정 중 인코더를 재훈련하는 것이 회귀 성능을 크게 향상시켜, 초기 사전 훈련만으로는 최적의 작업 특화 학습이 불충분함을 시사했다.
• 잔차형 오토인코더 아키텍처가 순차적 아키텍처보다 우수한 성능을 보였는데, 이는 더 나은 기울기 흐름과 깊은 특징 학습이 가능했기 때문이다.

Figure 2: Map of Spain showing the locations of all wildfires recorded between 2001 and 2012. Wildfires in Castilla y León are highlighted in blue and those in Andalucía in red.