[논문 리뷰] Towards Daily High-resolution Inundation Observations using Deep Learning and EO

Antara Dasgupta, Lasse Hybbeneth외 1명|arXiv (Cornell University)|2022. 08. 10.

Flood Risk Assessment and Management인용 수 5

한 줄 요약

이 논문은 다중 원천 지구관측(Earth observation, EO) 데이터—특히 Sentinel-1 SAR, Sentinel-2 옵티컬, SMAP/GPM 마이크로파 데이터를 융합하는 딥러닝 프레임워크를 제안한다. 이를 통해 매일, 고해상도(10–30 m)의 확률적홍수 침수 지도를 생성한다. Sentinel-1과 -2에서 유도된 홍수 마스크를 기반으로 U-Net과 SegNet 아키텍처를 훈련시킨 모델는 PR-AUC 0.85를 달성하여 기존 위성 제약 조건을 초월해 시간적·공간적 홍수 모니터링 성능을 향상시킨다.

ABSTRACT

Satellite remote sensing presents a cost-effective solution for synoptic flood monitoring, and satellite-derived flood maps provide a computationally efficient alternative to numerical flood inundation models traditionally used. While satellites do offer timely inundation information when they happen to cover an ongoing flood event, they are limited by their spatiotemporal resolution in terms of their ability to dynamically monitor flood evolution at various scales. Constantly improving access to new satellite data sources as well as big data processing capabilities has unlocked an unprecedented number of possibilities in terms of data-driven solutions to this problem. Specifically, the fusion of data from satellites, such as the Copernicus Sentinels, which have high spatial and low temporal resolution, with data from NASA SMAP and GPM missions, which have low spatial but high temporal resolutions could yield high-resolution flood inundation at a daily scale. Here a Convolutional-Neural-Network is trained using flood inundation maps derived from Sentinel-1 Synthetic Aperture Radar and various hydrological, topographical, and land-use based predictors for the first time, to predict high-resolution probabilistic maps of flood inundation. The performance of UNet and SegNet model architectures for this task is evaluated, using flood masks derived from Sentinel-1 and Sentinel-2, separately with 95 percent-confidence intervals. The Area under the Curve (AUC) of the Precision Recall Curve (PR-AUC) is used as the main evaluation metric, due to the inherently imbalanced nature of classes in a binary flood mapping problem, with the best model delivering a PR-AUC of 0.85.

연구 동기 및 목표

• 단일 위성 홍수 모니터링의 공간·시간적 제약을 극복하기 위해 고해상도 및 고빈도 데이터 소스를 통합함으로써 해결하고자 한다.
• 다양한 모odal의 지구관측 데이터를 활용해 매일, 고해상도 홍수 침수 지도를 생성할 수 있는 데이터 기반 딥러닝 모델을 개발하고자 한다.
• U-Net과 SegNet 아키텍처가 다중 원천 EO 입력에서 확률적 홍수 범위를 예측하는 데 있어 성능를 평가하고자 한다.
• 이진 홍수 지ap핑에서의 클래스 불균형 문제를 해결하기 위해 정밀도-재현율 AUC와 같은 강력한 평가 지표를 활용하고자 한다.
• 공개 가능한 EO 데이터와 딥러닝을 활용해 대규모로 근접 실시간, 비용 효율적인 홍수 모니터링을 가능하게 하고자 한다.

제안 방법

• U-Net과 SegNet 기반의 컨volution 신경망(CNN)이 다중 원천 EO 데이터로부터 고해상도(10–30 m) 홍수 침수 지도를 예측하도록 훈련된다.
• 입력 특징으로는 Sentinel-1 SAR 반사율, Sentinel-2 옵티컬 반사율, 그리고 지형, 수문학, 토지 이용과 같은 유도된 예측 변수가 포함된다.
• 홍수 마스크는 표준 영상 처리 기법을 사용해 Sentinel-1과 Sentinel-2 데이터에서 생성되어 훈련을 위한 지상 참조 데이터로 활용된다.
• 모델는 클래스 불균형한 홍수/비홍수 클래스를 보완하기 위해 클래스 가중치 샘플링을 적용한 이진 교차 엔트로피 손실을 사용해 엔드 투 엔드로 훈련된다.
• 모델 성능 평가는 이진 분류 작업에서 클래스 불균형에 강건한 정밀도-재현율 AUC(ROC)를 사용하여 평가된다.
• 데이터 융합은 고공간 해상도(Sentinel-1/2)와 고시간 해상도(SMAP/GPM) 데이터를 통합하여 매일 예측이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 고공간 해상도 및 고시간 해상도 지구관측 데이터를 효과적으로 융합하여 매일, 고해상도 홍수 침수 지도를 생성할 수 있는가?
• RQ2 클래스 불균형 조건 하에서 U-Net과 SegNet 아키텍처의 성능는 어떻게 비교되는가?
• RQ3 수문학적, 지형학적, 토지 이용 예측 변수를 통합할 경우 홍수 지도 정확도는 어느 정도 향상되는가?
• RQ4 PR-AUC는 극도로 불균형한 데이터셋에서 홍수 지도 모델 평가에 신뢰할 수 있는 지표로 기능할 수 있는가?
• RQ5 공개 가능한 EO 데이터와 딥러닝만을 사용해 10–30 m 해상도로 매일 홍수 지도를 생성하는 것은 가능한가?

주요 결과

• 최고의 성능을 보인 모델은 정밀도-재현율 AUC(PR-AUC) 0.85를 달성하여 클래스 불균형 조건 하에서도 홍수 픽셀을 효과적으로 탐지함을 시사한다.
• 테스트 세트에서 U-Net 아키텍처가 SegNet보다 분할 정확도와 안정성 면에서 뛰어난 성능을 보였다.
• 지형, 수문학, 토지 이용 등의 다중 원천 예측 변수를 통합함으로써 다양한 홍수 조건에서의 모델 일반화 능력이 크게 향상되었다.
• Sentinel-1, Sentinel-2, SMAP, GPM 데이터의 융합은 개별 임무의 제약을 초월해 10–30 m 공간 해상도로 매일 홍수 지도를 생성하는 데 기여했다.
• 모델는 다양한 홍수 사건과 지리적 지역에서 일관된 성능을 보이며 이는 이식성과 확장 가능성의 가능성을 시사한다.
• 불균형한 홍수 지도 모델 작업에서 PR-AUC를 주요 평가 지표로 사용함으로써 모델 성능를 효과적으로 파악할 수 있었다.