[논문]기계학습 기반의 산불위험 중기예보 모델 개발

박수민; 손보경; 임정호; 강유진; 권춘근; 김성용

doi:10.7780/kjrs.2022.38.5.2.10

기계학습 기반의 산불위험 중기예보 모델 개발
Development of Mid-range Forecast Models of Forest Fire Risk Using Machine Learning 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.2, 2022년, pp.781 - 791

박수민 (한국항공우주연구원 위성활용부) , 손보경 (울산과학기술원 도시환경공학과) , 임정호 (울산과학기술원 도시환경공학과) , 강유진 (울산과학기술원 도시환경공학과) , 권춘근 (국립산림과학원 산림환경보전연구부) , 김성용 (국립산림과학원 산림환경보전연구부)

초록
AI-Helper

산불로 인한 피해를 최소화하기 위해서 산불위험 예보 정보를 제공하는 것은 필수적이다. 따라서 본 연구에서는 우리나라를 대상으로 기계학습 기반의 산불위험 중기예보(1일 후부터 7일 후까지) 모델을 개발하였다. Global Data Assimilation and Prediction System (GDAPS)의 기상예보 자료와 기 개발된 산불위험지수(Fire Risk Index, FRI)의 과거 및 현재 정보, 그리고 기타 환경요소(i.e., 고도, 산불다발지수, 가뭄지수)의 현재 정보를 반영하여 모델을 개발하였다. 본 연구에서는 실시간 학습을 통해 모델을 개발하였으며, 효율적인 모델 개발을 목적으로 과거 산불위험지수와 가뭄지수의 유무를 고려하여 세가지 경우(Scheme 1: 과거 산불위험지수 및 가뭄지수, Scheme 2: 과거 산불위험지수, Scheme 3: 과거 산불위험지수 변화 추세 및 가뭄지수)로 연구를 수행하였다. 본 연구에서 개발된 산불위험예보모델은 예보기간에 상관없이 높은 정확도(피어슨 상관계수(Pearson correlation) >0.8, relative root mean square error <10%)를 나타냈으며, 실제 산불 발생 건에 대해서도 유의미한 결과를 보였다. 과거 산불위험지수의 추세보다는 산불위험지수 값 자체를 입력변수로 사용하는 것이 높은 정확도를 보였으며, 가뭄지수 사용과 관계없이 좋은 결과를 나타냈다.

Abstract ▼ AI-Helper

It is crucial to provide forest fire risk forecast information to minimize forest fire-related losses. In this research, forecast models of forest fire risk at a mid-range (with lead times up to 7 days) scale were developed considering past, present and future conditions (i.e., forest fire risk, drought, and weather) through random forest machine learning over South Korea. The models were developed using weather forecast data from the Global Data Assessment and Prediction System, historical and current Fire Risk Index (FRI) information, and environmental factors (i.e., elevation, forest fire hazard index, and drought index). Three schemes were examined: scheme 1 using historical values of FRI and drought index, scheme 2 using historical values of FRI only, and scheme 3 using the temporal patterns of FRI and drought index. The models showed high accuracy (Pearson correlation coefficient >0.8, relative root mean square error <10%), regardless of the lead times, resulting in a good agreement with actual forest fire events. The use of the historical FRI itself as an input variable rather than the trend of the historical FRI produced more accurate results, regardless of the drought index used.

주제어

표/그림 (9)

그림 Fig. 1. The study area of this research. The Shuttle Radar Topography Mission (SRTM) 30 m digital elevation map (DEM; downloaded from http://eros.usgs.gov/ elevation-products) is used as a background image in forest areas.
표 Table 1. Data used for developing mid-range forecast models of forest fire risk in this study
그림 Fig. 2. The overall flowchart of developing mid-range forecast models of forest fire risk. The orange box represents present and past information and the green box indicates future information in input variables. "t" means the present day.
그림 Fig. 3. Calibration and validation in random forest models. The yellow box means training data and the pink box indicates target days of forecasting with lead times. "t" means the present day.
표 Table 2. Three schemes for random forest models
그림 Fig. 4. Box plot of Pearson correlation coefficient values for each scheme. Refer to Table 2 for scheme information.
그림 Fig. 5. Box plot of relative root mean square error (rRMSE) for each scheme. Refer to Table 2 for scheme information.
그림 Fig. 6. The Pearson correlation for each scheme for forest fire events occurred in 2017. Yellow, green and orange bars represent schemes 1, 2, and 3, respectively.
그림 Fig. 7. Results of scheme 2 targeting March 10, 2017. A light blue circle on the left top image indicates the location of the forest fire event occurred on that day. The green to red color scheme represents low to high forest fire risk.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 산불위험지수의 과거 및 현재 정보와 미래 기상정보를 융합하여 우리나라를 대상으로 산불위험 중기예보 모델을 개발하였다. 인적발화가 주를 이루는 우리나라의 산불발생 특징을 이용하여 인적요소가 고려된 산불위험지수를 이용하였으며, 기타 환경요소(i.

가설 설정

이는 과거 산불위험지수의 시계열 패턴과 미래 기상자료의 정확도에 따라 생기는 차이일 것으로 예상되며, 추후 Scheme의 앙상블 적용 혹은 입력변수의 조정 등을 통해 산불위험예보에 적합한 모델을 최종 선정할 수 있을 것으로 기대된다. 둘째, 예측된 산불위험지수의 낮은 해상도이다. 본 연구에서는 GDAPS의 낮은 공간해상도를 고려하여 5 km 해상도로 산불위험 예보 결과를 산출하였다.
국립산림과학원에서 제공받은 산불다발지수(forest fire hazard index)는 1991년부터 2015년 기간에 발생한 산불을 수치 지도화한 것으로 산불이 빈번하게 발생할 수 있는 지역에 대한 정보를 나타낸다. 본 연구에서는 과거에 산불이 빈번히 발생했다는 것은 현재에도 발생할 가능성이 높다고 가정하고 5 km 격자로 재가공하여 입력변수로 사용하였다.

제안 방법

2016년 7월부터 2018년 12월까지의 산불위험지수, 고도, 산불다발지수, 가뭄지수, GDAPS 기상예보자료의 일별, 5 km 격자로 전처리 후 기계학습 기법 중 하나인 랜덤포레스트를 통해 산불위험 중기예보 모델을 개발하였다(Fig. 2).
하지만, 많은 입력변수를 사용하여 미미한 정확도 개선은 모델의 실시간 훈련에 비효율적으로 작용할 수 있다. 따라서 본 연구에서는 가뭄지수를 제외했을 경우(Scheme 2)와 산불위험지수의 현재부터 과거 7일 까지의 경향(Scheme 3)으로 입력변수를 줄였을 경우에 대해 추가적으로 모델을 각각 개발하였다(Table 2).
둘째, 예측된 산불위험지수의 낮은 해상도이다. 본 연구에서는 GDAPS의 낮은 공간해상도를 고려하여 5 km 해상도로 산불위험 예보 결과를 산출하였다. 하지만 우리나라는 10 ha 이하의 소규모 산불도 많이 발생하기 때문에 고해상도의 산불위험예보가 필요하다.
2). 본 연구에서는 실시간 훈련을 기반으로 모델이 매일 업데이트되는 방식으로 연구를 수행하였다. 이는 1) GDAPS가 주기적으로 업데이트되는 것을 고려하고, 2) 산불위험에 대한 최신 경향을 훈련자료로 사용하기 위함이다.
산불위험중기예보 모델 개발을 위해 고도, 산불 다발지수, 가뭄 지수 등을 입력변수로 이용하였다(Table 1). 고도는 ShuttleRadar Topography Mission (SRTM)의 Digital Elevation Model (DEM)을 5 km로 변경 후 이용하였다.
본 연구에서는 산불위험지수의 과거 및 현재 정보와 미래 기상정보를 융합하여 우리나라를 대상으로 산불위험 중기예보 모델을 개발하였다. 인적발화가 주를 이루는 우리나라의 산불발생 특징을 이용하여 인적요소가 고려된 산불위험지수를 이용하였으며, 기타 환경요소(i.e., 가뭄지수, 고도, 산불다발지수)도 이용하여 랜덤포레스트 기반의 모델을 개발하였다. 효율적인 모델 개발을 위해 가뭄지수 및 과거 산불위험지수를 변형하며 세 가지 경우(Scheme 1: 과거 산불위험지수 및 가뭄지수, Scheme 2: 과거 산불위험지수, Scheme 3: 과거 산불위험지수 변화 추세 및 가뭄지수)로 모델을 개발하였다.
, 가뭄지수, 고도, 산불다발지수)도 이용하여 랜덤포레스트 기반의 모델을 개발하였다. 효율적인 모델 개발을 위해 가뭄지수 및 과거 산불위험지수를 변형하며 세 가지 경우(Scheme 1: 과거 산불위험지수 및 가뭄지수, Scheme 2: 과거 산불위험지수, Scheme 3: 과거 산불위험지수 변화 추세 및 가뭄지수)로 모델을 개발하였다. 상관계수 및 rRMSE 기반으로 개발된 모델은 모두 유의미한 정확도를 나타냈으며, 실제 산불 사건에 대해서도 좋은 결과를 나타냈다.

대상 데이터

본 연구에서는 산림청(www.forest.go.kr)에서 제공하는 임상도를 기준으로 우리나라의 전 산림 지역을 연구지역으로 선정하였다(Fig. 1).
산불위험은 기상상황에 따라 변할 수 있으므로, 산불위험예보 모델 개발에 있어서 기상예보자료의 사용은 필수적이다. 본 연구에서는 산불위험 중기예보에 적합한 예측기간을 가지는 Global Data Assimilation and Prediction System (GDAPS) 산출물을 사용하였다(Table 1). 기상청에서는 2016년 7월 1일부터 약 10 km의 해상도, 한시간 간격으로 최대 10일까지의 예보장을 제공하고 있다.

성능/효과

7), Scheme 3에 대해서는 6, 9, 8, 6, 10, 7, 9%를 나타냈다. 단기 예측에서는 실제 산불위험지수와 비슷한 수치를 나타내었으나, 예측기간이 길어짐에 따라 값의 차이가 증가하는 경향을 보였다. 이는 앞서 언급했듯이, 예보기간이 길어짐에 따라 기상예측 정확도 감소와 모델 자체의 오류로 인해 발생하는 문제이다.
산불위험 중기예보 모델은 산불위험지수의 현재 및 과거정보(7일)와 기존 연구에서 언급되었던 가뭄의 영향을 반영하는 것을 기본으로 개발되었다(Scheme 1, Table 2). 하지만, 많은 입력변수를 사용하여 미미한 정확도 개선은 모델의 실시간 훈련에 비효율적으로 작용할 수 있다.
효율적인 모델 개발을 위해 가뭄지수 및 과거 산불위험지수를 변형하며 세 가지 경우(Scheme 1: 과거 산불위험지수 및 가뭄지수, Scheme 2: 과거 산불위험지수, Scheme 3: 과거 산불위험지수 변화 추세 및 가뭄지수)로 모델을 개발하였다. 상관계수 및 rRMSE 기반으로 개발된 모델은 모두 유의미한 정확도를 나타냈으며, 실제 산불 사건에 대해서도 좋은 결과를 나타냈다.
rRMSE는 평균적으로 10% 정도를 나타내었으며 크게는 50%의 값을 나타내기도 했다. 예보 기간이 길어질수록 rRMSE의 값이 커졌으며 Scheme 3의 경우 예보기간에 상관없이 가장 큰 rRMSE를 나타냈다. 이는 예측하고자 하는 날의 산불위험 정도가 과거 7일 동안의 산불위험지수 추세와 상이함에 따른 결과라고 말할 수 있다.
8 이상의 값을 나타냈다. 예보 기간이 길어질수록 예보능력이 감소하는 것으로 나타났으며, 값의 범위가 점점 커지는 경향을 보였다(예보 기간이 길어질수록 상자 크기가 커지며, 범위 밖의 값 개수가 증가함). 이렇게 정확도가 감소하는 이유는 1) 모델 자체의 오류, 2) GDAPS의 예측능력이 예보 기간이 길어질수록 감소하는 것 때문으로 예상된다.
하지만, 본 연구에서 개발된 중기예보 모델은 일부 개선점이 필요하다. 첫째, 실제 산불 발생 건과 세 가지 Scheme에 따른 결과를 비교했을 때, 우수한 능력을 나타내는 Scheme이 상이하였다. 이는 과거 산불위험지수의 시계열 패턴과 미래 기상자료의 정확도에 따라 생기는 차이일 것으로 예상되며, 추후 Scheme의 앙상블 적용 혹은 입력변수의 조정 등을 통해 산불위험예보에 적합한 모델을 최종 선정할 수 있을 것으로 기대된다.

후속연구

첫째, 실제 산불 발생 건과 세 가지 Scheme에 따른 결과를 비교했을 때, 우수한 능력을 나타내는 Scheme이 상이하였다. 이는 과거 산불위험지수의 시계열 패턴과 미래 기상자료의 정확도에 따라 생기는 차이일 것으로 예상되며, 추후 Scheme의 앙상블 적용 혹은 입력변수의 조정 등을 통해 산불위험예보에 적합한 모델을 최종 선정할 수 있을 것으로 기대된다. 둘째, 예측된 산불위험지수의 낮은 해상도이다.
이러한 결과는 3월에 증가하는 산불위험 추세가 반영된 이유라고 추측할 수 있다. 추후, 각 Scheme의 결과를 분석하여 통합된 모델을 개발할 필요가 있다.
하지만, 본 연구에서 개발된 중기예보 모델은 일부 개선점이 필요하다. 첫째, 실제 산불 발생 건과 세 가지 Scheme에 따른 결과를 비교했을 때, 우수한 능력을 나타내는 Scheme이 상이하였다.

참고문헌 (17)

Abdollahi, M., T. Islam, A. Gupta, and Q. K. Hassan, 2018. An advanced forest fire danger forecasting system: Integration of remote sensing and historical sources of ignition data, Remote Sensing, 10(6):923. https://doi.org/10.3390/rs10060923

상세보기
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
Boychuk, D., C.B. McFayden, J. Evens, J. Shields, A. Stacey, D.G. Woolford, M. Wotton, D. Johnston, D. Leonard, and D. McLarty, 2020. Assembling and customizing multiple fire weather forecasts for burn probability and other fire management applications in Ontario, Canada, Fire, 3(2): 16. https://doi.org/10.3390/fire3020016

상세보기
Farfan, M., C. Dominguez, A. Espinoza, A. Jaramillo, C. Alcantara, V. Maldonado, I. Tovar, and A. Flamenco, 2021. Forest fire probability under ENSO conditions in a semi-arid region: a case study in Guanajuato, Environmental Monitoring and Assessment, 193(10): 1-14. https://doi.org/10.3390/fire3020016

상세보기
Gudmundsson, L., F.C. Rego, M. Rocha, and S. I. Seneviratne, 2014. Predicting above normal wildfire activity in southern Europe as a function of meteorological drought, Environmental Research Letters, 9(8): 084008. http://dx.doi.org/10.1088/1748-9326/9/8/084008

상세보기
Jolly, W.M., P.H. Freeborn, W.G. Page, and, B.W. Butler, 2019. Severe fire danger index: A forecastable metric to inform firefighter and community wildfire risk management, Fire, 2(3): 47. https://doi.org/10.3390/fire2030047

상세보기
Kang, Y.J., S.M. Park, E.N. Jang, J.H. Im, C.G. Kwon, and S.J. Lee, 2019. Spatio-temporal enhancement of forest fire risk index using weather forecast and satellite data in South Korea, Journal of the Korean Association of Geographic Information Studies, 22(4): 116-130 (in Korean with English abstract). https://doi.org/10.11108/kagis.2019.22.4.116

원문보기 상세보기
Kang, Y., E. Jang, J. Im, C. Kwon, and S. Kim, 2020. Developing a new hourly forest fire risk index based on catboost in South Korea, Applied Sciences, 10(22): 8213. https://doi.org/10.3390/app10228213

상세보기
Kim, S.J., C.H. Lim, G.S. Kim, J. Lee, T. Geiger, O. Rahmati, Y. Son, and W. K. Lee, 2019. Multitemporal analysis of forest fire probability using socio-economic and environmental variables, Remote Sensing, 11(1): 86. https://doi.org/10.3390/rs11010086

상세보기
Park, S., B. Son, J. Im, J. Lee, B. Lee, and C. Kwon, 2019. Development of satellite-based drought indices for assessing wildfire risk, Korean Journal of Remote Sensing, 35(6-3): 1285-1298 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.6.3.11

원문보기 상세보기
Pham, B.T., A. Jaafari, M. Avand, N. Al-Ansari, T. Dinh Du, H.P.H. Yen, T.V. Phong, D.H Nguyen, D. Mafi-Gholami, I. Prakash, H. Thi Thuy, and T.T. Tuyen, 2020. Performance evaluation of machine learning methods for forest fire modeling and prediction, Symmetry, 12(6): 1022. http://dx.doi.org/10.3390/sym12061022

상세보기
Preisler, H.K. and A.L. Westerling, 2007. Statistical model for forecasting monthly large wildfire events in western United States, Journal of Applied Meteorology and Climatology, 46(7): 1020-1030. https://doi.org/10.1175/JAM2513.1

상세보기
Sahoo, S., P.K. Gupta, and S.K. Srivastav, 2020. Intercalibration of DMSP-OLS and SNPP-VIIRSDNB annual nighttime light composites using machine learning, GIScience & Remote Sensing, 57(8): 1144-1165. https://doi.org/10.1080/15481603.2020.1848323

상세보기
Seong, N., M. Seo, K.-S. Lee, C. Lee, H. Kim, S. Choi, and K.-S. Han, 2015. A water stress evaluation over forest canopy using NDWI in Korean peninsula, Korean Journal of Remote Sensing, 31(2): 77-83 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.2.3

원문보기 상세보기
Sothe, C., C.M. De Almeida, M.B. Schimalski, L.E.C. La Rosa, J.D.B. Castro, R.Q. Feitosa, M. Dalponte, C.L. Lima, V. Liesenberg, G.T. Miyoshi, and A.M.G. Tommaselli, 2020. Comparative performance of convolutional neural network, weighted and conventional support vector machine and random forest for classifying tree species using hyperspectral and photogrammetric data, GIScience & Remote Sensing, 57(3): 369-394. https://doi.org/10.1080/15481603.2020.1712102

상세보기
Yan, W., J. Ren, J. Feng, Y. Duan, and C. Wei, 2022. A New Forest Fire Risk Rating Forecast Model Based on XGBoost, Proc. of 2022 International Seminar on Computer Science and Engineering Technology (SCSET), Indianapolis, IN, USA, Jan. 8-9, pp. 227-230. https://doi.org/10.1109/SCSET55041.2022.00060
Yarragunta, Y., S. Srivastava, D. Mitra, and H.C. Chandola, 2020. Influence of forest fire episodes on the distribution of gaseous air pollutants over Uttarakhand, India, GIScience & Remote Sensing, 57(2): 190-206. https://doi.org/10.1080/15481603.2020.1712100

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증