▲ 인공 위성 자료와 수치모델 자료의 장점을 극대화하고자 제안된 Dual-module Convolutional Neural Network 구조 / 인공 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.(그림 및 설명=UNIST)  © 특허뉴스

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 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 원격탐사분야 최고 학술지인 ‘환경원격탐사(Remote Sensing of Environment) 저널에 9월 15일 온라인 게재됐다.

논문명은 Toward an adaptable deep-learning model for satellite-based wildfire monitoring with consideration of environmental conditions 이다.