딥러닝을 활용한 산불 이미지 생성 모델 설계
Design of Forest Fire Image Generation Model Using Deep Learning
초록/요약
국내의 강원지역, 경상지역 등 대형 산불의 지속적인 발생으로 인명 및 재산 피해, 특히 산림의 피해가 꾸준히 발생하고 있다. 화산 분화 관련해서는 2000년대에 백두산의 호수인 천지(칼데라) 지역에 헬륨()과 수소() 등 가스의 방출이 큰 폭으로 증가하는 등 화산 분화 가능성이 증대되고 있다. 국내의 휴화산은 언제라도 분화할 수 있다는 가능성이 존재하고 있다. 이에 산불 및 화산 분화 시 화염원에서 발생하는 적외선 신호의 원리에 대해 연구하였다. 또한, 대형 산불 및 화산 분화시 이미지 분석을 위해 KOMPSAT(Korea Multi-Purpose SATellite)-3A, Sentinel-2A, Google EARTH, Chullian-2A 등 위성 이미지를 활용하였다. 산불이나 화산 분화 분석을 위한 광학이나 적외선 위성 영상 이미지는 데이터 세트의 양이 부족하다는 점을 확인할 수 있다. 이는 산불 및 화산 분화 이미지 분석 등 각종 목적에 적합한 영상을 얻기 어렵다는 것이다. 이러한 제한사항은 딥러닝을 이용해 부족한 데이터 세트 문제점을 보완할 수 있다. 딥러닝은 대량의 데이터를 처리하여 원하는 연구를 수행할 수 있으며 다양한 분야에서 활용되고 있다. 딥러닝을 사용하여 산불 및 화산 분화 이미지 분석에 활용할 수 있는 CycleGAN(Cycle Generative Adversarial Network)을 활용한 산불 이미지 생성 모델을 구축한다. CycleGAN은 페어링되지 않은 데이터 세트를 이용하여 이미지를 생성하는 방법이다. 원본 광학이나 적외선 이미지와 유사한 이미지를 생성할 수 있어 산불 이미지 분석에 활용할 수 있다. 시뮬레이션 결과 CycleGAN을 활용한 원본 이미지와 유사한 강릉지역의 산불 이미지를 생성할 수 있었다. 산불 이미지 생성 모델의 정밀도를 비교하기 위해 평가지표를 이용하여 양적 분석을 수행하였으며 생성된 산불 이미지는 실제 산불 이미지와 유사하다는 것을 확인할 수 있었다. 평가지표인 SSIM(Structural Similarity Index Measure)과 PSNR(Peak Signal-to-Noise Ratio)를 이용한 정밀도를 측정한 결과 생성된 산불 이미지는 원본 적외선 이미지의 특징을 유지하며 원본 광학 이미지의 색상을 적용하여 생성되어 원본 이미지와 유사한 형태를 보이고 있었다. 또한, 강원 및 경상지역 산불 전·후 적외선 이미지를 활용하여 산림 소실률과 피해 면적을 산출하였다. 전체 이미지의 픽셀 개수와 산림 픽셀 개수를 이용하여 산불 이전과 이후의 산림 소실률, 피해 면적 비율을 계산하였다. 산림 소실률은 화재의 집중에 따라 상이한 모습을 보여주었고, 피해 면적 비율은 유사한 형태를 보여주었다.
more목차
제 1장 서 론 1
제 1절 동기와 기여 1
제 2절 구성 2
제 2장 산불 및 화산 분화 관련 연구 3
제 1절 산불 3
1. 우리나라의 산불 발생 3
제 2절 화산 분화 5
1. 세계의 주요 화산 분화 5
2. 한반도의 화산 분화 9
3. 화산 분화 용어 12
제 3절 산불 및 화산 분화 탐지의 기술적 원리 15
1. 신호 탐지의 기술적 원리 15
2. 신호의 성분 18
3. 신호의 대기 특성 19
4. 배경 잡음신호 20
제 4절 산불 및 화산 분화 탐지 23
1. 활용 위성 23
2. 위성영상정보 용어 정의 27
3. 산불 피해 용어 정의 34
4. 산불 및 화산 분화 위성 영상 37
제 3장 GAN 관련 연구 44
제 1절 GAN 44
제 2절 이미지 필터 50
제 3절 Sentinel-2 위성 위성 처리 52
제 4절 SNAP의 처리 과정 56
제 4장 산불 이미지 생성 모델 구축 57
제 1절 모델 구축 57
제 2절 모델 환경 63
제 3절 평가지표 66
제 5장 시뮬레이션 결과 67
제 1절 원본 이미지와 생성 이미지 67
제 2절 산림 소실률 분석 69
제 6장 결 론 71
참고문헌 73
