부산대학교 도서관

산불 피해지 탐지는 산림관리와 복구전략 수립에 있어 핵심적인 역할을 한다. 본 연구는 딥러닝 Swin (shifted windows) Transformer 모델을 활용하여 PlanetScope와 Sentinel-2 고해상도 위성 영상을 융합함으로써 산불 피해지 탐지 성능을 효과적으로 향상시킬 수 있음을 보여주었다. 한국에서 발생한 대형산불 5개 지역을 대상으로 5-fold 교차검증을 수행하여, 각 지역별로 독립적인 탐지 성능을 도출함으로써 모델의 신뢰성과 일반화를 평가하였다. 기존의 기하학적 증강기법과 AugMix 기법의 성능비교 결과, AugMix는 평균 F1-score 76.48로 기존 증강기법보다 일관되고 향상된 성능을 보였다. 또한, Sentinel-2 데이터를 추가한 모델은 지역별 평균 F1-score 81.06을 달성하며 탐지 정확도와 피해지역 성능이 개선되었음을 확인하였다. 이는 두 데이터셋의 상호 보완적인 공간적·분광적 정보를 융합하여 더 높은 정확도와 정밀도로 산불 피해지를 탐지할 수 있음을 보여주며, PlanetScope와 Sentinel-2 데이터 간 높은 상관계수는 다종위성 융합 접근법의 효과적인 활용가능성을 뒷받침한다. 본 연구는 지역별 독립적 평가를 통해 다종위성 영상을 활용한 접근법이 산불 피해지 탐지의 정밀성과 신뢰성을 높일 수 있는 가능성을 제시한다.
Wildfire damage detection has a pivotal role in forest management and recovery strategy planning. This study demonstrates that the use of a deep learning Swin (shifted windows) Transformer model, by integrating high-resolution PlanetScope and Sentinel-2 satellite imagery, can effectively enhance wildfire damage detection performance. A 5-fold cross-validation was conducted on five major wildfire areas in South Korea, with independent detection performance evaluated for each region to assess the model’s reliability and generalization. The comparison between traditional geometric augmentation methods and the AugMix method showed that AugMix resulted in a more consistent and improved performance, achieving an average F1-score of 76.48. Furthermore, the model incorporating Sentinel-2 data achieved an average F1-score of 81.06 across regions, confirming an improvement in detection accuracy and performance in identifying burned areas. This demonstrates that combining the complementary spatial and spectral information from both datasets allows for higher accuracy and precision in detecting wildfire damage. The high correlation coefficients between PlanetScope and Sentinel-2 data support the effective potential of multi-satellite fusion approaches. This study suggests that the use of multi-satellite imagery, through independent regional evaluation, can enhance the precision and reliability of wildfire damage detection.