기계학습을 이용한 Sentinel-2 산불피해등급 분류
Classification of Forest Fire Damage Grade Using Machine Learning and Sentinel-2
0
조회
0
다운로드
9
인용
0
참고문헌
키워드
초록
본 논문은 산불 피해 발생 지역을 대상으로 머신러닝 기법을 적용한 연구이다. 연구 대상지로는 2019년4월 4일 발생한 강원도 속초 지역의 산불피해지역을대상으로 분석을 진행하였다. 산불 피해지역을 탐지하기 위해 Sentinel-2 영상을 활용하였다. 산불 피해등급을 분류하는 dNBR을 기반으로 피해등급을 4가지 경우로 조정하여 학습하였다. 학습에 사용된 데이터의 경우 데이터의 구조에 따라 정확도가 다르게 나타날 수 있기 때문에 SVM 4가지 커널에 따른 학습정확도를 도출하였다. 학습 결과 4가지 경우 모두에서 SVM RBF 모델이 가장 높은 정확도를 보여주었다. 테스트 지역을 분류하는 과정에서는 훈련 정확도가 가장 높게 나타난 SVM RBF 모델을 활용하였다. 검증 과정에서는 KOMPSAT-3를 활용한 300개의GTP를 구축하여 검증자료로 활용하였다. 검증결과에서 SVM RBF모델을 통한 테스트 결과가 dNBR보다 높은 82.67%의 정확도로 피해지역을 분류한 것으로 나타났다. 연구 결과를 통해 산불 피해지역을 탐지하고 분류하는 분석과정에서 기계학습을 접목할수 있는 방향성을 제시하였다.
Abstract
This study applies machine learning techniques to forest fire damage area. The study area was Sokcho, Gangwon-do, which occurred forest fire damage on April 4, 2019. We used Sentinel-2 images for detecting forest fire area. We adjusted four cases for train model based on the dNBR severity level classes. We used 4 SVM kernels, because the accuracy may vary depending on the structure of the data to learning. The training results showed that in all four cases, the SVM RBF model showed the highest accuracy. The SVM RBF model with the highest training accuracy was used in the test area classification process. During the verification process, we created 300 GTP using KOMPSAT-3 for verification. Verification results show that the test results using the SVM RBF model classified (82.67%) was more affected than dNBR classification result (80.67%). The results of the study suggested a direction to incorporate mechanical learning in the analysis process for detecting and classifying forest fire damage areas.
참고문헌 (15)
- 강남이, "KOMPSAT-2 영상의 토지피복분류에 적합한 SVM 커널 함수 비교 연구", 대한공간정보학회지, 21(2), pp.17~23 (2013), 대한공간정보학회[DOI]
- 이수진, "Sentinel-2 영상 기반의 FBI(Fire Burn Index) 개발 및 우리나라 산불피해지역 탐지 실험", 경관과 지리, 27(4), pp.187~202 (2017), 한국사진지리학회[DOI]
- 재난지역 피해규모 산정을 위한 위성영상과 국토지표 활용방안, "임륭혁", 국토연구원, ~ (2020)
- 원명수, "SPOT5영상과 현장조사자료를 융합한 대형산불지역의 피해강도 분석", 한국농림기상학회지, 16(2), pp.114~124 (2014), 한국농림기상학회[DOI]
- 채경재, "머신러닝과 샘플링을 이용한 강원도 지역 산불발생예측모형 개발", 한국빅데이터학회 학회지, 3(2), pp.71~78 (2018), 사)한국빅데이터학회[DOI]
- 최재완, "분광 유사도 커널을 이용한 하이퍼스펙트럴 영상의 Support Vector Machine(SVM) 분류", 대한공간정보학회지, 14(4), pp.71~77 (2006), 대한공간정보학회
- Bui, D. T., "GIS-based spatial prediction of tropical forest fire danger using a new hybrid machine learning method", Ecological Informatics, 48, pp.104~116 (2018)[DOI]
- Federico Filipponi, "Exploitation of Sentinel-2 Time Series to Map Burned Areas at the National Level: A Case Study on the 2017 Italy Wildfires", Remote Sensing, 11(6), pp.622~ (2019), MDPI AG[DOI]
- Shannon Franks, "Monitoring forest regrowth following large scale fire using satellite data-A case study of Yellowstone National Park, USA-", European Journal of Remote Sensing, 46(1), pp.551~569 (2017), Informa UK Limited[DOI]
- Key, C. H., "FIREMON: Fire Effects Monitoring and Inventory System" (2005), USDA Forest Service, Rocky Mountains Research Station
- Adrijana car, "Automated Delineation Of Wildfire Areas Using Sentinel-2 Satellite Imagery", GI_Forum, 1, pp.251~262 (2018), Osterreichische Akademie der Wissenschaften[DOI]
- E. Roteta, "Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa", Remote Sensing of Environment, 222, pp.1~17 (2019), Elsevier BV[DOI]
- Jae-Hyun Ryu, "Satellite-Based Evaluation of the Post-Fire Recovery Process from the Worst Forest Fire Case in South Korea", Remote Sensing, 10(6), pp.918~ (2018), MDPI AG[DOI]
- Vapnik, V. N., "The Nature of Statistical Learning Theory" (1995), Springer-Verlag
- Zhao, J., "SVM based forest fire detection using static and dynamic features", Computer Science and Information Systems, 8(3), pp.821~841 (2011)