변화를 증폭시키다: 다중 해상도, 다중 소스 위성 이미지를 이용한 빠른 산불 피해 지역 지도 작성

Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery

위성 이미지를 사용하여 산불 피해 지역을 파악하는 것은 전자기 스펙트럼 전반에 걸쳐 불규칙하고 공간적으로 이질적인 스펙트럼 변화로 인해 여전히 어려운 과제입니다. 최근 딥러닝 방법은 고해상도 다중 스펙트럼 데이터가 있는 경우 높은 정확도를 달성하지만, 산불 발생 직후 신속하게 피해 지역을 파악해야 하는 운영 환경에서 현재 위성 시스템의 공간 해상도와 시간 재방문 빈도 간의 상충 관계 때문에 적용이 제한됩니다. 이러한 제한 사항을 해결하기 위해, 저희는 BAM-MRCD라는 새로운 딥러닝 모델을 제안합니다. 이 모델은 MODIS 및 Sentinel-2를 포함한 다중 해상도, 다중 소스 위성 이미지를 활용하여 높은 공간 및 시간 해상도를 갖는 상세한 산불 피해 지역 지도를 신속하게 생성합니다. 저희 모델은 작은 규모의 산불까지 높은 정확도로 탐지하며, 유사한 변화 감지 모델 및 기존 모델보다 우수한 성능을 보입니다. 모든 데이터 및 코드는 GitHub 저장소에서 확인할 수 있습니다: https://github.com/Orion-AI-Lab/BAM-MRCD.

Delineating wildfire affected areas using satellite imagery remains challenging due to irregular and spatially heterogeneous spectral changes across the electromagnetic spectrum. While recent deep learning approaches achieve high accuracy when high-resolution multispectral data are available, their applicability in operational settings, where a quick delineation of the burn scar shortly after a wildfire incident is required, is limited by the trade-off between spatial resolution and temporal revisit frequency of current satellite systems. To address this limitation, we propose a novel deep learning model, namely BAM-MRCD, which employs multi-resolution, multi-source satellite imagery (MODIS and Sentinel-2) for the timely production of detailed burnt area maps with high spatial and temporal resolution. Our model manages to detect even small scale wildfires with high accuracy, surpassing similar change detection models as well as solid baselines. All data and code are available in the GitHub repository: https://github.com/Orion-AI-Lab/BAM-MRCD.