|
|
|
|
|
인공위성과 기상 예보 자료를 조합해 산불을 탐지할 수 있는 기술이 개발됐다. 다양한 환경 변화에서도 감지 가능해 중·대형 산불로 발생할 수 있는 피해를 최소화하는 데 도움 될 것으로 기대된다. UNIST(총장 이용훈) 지구환경도시건설공학과 임정호 교수팀은 인공위성 자료와 기상 예보에 사용되는 수치모델 자료를 융합해 ‘다양한 환경 변화에 대응 가능한 산불 탐지 기술’을 개발했다. 인공위성과 수치모델 자료를 독립적으로 추출해 조합할 수 있는 이중 모듈 신경망(Dual-module Convolutional Neural Network, DM CNN)구조의 딥러닝 모델 또한 제안했다. 산불은 예측이 어려워 실시간 모니터링을 통한 빠른 대응이 필수적이다. 미국의 NASA를 포함한 각국에서는 산불 탐지를 위해 20년이 넘는 기간 동안 인공위성 자료에만 의존해왔다. 연구팀은 인공위성 자료에만 의존하던 기존의 형식에서 벗어나 기상 예보에서 사용되는 수치모델 자료와 융합을 시도했다. 수치모델 자료는 상대 습도, 지표면 온도, 위성 관측각 등의 정보를 전송하는데 이런 다양한 자료를 접목해 목표 지역의 환경과 관측 조건들을 계산했다. 특히 인공위성에서 주로 활용되는 변수들과 수치모델에서 제공되는 정보의 서로 다른 특성을 학습하기 위해 이중 모듈 신경망 모델을 개발했다. 이 모델은 11X11 픽셀의 이미지를 입력받아 산불 여부를 판단할 수 있다. 연구팀은 개발한 기술을 미국, 일본, 한국에서 사용하는 탐지 기술인 MODIS/VIIRS, AHI, AMI와 비교했다. 기존 탐지 기술은 습도 혹은 태양의 위치에 따라 파장별 신호가 섞여 산불을 정확히 감지하기 어렵다. 반면에 연구팀이 개발한 모델은 상대 습도 등 다양한 변수를 동시에 고려하기 때문에 환경의 변화가 탐지 정확도에 영향력을 미치지 않는다는 것이 큰 장점이다. 다양한 환경 변화를 적용해 실제 구동 실험을 진행했다. 개발된 모델은 기존 탐지 기술보다 정확하게 산불의 위치를 탐색할 수 있음이 확인됐다. 4㎢의 공간의 넓은 범위를 탐지하기 때문에 좁은 범위(1㎢ 등)를 탐지하는 기존의 기술보다 위성의 해상도가 떨어지지만 더 높은 정확성을 보인 것이다. 임정호 지구환경도시건설공학과 교수는 “이번 연구는 다양한 특성을 가진 이종 자료의 융합에 탁월한 딥러닝의 장점을 극대화한 연구다”며 “향후 글로벌 산불 탐지 기술이 나아갈 새로운 방향을 제시한 중요한 성과가 될 것이다”고 설명했다. 임정호 교수가 교신 저자로, UNIST 강유진 박사, 성태준 학생이 공동 1저자로 참여한 이번 연구는 기상청의 폭염 분야 장기원천기술연구사업, 과학기술정보통신부 한국연구재단 기초연구사업, 환경부의 관측기반 온실가스 공간정보지도 구축 기술개발사업, 항공우주연구원의 지원을 받아 수행됐다. 원격탐사분야 최고 학술지인 ‘환경원격탐사(Remote Sensing of Environment) 저널에 9월 15일 온라인 게재됐다. (논문명: Toward an adaptable deep-learning model for satellite-based wildfire monitoring with consideration of environmental conditions) |
|
|
|
[붙임] 연구결과 개요 |
1. 연구배경기후 변화로 인해 산불의 발생 빈도와 강도는 매년 증가하고 있으며, 이로 인한 피해가 점차 다양한 양상을 보이고 있다. 정지궤도 위성은 광범위한 영역의 산불 정보를 실시간으로 획득할 수 있어 산불 모니터링에 용이하다. 기존 위성 기반 산불 탐지 알고리즘은 열에 민감한 위성 센서를 기반으로 이루어진다. 하지만 산불 이외에 온도에 변화를 줄 수 있는 다양한 환경 요소들을 고려하지 못해 일반화 성능이 떨어진다. |
2. 연구내용본 연구는 위성과 수치모델 자료를 융합하여 다양한 환경 조건에서 강건하게 동작하는 적응형 산불 탐지 모델을 개발하였다. 위성 자료로는 온도와 직접적인 연관이 있는 밝기온도 정보가 사용되었다. 수치모델 자료로는 온도에 간접적인 영향을 줄 수 있는 상대 습도, 지표면 온도 등의 정보가 사용되었다. 위성 자료에서는 열적 이상치를 추출하고 수치모델 자료에서는 주변 환경정보를 추출하는 두 독립적인 작업을 동시에 수행하기 위하여 Dual-module Convolutional Neural Network (DM CNN)구조를 제안하였다. DM CNN은 환경 정보를 고려하지 않는 기존의 알고리즘 비교하여 보다 뛰어난 일반화 성능을 보였으며, 2km의 낮은 공간 해상도에도 불구하고 미국 NASA에서 제공하는 고해상도 (375m, 1km) 위성 수준의 탐지 민감도를 보였다. 추가적인 분석을 통해 기존 알고리즘이 낮은 성능을 보인 환경 조건에서 DM CNN이 모델 신뢰도를 크게 향상시킨 것을 발견하였다. |
3. 기대효과2000년대 초 NASA의 MODIS 위성이 전 지구 산불 탐지 산출물을 제공하기 시작한 이후 약 20년간 위성 기반 산불 탐지 알고리즘은 위성의 센서 정보에만 의존해 왔다. 본 연구는 위성과 수치모델 자료를 융합하여 다양한 환경 조건에서 보다 강건한 산불 탐지 모델의 가능성을 제시하였다. ○ 산불과 환경 조건에 관한 이해 확장 ○ 산불 탐지 모델의 일반화 성능 향상 ○ AI의 산불 모니터링 적용 가능성 제시 |
|
[붙임] 그림설명 |
|
그림1. 인공 위성 자료와 수치모델 자료의 장점을 극대화하고자 제안된 Dual-module Convolutional Neural Network 구조인공 위성에서 주로 활용되는 핵심 변수 (Key variables)와 수치모델에서 제공되는 상대습도, 지표면온도와 관측각, 토지피복 등의 보조 변수 (Sub variables)의 서로 다른 특성을 고려해주기 위하여 제안된 Dual-module CNN 산불 탐지 딥러닝 모델의 구조를 나타냄. 해당 모델은 11 X 11 이미지를 입력 받아 중심 픽셀의 산불 여부를 판단함으로써 산불을 탐지함. |
|
그림2. 제안된 기술 (DM CNN)과 각국에서 제공되는 산불 탐지 산출물과의 산불 발생 탐지 결과 비교 (배경 영상: Sentinel-2 MSI 10m 고해상도 RGB 이미지)NASA에서 제공되는 MODIS/VIIRS (파랑, 보라), 일본에서 제공되는 AHI (노랑), 한국에서 제공되는 AMI (초록) 기반 산불 탐지 산출물들의 탐지 결과와 본 연구진이 제안한 산불 탐지 기술인 DM CNN (빨강)의 산불 탐지 결과를 보여준다. AHI와 AMI는 산불을 잘 탐지하지 못하는 반면에 DM CNN은 산불을 잘 탐지하고 있음을 알 수 있다. |
|
UNIST 홍보팀 news@unist.ac.kr TEL : 052)217-1230FAX : 052)217-1229 |
![[연구그림1] 인공 위성 자료와 수치모델 자료의 장점을 극대화하고자 제안된 Dual-module Convolutional Neural Network 구조](https://news.unist.ac.kr/kor/wp-content/uploads/2014/11/press_20141125_03.jpg)
![[연구그림2] 제안된 기술 (DM CNN)과 각국에서 제공되는 산불 탐지 산출물과의 산불 발생 탐지 결과 비교](https://news.unist.ac.kr/kor/wp-content/uploads/2014/11/press03_20141125.jpg)
