기술 요약: 공공 환경 데이터를 활용한 전국 단위 산불 초기 공격 실패 예측을 위한 벤치마크

문제 정의

초기 공격(Initial Attack, IA) 단계는 화재 발견 직후 소방 자원이 산불을 저지하기 위해 시도하는 결정적인 시기입니다. 소방 기관들은 보고된 화재가 초기 대응으로 제어될 수 있을지, 아니면 조기에 통제를 벗어날지를 결정해야 하는 트리아지(triage, 우선순위 결정) 문제에 직면해 있습니다. 이러한 위험을 과소평가하면 대응 지연으로 이어져, 결과적으로 더 크고 비용이 많이 들며 위험한 진압 작업이 초래됩니다.

기존의 IA 실패 예측 연구는 두 가지 주요 장벽에 부딪혀 왔습니다:

1. 데이터 가용성: 많은 연구가 비공개 운영 기록(예: 출동 시간, 투입 인력 규모, 자원 로그)에 의존하고 있는데, 이러한 데이터는 화재 발견 시점이나 공공 국가 데이터베이스에서는 이용할 수 없습니다.
2. 표준화 부족: 평가 방식이 지역 또는 기관별로 상이하며, 일관되지 않은 레이블, 대응 표준 및 평가 프로토콜을 사용하기 때문에 연구 간 비교가 불가능합니다.

결과적으로, 화재 발견 시점에 이용 가능한 공공 환경 데이터가 전국 규모의 IA 실패 예측을 얼마나 잘 지원할 수 있는지, 어떤 데이터 소스가 중복되지 않는 신호를 제공하는지, 그리고 어떤 모델이 통일된 프로토콜 하에서 신뢰할 수 있는지가 불분명한 상태입니다.

방법론: WILDFIREIA 벤치마크

저자들은 오직 화재 발견 시점에 이용 가능한 공공 데이터만을 사용하여 IA 실패를 예측하기 위한 최초의 미국 규모 국가 단위 벤치마크인 WILDFIREIA를 소개합니다.

1. 데이터 구축 및 정렬

본 벤치마크는 FPA-FOD(Fire Program Analysis - Fire Occurrence Database)의 38,128건의 자연 발생 산불 이벤트를 다음 다섯 가지 범주의 공공 환경 데이터와 정렬합니다:

• 이벤트 백본(Event Backbone): 발견 시간, 위치, 최종 크기를 제공하는 FPA-FOD 기록 (2016–2020).
• 발견 당일 화재 신호(Discovery-Day Fire Signal): 발견 당일에만 매칭된 FIRMS/VIIRS 열 감지 데이터 (375m 해상도).
• 기상 및 화재 위험: 온도, 습도, 풍속 및 화재 위험 지수를 포함하여 발견 당일까지의 데이터를 커버하는 gridMET 데이터 (약 4km 해상도).
• 정적 경관 맥락(Static Landscape Context): 식생, 연료, 지형을 위한 LANDFIRE 데이터 (30m 해상도).
• 접근성 및 인구: OpenStreetMap(도로 밀도, 소방서 근접성) 및 WorldPop(인구 밀도).

2. 누수 제어 및 작업 정의

공정하고 재현 가능한 평가를 보장하기 위해, WILDFIREIA는 엄격한 누수 제어 규칙을 적용합니다:

• 이벤트 단위: 샘플 단위는 위성 감지가 아닌 보고된 산불 이벤트 자체입니다.
• 레이블 구축: IA 실패는 50ha 이상의 화재에 대해 이진 레이블($y_i=1$)로, 10ha 이하의 화재에 대해 성공($y_i=0$)으로 정의합니다. 모호성을 줄이기 위해 중간 크기(10–50ha)는 제외합니다.
• 금지된 특징(Forbidden Features): 최종 화재 크기, 봉쇄 타임스탬프, 발견 후의 위성 감지, 그리고 모든 운영 변수(예: 투입 인력 규모)는 모델 입력에서 엄격히 제외됩니다.
• 시계열 분할(Temporal Split): 연대순 분할을 사용합니다: 2016–2018년 학습, 2019년 검증, 2020년 테스트.

3. 평가 프로토콜

본 벤치마크는 네 가지 계열의 16개 대표 모델을 평가합니다:

• 표형 데이터(Tabular): 로지스틱 회귀, XGBoost, MLP.
• 시계열 데이터(Temporal): GRU, TCN, Transformer (기상 이력 처리).
• 공간 데이터(Spatial): ResNet-UNet, Swin-UNet, SegFormer (경관 패치 처리).
• 시공간 데이터(Spatiotemporal): ConvLSTM, ConvGRU, ResNet3D, PredRNN-V2, UTAE, SwinLSTM.

모델은 다섯 가지 특정 연구 질문(RQ)에 대해 테스트됩니다:

1. 전체 소스 예측 가능성: 공공 데이터가 IA 실패를 예측할 수 있는가?
2. 소스의 필요성: 어떤 소스가 중복되지 않는가?
3. 정적 소스의 가치: 동적 관측값이 없을 때 정적 데이터의 가치는 무엇인가?
4. 기상 이력의 충분성: 기상 이력은 며칠 분량이 필요한가?
5. 봉쇄 지속 시간 신호: 발견 시점의 데이터가 봉쇄 지속 시간을 예측할 수 있는가? (보조 작업)

주요 결과

1. 예측 가능성 및 모델 성능

• 공공 데이터는 유용하지만 불완전한 신호를 제공함: 모든 모델 계열이 사소한 베이스라인보다 우수한 성능을 보여, IA 실패가 공공 발견 시점 데이터로부터 예측 가능하다는 것을 확인했습니다.
• 최고 성능 모델: XGBoost가 **AUPRC 53.3%**로 가장 높은 성능을 달성하여 복잡한 시공간 딥러닝 모델들을 앞질렀습니다. 이는 이 작업이 밀집된 공간 예측 작업보다는 이벤트 수준의 위험 예측 문제로서 작동함을 시사합니다.
• 재현율(Recall)의 한계: 최적의 모델조차 Recall@5%가 약 38%에 불-과하여, 공공 발견 시점의 입력값만으로는 진압 결과를 완전히 결정할 수 없음을 나타냅니다.

2. 소스 필요성 (Ablation Studies)

• FIRMS/VIIRS는 가장 중복성이 낮은 소스임: 발견 당일의 열 신호를 제거했을 때 모든 모델에서 가장 큰 성능 저하가 발생했습니다.
• 연료(Fuel)는 가장 강력한 정적 백업임: 동적 관측값(기상 및 위성)이 없는 경우, 연료 데이터가 정적 소스 중 가장 강력한 예측 신호를 제공했습니다.
• 중복성: 전체 소스 입력(FIRMS 및 기상 포함)이 있을 때 식생, 지형, 접근성 및 인구 데이터는 미미하거나 약간 부정적인 기여를 보였으며, 이는 해당 신호들이 다른 소스에 의해 부분적으로 커버됨을 시사합니다.

3. 기상 이력 및 정적 가치

• 기상 이력: 긴 기상 이력(3–5일)이 짧은 기간(1–2일)보다 예측 성능을 일관되게 향상시키지는 않았습니다. 가장 유용한 신호는 발견 시점에 집중되어 있습니다.
• 정적 소스: 정적 소스(특히 연료)는 메타데이터 전용 베이스라인보다 예측력을 높이지만, 현재의 화재 신호나 발견 직전의 기상 데이터를 대체하기에는 불충분합니다.

4. 봉쇄 지속 시간

• 봉쇄 지속 시간을 예측하는 보조 작업은 낮은 $R^2$ 값(~0.18)을 기록했습니다. 이는 발견 이후의 요인들(전술, 자원 가용성, 기상 변화 등)이 지속 시간 결과에 지배적인 영향을 미치며, 발견 시점의 공공 데이터로는 이를 포착할 수 없음을 의미합니다.

의의 및 기여

본 논문은 다음과 같은 기여를 주장합니다:

1. 최초의 미국 전국 단위 벤치마크: WILDFIREIA는 IA 실패 예측을 고정된 규칙을 가진 이벤트 수준의 작업으로 표준화하여, 다양한 모델 계열과 데이터 소스 간의 재현 가능한 비교를 가능하게 합니다.
2. 누수 제어 인프라: 모델이 실제 화재 발견 시점에 이용 가능한 정보만을 바탕으로 평가되도록, 결과로부터 도출된 정보를 엄격히 배제한 다중 소스 데이터 파이프라인을 제공합니다.
3. 포괄적인 베이스라인 세트: 표형, 시계열, 공간 및 시공간 패러다임에 걸친 16개 모델을 평가함으로써 미래 연구를 위한 성능 참조점을 구축합니다.
4. 경험적 통찰: 공공 데이터 소스의 구체적인 가치(FIRMS/VIIRS 및 연료 강조)를 명확히 하고, 발견 전 환경 변수만을 사용하여 진압 결과를 예측하는 것의 한계를 입증합니다.

저자들은 공공 데이터가 유의미한 조기 위험 신호를 제공할 수는 있지만, 진압 결과를 완전히 결정하지는 못한다는 점을 강조하며, 본 벤치마크가 정밀한 봉쇄 지속 시간 예측보다는 **조기 이벤트 수준의 트리아지(우선순위 결정)**에 가장 적합하다고 밝힙了. 연구의 재현성을 지원하기 위해 코드와 데이터 캐시가 공개되었습니다.