인공지능으로 예측하는 산불 위험
뉴스 스크랩
기사 제목: 기후변화에 따른 대형 산불 위험도, 인공지능 모델로 1주일 전에 예측한다!
기사 링크:https://www.aitimes.kr/news/articleView.html?idxno=26298
기후변화로 인해 전세계적으로 대형 산불 발생 빈도가 잦아지는 상황에서, 산불기상지수(Fire Weather Index)의 정확한 측정을 통한 위험 예측 시스템을 구축하는 것의 중요성이 높아지고 있다. '산불기상지수(FWI)'란 산불 발생에 최적인 기상 조건을 나타내는 지수이다. 지표면 근처의 온도·습도·바람·누적 강수량을 이용해 계산되며, 지수가 높을수록 산불 발생, 특히 대형 산불 발생의 위험이 높음을 의미한다. 산불 예측의 ‘정확도’는 과거 관측을 기반으로 계산된 산불기상지수와, 예측된 기상 조건으로 계산된 산불기상지수의 편차로 정의된다.
현재까지 산불 예측은 산불 발생 및 발달의 비규칙성과 예측모델의 한계 때문에 제한적인 규모와 지역에서만 시도되고 있었고, 기존 연구의 날씨예측모델은 100km 수준의 수평해상도로 생산되어 이에 따른 모델의 오차 때문에 산불 날씨의 정확도가 낮은 상황이었다. 여기에, 한국과 미국 공동연구팀이 인공지능 예측 모델을 활용해 대형 산불 발생 가능성이 높은 기상 조건을 최대 1주일 전에 미리 예측해 산불 위험도를 알려주는 혁신적인 AI 모델을 개발했다.
지스트(광주과학기술원, 총장 김기선) 지구·환경공학부 윤진호 교수는 美 퍼시픽 노스웨스트 국립연구소(미국 에너지부 산하 국립연구소) 등 국제 공동 연구팀과 함께 날씨예측모델로 얻은 기상인자(기온, 습도, 강수, 바람 등)를 이용해 계산한 산불기상지수의 예측 능력을 인공지능(AI) 딥러닝 기법으로 향상시키고 고해상도(수평해상도 4㎞)의 산불 위험도 예측자료를 생산하는 인공지능 모델을 개발했다. 특히, 연구팀이 개발한 예측 모델에서는 산불 위험도 산출을 위한 날씨예측모델의 수평해상도가 기존 100㎞에서 4㎞로 확대돼 보다 세밀한 행정구역 단위로 예측 정보를 생산할 수 있게 됐다.
연구팀은 2011~2017년의 기상예측모델 결과와 고해상도 관측기상자료를 활용해 모델을 개발하였고, 개발한 기법의 예측 성능을 2018년 8월과 11월 미국 캘리포니아 주에서 발생한 초대형 산불인 ‘맨도치노 콤플렉스(Mendocino Complex)’ 산불과 ‘캠프파이어(Camp Fire)’ 산불 당시의 데이터를 이용해 분석했다. 그 결과, 실제 산불 발생일로부터 최대 7일 전부터 산불 위험도가 급속도로 상승하는 패턴을 예측할 수 있는 것으로 나타났다. 연구팀의 AI 융합 예측 모델은 높은 정확도와 더불어 짧은 시간 내에 예측 지역의 '수평해상도'를 4㎞까지 확대할 수 있도록 개발됐다.
예를 들어, 100㎞ 수준의 정보로는 광주·전남 전체 지역에 대한 예보정보가 생산 가능하다면, 4㎞일 때는 좀 더 세밀한 지역 행정 단위, 가령 특정 동(洞) 단위까지 예측할 수 있다. 또한 연구팀은 이미지 처리에 많이 사용되는 '단일 이미지 – 초고해상도Single Image – Super Resolution, SISR)' 기법을 활용해 빠른 처리 속도와 우수한 성능을 확인했다.
윤진호 교수는 “이번 연구에 적용된 방법은 전 세계 어떤 지역에서도 유사한 방식으로 산불 위험을 예측하는 모델을 개발하는 것이 가능하다”며 “다른 이상기후와 자연재해를 예측하는 시스템에도 적용해 볼 수 있어 다양한 분야에서 응용연구와 예측 시스템 발전에 기여할 수 있을 것으로 기대한다"고 말했다
핵심 기술 및 비즈니스 소개
SISR 기법: 단일 이미지 – 초고해상도Single Image – Super Resolution, SISR)
SISR 기법은 최근 휴대폰의 앱에서 예전 저화질의 사진을 고화질의 사진으로 복원하는 방법이 대부분 SISR 기법을 사용하고 있다. 즉, 다양한 이미지로 학습시켜 사진의 해상도를 높여주는 방법을 말한다.
Image Super Resolution(이하 SR)은 저해상도(Low Resolution) 이미지를 고해상도 이미지(High Resolution) 이미지로 변환 시키는 문제를 의미한다.
이미지 SR은 이미지 하나 또는 여러 이미지 사용에 따라 Single Image Super Resolution(SISR), Multi Image Super Resolution(MISR)로 나뉘기도 한다.
하나의 저해상도 이미지를 고해상도 이미지로 만드는데 다양한 경우의 수가 있다는 것이 SR의 특징이다. 그래서 정의할 수 없는 문제를 의미하며, 이 문제를 Regular Inverse Problem 또는 ill-posed (inverse) problem이라 부른다.
이러한 어려움을 극복하기 위해 사용하고 있는 학습 방법은 고해상도 타겟 이미지를 Ground Truth(GT)로 정의하고, 이를 Low Resolution image로 만들기 위해 blurring, down sampling, noise 주입 등을 거쳐 저해상도 이미지를 만든다. 그 뒤 다양한 방법을 통해 저해상도 이미지를 GT로 복원시키도록 모델을 학습시키는 구조이다. 저해상도 이미지를 만들 때 사용한 distortion, down sampling 기법이 무엇이었는지에 따라 Super Resolution 성능이 달라지기도 합니다.
시사점 및 인사이트
영상이나 사진을 고화질로 변환하는 기술에 대해서는 들어본 적이 있었지만, 이를 안전 강화를 위한 학습 모델에 이용할 수 있다는 생각을 해보지 않아 신선했다. 이러한 모델을 통해 안전 사각지대 혹은 고위험 지역의 안전관리가 이전보다 발전된 형태가 될 수 있을 것이라는 인사이트를 얻을 수 있었다.
같이 생각해 볼 만한 논점
SISR 모델이 적용될 수 있는 다른 분야에는 어떤 것이 있을까?
