[논문 리뷰] Predicting Global Variations in Outdoor PM2.5 Concentrations using Satellite Images and Deep Convolutional Neural Networks

Kris Y. Hong, Pedro O. Pinheiro외 1명|arXiv (Cornell University)|2019. 06. 01.

Air Quality Monitoring and Forecasting참고 문헌 22인용 수 6

한 줄 요약

이 연구는 위성 영상과 지상 측정값만을 사용하여 세계 곳곳의 장기적 외부 PM2.5 농도를 예측하는 딥러닝 모델인 IMAGE-PM2.5를 소개한다. WHO 데이터에서 확보한 98개 국가의 20,000개 측정소를 대상으로 훈련된 Xception 기반 모델은 RMSE 13.01 µg/m³ (R² = 0.75)의 성능을 기록하여, 복잡한 다중 소스 모델에 준하는 정확도를 보였으며, 유일하게 위성 영상만을 입력으로 요구하므로 데이터가 부족한 지역에서 비용 효율적인 노출 추정이 가능하다.

ABSTRACT

Here we present a new method of estimating global variations in outdoor PM$_{2.5}$ concentrations using satellite images combined with ground-level measurements and deep convolutional neural networks. Specifically, new deep learning models were trained over the global PM$_{2.5}$ concentration range ($

연구 동기 및 목표

• 위성 영상과 지상 측정값만을 사용하여 세계 곳곳의 장기 평균 PM2.5 농도를 신속하고 비용 효율적으로 추정하는 방법을 개발하기 위해.
• 다양한 세계적 환경에서 딥 컨volution 신경망의 성능을 평가하여, 특히 지상 측정 데이터가 부족한 지역에서 PM2.5를 예측할 수 있는지 평가하기 위해.
• 위성 영상 기반 딥러닝 모델이 글로벌 버디어스 오브 디저스티드 스터디에서 사용하는 복잡한 다중 소스 모델과 비슷한 예측 정확도를 달성할 수 있는지 평가하기 위해.
• 특히 북미 지역과 같이 농도 기울기가 좁은 영역에서 위성 영상 기반 딥러닝 모델이 PM2.5의 공간적 변동성을 효과적으로 추정할 수 있는지 탐색하기 위해.
• 딥러닝 모델이 계층적 노출 모델링 프레임워크에서 독립적 또는 보조 도구로 활용될 수 있는지 여부를 평가하기 위해.

제안 방법

• WHO 데이터에서 확보한 98개 국가의 2000~2017년 기간 동안의 지상 PM2.5 측정값 20,000개의 세계적 데이터베이스를 구축하였으며, 이와 함께 구글 스태틱 맵의 위성 영상과 연결하였다.
• 각 측정소 중심으로 위성 영상이 4개의 줌 레벨(13~16)에서 수집되었으며, 해상도는 항상 256×256×3 픽셀로 고정되었으며, 모든 영상은 2018년 9월에서 12월 사이에 촬영된 것으로 제한되었다.
• 특징 추출기로 사용 가능한 여러 사전 훈련된 컨volution 신경망 아키텍처(InceptionV3, Xception, VGG16)를 평가하였으며, Xception이 가장 뛰어난 성능을 보여 최종 기반 아키텍처로 선정되었다.
• 최종 글로벌 모델인 IMAGE-PM2.5는 위성 영상에서만 PM2.5 농도를 예측하도록 Xception 아키텍처를 기반으로 훈련되었으며, 별도의 테스트 세트에서 성능을 평가하였다.
• 모델 성능 평가에는 근미제곱오차(RMSE)와 결정계수(R²)를 사용하였으며, 글로벌 버디어스 오브 디저스티드 스터디에서 사용된 DIMAQ 모델과의 비교 분석도 추가로 수행하였다.
• 북미 지역에 대해서는 고해상도(0.01°)의 GEOS-Chem 모델 기반 PM2.5 추정치를 사용하여 별도의 모델을 훈련하였으며, 위성 영상의 줌 레벨 13~15를 활용하여 좁은 농도 기울기 범위에서의 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 위성 영상만으로 훈련된 딥 컨volution 신경망이 복잡한 다중 소스 모델과 비슷한 성능으로 세계 곳곳의 장기 평균 PM2.5 농도 변화를 예측할 수 있는가?
• RQ2 특히 지상 측정 데이터가 부족한 지역에서 모델 성능이 어떻게 변하는가? 특히 다양한 세계 지역 간의 성능 변화는 어떻게 되는가?
• RQ3 Xception, InceptionV3, VGG16 등 다양한 사전 훈련된 컨volution 신경망 아키텍처 중에서 위성 영상에서의 PM2.5 추정에 가장 높은 예측 정확도를 보이는 것은 무엇인가?
• RQ4 줌 레벨, 색상 패턴, 기하학적 특징 등 영상 특성은 PM2.5 농도 예측에 얼마나 영향을 미치는가?
• RQ5 위성 영상 기반 딥러닝 모델이 노출 평가를 위한 계층적 베이지안 모델에서 신뢰할 수 있는 사전 정보 또는 보조 입력으로 활용될 수 있는가?

주요 결과

• Xception 아키텍처가 InceptionV3 및 VGG16를 능가하여 최종 IMAGE-PM2.5 모델의 기초가 되었다.
• 글로벌 IMAGE-PM2.5 모델은 별도의 테스트 세트에서 RMSE 13.01 µg/m³, R² 0.75의 성능을 기록하여 전 세계 PM2.5 농도 범위(1–436 µg/m³)에서 뛰어난 예측 성능을 보였다.
• DIMAQ 모델(글로벌 버디어스 오브 디저스티드 스터디에서 사용)과의 예측 결과 간 상관관계가 높았으며, 기울기가 1에 가까워 전 세계적 추정치에서 높은 일致성을 보였다.
• IMAGE-PM2.5와 DIMAQ 간의 격차는 PM10 측정값에서 유래한 PM2.5 데이터가 많은 지역에서 가장 컸으며, 이는 IMAGE-PM2.5 훈련 세트에 이러한 데이터가 포함되지 않았기 때문일 것이다.
• 북미 지역 모델은 딥러닝이 좁은 농도 기울기 영역에서 PM2.5의 공간적 변동성을 효과적으로 추정할 수 있음을 보여주었으며, 노출 변동성이 낮은 지역에 적용 가능할 가능성을 시사한다.
• 모델 해석 가능성 분석 결과, 예측은 색상 패턴과 선, 모서리 등의 국소적 영상 특징에 기반하였으며, 구체적인 건축 환경 특징는 명확히 특정할 수 없었다.