Harnessing Self-Supervised Deep Learning and Geostationary Remote Sensing for Advancing Wildfire and Associated Air Quality Monitoring: Improved Smoke and Fire Front Masking using GOES and TEMPO Radiance Data

기술 요약: 산불 및 대기질 모니터링을 위한 자기 지도 학습 기반 딥러닝과 정지 궤도 원격 탐사 활용

문제 정의
미국 서부 지역의 산불은 2000년 이후 빈도와 심각성이 증가해 왔으며, 이는 산불로 인한 대기 오염 물질을 모니터링하고 예측하는 데 상당한 과제를 안겨주고 있습니다. 주요 병목 현상은 위성 이미지에서 산불 연기와 구름을 구별하는 어려움입니다. 두 대상 모두 높은 반사율과 불투명도와 같은 유사한 특성을 보이기 때문에, 운영 알고리즘이 두꺼운 연기를 구름으로 오인하여 잘못 분류하는 경우가 빈번합니다. 이러한 오분류는 하류 제품(downstream products)에서 중요한 대기 조성 데이터(예: NO2, 에어로졸)가 필터링되어 제거되는 결과를 초래합니다.

TEMPO(Tropospheric Emissions: Monitoring of Pollution) 미션은 북미 전역에 대해 전례 없는 시간당 추적 가스 모니터링 능력을 제공하지만, 현재의 데이터 처리 방식은 구름 분율 임계값(예: 구름 분율 > 0.2인 경우 리트리벌을 필터링)에 의존합니다. 결과적으로, 산불 연기 내의 귀중한 데이터가 종종 폐기됩니다. 또한, 기존 지상 네트워크에는 공간적 공백이 존재하며, TROPOMI와 같은 저궤도(LEO) 위성은 일일 스냅샷만을 제공하므로 산불 배출 초기 몇 시간 동안 발생하는 급격한 화학적 변화를 놓치게 됩니다.

방법론
이러한 문제를 해결하기 위해 저자들은 혁신적인 자기 지도 학습 프레임워크인 SIT-FUSE(Segmentation, Instance Tracking, and data Fusion Using multi-SEnsor imagery)를 활용한 "산불 매핑 시스템"을 제안합니다.

• 자기 지도 학습(Self-Supervised Learning): 이 시스템은 레이블이 지정된 데이터셋이 제한적이거나 없는 도메인에서도 작동할 수 있도록 자기 지도 표현 학습을 활용합니다. 저자들은 2~3개의 층을 가진 심층 신뢰 네트워크(Deep Belief Networks, DBNs)를 채택하였는데, 이는 더 큰 모델들과 비교했을 때 약 200만 개의 파라미터라는 컴팩트한 파라미터 공간과 입증된 표현 능력을 갖추고 있기 때문입니다.
• 계층적 딥 클러스터링(Hierarchical Deep Clustering): 프레임워크는 계층적 트리 구조로 배열된 정보 불변 클러스터링(Information Invariant Clustering, IIC)을 사용합니다. 출력 헤드는 자식 노드가 부모 레이블 세트에 할당된 샘플만을 처리하도록 학습됩니다. 이를 통해 모든 픽셀에 대한 철저한 레이블링 없이도 다양한 수준의 구체성을 가진 장면 분할(scene segmentation)이 가능합니다.
• 전문가 참여형 레이블링(Expert-in-the-Loop Labeling): 지도 학습(supervised learning)처럼 100% 레이블링된 훈련 데이터를 요구하는 대신, 분야 전문가가 연기, 화재, 배경의 "확실성이 높은" 영역만을 레이블링합니다. 불확실한 경계 영역은 레이블링되지 않은 상태로 남습니다. 이 접근 방식은 분석의 엄밀성을 유지하면서도 사전 분석 노동을 줄여줍니다.
• 다중 센서 융합(Multi-Sensor Fusion): 시스템은 GOES-18(정지 궤도, 높은 시간 해상도)과 TEMPO(추적 가스 모니터링)로부터 데이터를 처리합니다. 이 별개의 파이프라인은 하위 시간 단위의 진행 맵을 생성하기 위해 통합되도록 설계되었습니다.
• 검증 지표(Validation Metrics): 직접적인 정답(ground truth)이 없고 경계 사례(예: 화선/fire fronts)의 본질적인 불확실성으로 인해, 전통적인 정밀도/재현율(precision/recall) 지표는 너무 가혹하다고 판단됩니다. 대신, 저자들은 운영 제품 및 수작업으로 레이블링된 고확실성 하위 집합에 대한 성능을 평가하기 위해 구조적 유사도 지수(SSIM)를 사용합니다.

주요 기여

1. 연기/구름 식별: GOES-18 및 TEMPO 복사도 데이터를 사용하여 구름으로부터 산불 연기를 성공적으로 구별하는 방법을 개발함으로써, 현재 운영 제품의 핵심적인 격차를 해결했습니다.
2. 데이터 복원: 산불 연기 내에서 데이터가 필터링되는 것을 방지하기 위해, 연기 마스크를 생성하여 누락된 대기 데이터(예: NO2 대류권 수직 칼럼)를 복원합니다.
3. 효율적인 딥 러닝 프레임워크: 전통적인 지도 또는 준지도 학습 방식보다 훨씬 적은 양의 레이블된 샘플로도 견고한 분할을 달enc하는 계층적 자기 지도 딥 러닝 시스템(SIT-FUSE)을 입증했습니다.
4. 다중 모드 일치(Multi-Modal Agreement): 서로 다른 감지 모드(GOES 및 TEMPO)로부터 생성된 연기 및 화선 마스크가 강한 일치성을 보임을 입증하여, 더욱 세밀한 모니터링을 위한 데이터 스트림 융합을 가능하게 했습니다.

결과
시스템은 2024년 7월 26일 캘리포니아의 Park Fire를 사례 연구로 사용하여 테스트되었습니다.

• 시각적 검증: 시스템은 GOES-18 RGB 이미지의 시각적 증거와 일치하는 연기 마스크(파란색)와 화선 마스크(빨간색)를 성공적으로 생성하였으며, 이는 기존 TEMPO NO2 제품에서 데이터 필터링을 유발했던 연기 플룸을 효과적으로 식별해 냈습니다.
• 정량적 성능: 학습 과정에서 보지 못한 5일간의 700만 개 이상의 픽셀로 구성된 검증 세트에서:
  • 운영 중인 VIIRS 및 GO-ES 제품(해당 제품이 잘 작동하는 경우)과 비교했을 때, 시스템은 연기에 대해 0.86, 화재에 대해 0.71의 SSIM을 달성했습니다.
  • 수작업으로 레이블링된 고확실성 픽셀과 비교했을 때, 시스템은 연기에 대해 0.83, 화재에 대해 0.70의 SSIM을 달성했습니다.
• 운영 개선: 결과는 두꺼운 연기가 구름으로 오인되어 대기 조성 데이터 추출을 방해했던 시나리오에서 기존 운영 제품보다 유의미한 개선을 보여주며, 이를 통해 이전에 제외되었던 영역에서의 대기 성분 리트리벌을 가능하게 합니다.

의의 및 주장
본 논문은 TEMPO의 시간당 데이터 역량과 자기 지도 딥 러닝의 발전을 활용하여 미국 서부의 산불 및 대기질 관리를 변화시키는 단계로 나아가는 작업이라고 주장합니다.

• 재난 대응: 생성된 제품은 FEMA와 같은 기관이 적시에 정확한 산불 감시 및 대기질 경보를 발행할 수 있도록 하여, 취약한 지역 사회의 생명과 재산을 보호하는 데 기여할 수 있는 위치에 있습니다.
• 데이터 통합: 생성된 마스크와 진행 맵은 JPL(Jet Propulsion Laboratory)의 Fire Alarm 및 Pyrecast와 같은 지구 시스템 디지털 트윈 및 모델링 플랫폼에 통합되도록 설계되었습니다.
• 미래 활용성: 저자들은 이러한 세밀한 데이터셋이 단기 화재 및 연기 예보뿐만 아니라, 화재, 연기 피해 및 대기질에 관한 미래 위험 평가 및 영향 평가에 활용될 수 있다고 언급합니다.
• 과학적 탐구: 중간 단계의 분할 하위 집합을 통해 분야 전문가는 특정 하위 클래스와 상관관계가 있는 파라미터화 및 특징을 공동 탐색할 수 있으며, 이는 향후 연구를 위한 더 풍부한 분석 영역을 제공합니다.

저자들은 본 시스템이 운영 제품을 개선하기는 하지만, 직접적인 정답이 없는 도메인에서 작동하고 있으며, 글로벌 운영 생산을 위한 인코더 복잡도 최적화에 추가적인 작업이 필요함을 인정하며 겸허한 입장을 유지하고 있습니다.