[논문 리뷰] Deep Learning and Earth Observation to Support the Sustainable Development Goals

Claudio Persello, Jan Dirk Wegner외 5명|arXiv (Cornell University)|2021. 12. 21.

Human Mobility and Location-Based Analysis인용 수 6

한 줄 요약

이 논문은 딥 러닝(DL)과 지구 관측(EO) 데이터가 유엔 지속 가능한 개발 목표(SDGs)를 향한 진전을 어떻게 상호보완적으로 가속화하는지 검토한다. 이는 환경 및 사회적 과제에 대한 확장 가능한, 데이터 기반의 모니터링을 가능하게 한다. 클라우드 플랫폼을 통해 개방형 대규모 EO 데이터를 활용해 딥 러닝 모델—특히 컨volutional 및 생성 네트워크—를 적용함으로써, 식량 안보, 도시 지속 가능성, 기후 적응, 생물다양성 모니터링 등의 분야에서 최신 기술 수준의 성능을 입증한다.

ABSTRACT

The synergistic combination of deep learning models and Earth observation promises significant advances to support the sustainable development goals (SDGs). New developments and a plethora of applications are already changing the way humanity will face the living planet challenges. This paper reviews current deep learning approaches for Earth observation data, along with their application towards monitoring and achieving the SDGs most impacted by the rapid development of deep learning in Earth observation. We systematically review case studies to 1) achieve zero hunger, 2) sustainable cities, 3) deliver tenure security, 4) mitigate and adapt to climate change, and 5) preserve biodiversity. Important societal, economic and environmental implications are concerned. Exciting times ahead are coming where algorithms and Earth data can help in our endeavor to address the climate crisis and support more sustainable development.

연구 동기 및 목표

• 딥 러닝이 지구 관측을 향상시켜 유엔 지속 가능한 개발 목표(SDGs)의 모니터링 및 달성을 지원하는 데서의 역할을 평가하는 것.
• 데이터 부족, 일반화 능력 제한, 재현 가능성 문제 등 딥 러닝을 EO 데이터에 적용할 때 발생하는 주요 과제를 규명하는 것.
• 개방 과학, 빅데이터, 클라우드 컴퓨팅이 지구 과학 연구의 글로벌 지속 가능성 향상에 어떻게 전환적 잠재력을 지니고 있는지 부각하는 것.
• 딥 러닝과 지구 관측이 환경 및 사회 지표에 대해 일관되고 객관적이며 글로벌 범위로 확장 가능한 모니터링을 어떻게 제공하는지 보여주는 것.
• 2030 Agenda, 뉴 유니버시티 아젠다, 세нд라이 프레임워크와 같은 정책 수립 및 국제 프레임워크에 딥 러닝과 지구 관측을 통합할 것을 주장하는 것.

제안 방법

• 다양한 소스의 지구 관측 데이터에 적용된 딥 러닝 아키텍처—특히 CNNs, RNNs, GANs, 오토에인코더—에 대한 체계적 검토.
• 이미지 분류, 세분화, 변화 탐지 등의 작업을 위해 데이터 융합, 특징 추출, 추론을 통합한 엔드 투 엔드 딥 러닝 프레임워크의 적용.
• 재현성과 확장성을 확보하기 위해 개방형, FAIR 준수 데이터 세트 및 공개 벤치마킹 플랫폼(예: IEEE GRSS DAS, Google Earth Engine)의 활용.
• 로컬 스토리지나 고성능 컴퓨팅 없이 페타바이트 규모의 EO 데이터를 처리하기 위해 클라우드 컴퓨팅 인프라(예: Google Earth Engine, Copernicus DIAS)의 활용.
• 모델의 일반화 능력 향상과 공간-시간 이해 강화를 위해 위성, 드론, 현장 측정 데이터 등 다중 모odal 데이터의 통합.
• 다양한 EO 작업 및 센서 유형 간의 모델 성능 비교를 가능하게 하기 위해 표준화된 평가 프로토콜과 공개 평가 서버의 도입.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 지속 가능한 개발 목표(SDG) 모니터링을 위한 지구 관측 데이터 분석의 정확도와 확장성을 어떻게 향상시킬 수 있는가?
• RQ2 대규모이고 이질적인 지구 관측 데이터에 딥 러닝을 적용할 때 발생하는 주요 기술적 및 사회적 과제는 무엇인가?
• RQ3 개방 과학과 클라우드 기반 플랫폼은 딥 러닝 기반 지리공간 분석의 재현성과 접근성을 어떻게 향상시킬 수 있는가?
• RQ4 딥 러닝과 지구 관측은 국가 간 경계를 초월하는 환경 및 사회경제적 현상의 횡단적 모니터링에 어떻게 기여하는가?
• RQ5 딥 러닝과 지구 관측은 2030 Agenda, 뉴 유니버시티 아젠다, 세нд라이 프레임워크와 같은 국제 정책 프레임워크를 뒷받침하는 데서 어떤 역할을 할 수 있는가?

주요 결과

• 딥 러닝 모델은 토지 이용 분류, 객체 탐지, 변화 탐지 등의 지구 관측 작업에서 최신 기술 수준의 성능을 달성하여 정확도와 자동화 수준을 크게 향상시킨다.
• 딥 러닝과 개방형 대규모 지구 관측 데이터, 클라우드 컴퓨팅의 통합은 다양한 환경 및 도시 환경에서 지속 가능한 개발 목표 지표에 대한 글로벌, 일관되고 재현 가능한 모니터링을 가능하게 한다.
• 개방 과학 원칙(Fair 및 FOSS)은 공개 벤치마킹 데이터 세트와 평가 플랫폼의 구축을 가능하게 하여 소규모 고립형 데이터 세트에 대한 의존도를 줄이고 모델 검증을 향상시켰다.
• 지구 관측 데이터의 딥 러닝 기반 분석은 공간적·시간적으로 일관된 정보를 제공하여 국가 수준 보고서의 일관성 부족 문제를 해결하고, 산림 파괴나 도시 확장과 같은 현상의 국경을 초월한 모니터링을 가능하게 한다.
• 딥 러닝과 지구 관측의 융합은 다섯 가지 핵심 SDG 영역—식량 안보, 지속 가능한 도시, 재산권 안정성, 기후 변화 완화/적응, 생물다양성 보존—의 모니터링을 지원한다.
• Google Earth Engine 및 Copernicus DIAS와 같은 클라우드 기반 플랫폼은 연구자들이 직접 클라우드 내에서 페타바이트 규모의 지구 관측 데이터를 처리할 수 있게 하여 인프라 진입 장벽을 크게 감소시켰다.