KR20240007883A - Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치 - Google Patents

Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치 Download PDF

Info

Publication number
KR20240007883A
KR20240007883A KR1020230088436A KR20230088436A KR20240007883A KR 20240007883 A KR20240007883 A KR 20240007883A KR 1020230088436 A KR1020230088436 A KR 1020230088436A KR 20230088436 A KR20230088436 A KR 20230088436A KR 20240007883 A KR20240007883 A KR 20240007883A
Authority
KR
South Korea
Prior art keywords
forest fire
prediction
forest
identification model
object identification
Prior art date
Application number
KR1020230088436A
Other languages
English (en)
Inventor
박성건
강수형
박지영
Original Assignee
주식회사 데이터쿡
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 데이터쿡 filed Critical 주식회사 데이터쿡
Publication of KR20240007883A publication Critical patent/KR20240007883A/ko

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G06V10/85—Markov-related models; Markov random fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
    • G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Mathematical Analysis (AREA)
  • Electromagnetism (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)

Abstract

AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법 및 장치가 개시된다. 상기 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치는, 다수의 지역들 각각에 대응하는 영상 정보와 기상 정보를 수집하는 데이터 수집부; 수집된 상기 영상 정보와 상기 기상 정보를 기반으로 산불 예측 지역에 대응하는 독립 변수들을 결정하는 데이터 전처리부; 결정된 상기 독립 변수들을 미리 구성된 기계학습 기반의 산불 발생 예측 모델에 입력하여 상기 산불 예측 지역에서의 산불 발생 가능성을 예측하는 산불 발생 예측부; 및 상기 산불 예측 지역에서의 산불 발생 가능성을 기반으로 산불 위험도를 결정하고, 결정된 산불 위험도를 표시하는 산불 위험 표시부;를 포함한다.

Description

AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING FOREST FIRES COMBINING HETEROGENEOUS DATA USING AI-BASED OBJECT IDENTIFICATION MODEL}
본 발명은 산불 예측 기술에 관한 것으로, 더욱 상세하게는 AI 기반 객체 식별 모델을 이용하여 서로 다른 형태의 이종 데이터를 기초로 산불을 예측하기 위한 방법 및 장치에 관한 것이다.
우리나라는 국토 내에서 산림이 차지하는 비율이 60%가 넘는 산악 지형 국가로서, 매년 주기적으로 산불이 발생하고 있고, 이렇게 발생하는 산불들 중 일부는 대형 산불로 이어져 방대한 지역의 산림 훼손과 재산적, 환경적 피해를 야기하고 있다.
산불은 인간의 인위적 활동(예를 들어, 담뱃불, 논이나 밭 등의 소각, 산림에서의 화기구 사용)으로 인해 발생하는 경우도 있고, 번개나 낙뢰 또는 건조한 지형에서 발화 물질의 자연발화 등과 같은 자연환경적 요인이 존재한다.
특히, 최근에는 기후변화의 영향으로 인하여 평균 온도가 상승하고 있고, 장기간의 건조한 기상 환경이 지속되는 일이 잦아지고 있어, 산불로 이어질 수 있는 환경적 요인도 증가하고 있다.
산불은, 기온이나 상대습도 등과 같은 기상조건의 변화에 따라 산불 발생 가능성이 달라진다는 것은 자명하지만, 정확한 기상인자와 산불 발생 사이에 인과관계를 예측하기 위한 산불 예측 모델에 대한 연구는 다소 미진한 실정이다.
종래의 산불 예측 모델의 경우, 알려진 기상 인자들인 기온, 상대습도, 강수량, 풍속만을 측정하고, 측정된 기상 인자들과 산불 발생 여부 사이에 인과관계를 추정하는 예측 모델을 구성하는 것이 일반적이지만, 이는 기상환경과 산불 발생 여부를 기계적으로 추론한 것에 그치기 때문에 예측 정밀도가 떨어지는 문제점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법 및 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 측면은, AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법 및 장치를 제공한다.
상기 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치는, 다수의 지역들 각각에 대응하는 영상 정보와 기상 정보를 수집하는 데이터 수집부; 수집된 상기 영상 정보와 상기 기상 정보를 기반으로 산불 예측 지역에 대응하는 독립 변수들을 결정하는 데이터 전처리부; 결정된 상기 독립 변수들을 미리 구성된 기계학습 기반의 산불 발생 예측 모델에 입력하여 상기 산불 예측 지역에서의 산불 발생 가능성을 예측하는 산불 발생 예측부; 및 상기 산불 예측 지역에서의 산불 발생 가능성을 기반으로 산불 위험도를 결정하고, 결정된 산불 위험도를 표시하는 산불 위험 표시부;를 포함한다.
상기 데이터 전처리부는, 상기 영상 정보에 포함된 복수의 이미지들 각각을 미리 지도학습된 CNN(convolutional neural network) 기반의 인공신경망인 AI 객체 식별 모델에 입력하고, 상기 AI 객체 분류 모델의 출력으로 상기 복수의 이미지들 각각에 포함된 민가 건물, 경작지, 및 도로를 식별한다.
상기 데이터 전처리부는, 식별된 상기 민가 건물, 상기 경작지, 및 상기 도로에 대한 라벨링을 상기 복수의 이미지들 각각에 대해 수행하여 제1 라벨링 정보를 생성하고, 생성된 상기 제1 라벨링 정보를 기반으로 상기 이미지들 각각에서 민가 건물의 존재 여부, 단위면적당 민가 건물의 수, 민가 건물과 인접한 영역에 경작지의 존재 여부, 및 민가 건물과 도로 사이의 거리를 결정한다.
상기 데이터 전처리부는, 상기 기상 정보를 이용하여 산불 연료지수를 산출하고, 산출된 상기 산불 연료지수를 가공하여 제1 독립변수를 결정하고,
상기 제1 라벨링 정보를 이용하여, 상기 산불 예측 지역에서 민가 건물이 있다면 1이고 없다면 0으로 설정되는 제2 독립변수, 민가 건물과 인접한 지역에 경작지가 있다면 1, 아니라면 0으로 설정되는 제3 독립변수, 민가 건물로부터 도로까지의 거리가 0~10m이면 0, 10~20m이면 1, 20~30m이면 2, 30~40m이면 3, 40~50m이면 4, 50m 이상이면 5으로 설정되는 제4 독립변수, 상기 산불 예측 지역의 방향에 따라 사면정보로 북쪽을 기준으로 북 0, 북동 1, 동 2, 동남 3, 남 4, 남서 5, 서 6, 북서 7로 설정되는 제5 독립변수, 상기 산불 예측 지역의 고도에 따라 0~200m이면 0, 200~400m이면 1, 400~600m이면 2, 700~900m이면 3, 1,000m이면 4로 설정되는 제6 독립변수를 결정한다.
상기 산불 예측 모델은 로지스틱 회귀분석 모델를 포함하되, 랜덤 포레스트(Random Forest), 마코브 체인(Markov chain), 및 서포트 벡터 머신(Support vector machine, SVM) 중 적어도 하나를 더 포함한다.
상기 산불 발생 예측부는, 상기 로지스틱 회귀분석 모델을 이용하여 상기 독립 변수들 각각에 대응하는 가중치값들을 적용함으로써 산불 발생 가능성을 나타내는 확률을 지시하는 산불 발생 인덱스를 결정한다.
상기 산불 위험 표시부는, GIS(Geographic Information System)를 이용하여 지도 상에 상기 산불 예측 지역에 대응하는 산불 위험 등급을 심각, 경계, 주의, 관심을 포함하는 4개의 등급으로 분류하여 표시한다.
상기와 같은 본 발명에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법 및 장치를 이용할 경우에는 단순히 기상 정보를 이용하는 것으로 산불을 예측하는 대신에, 영상 정보를 통해 확인 가능한 민가 건물을 비롯한 다양한 정보들을 인덱스화하고, 이를 기반으로 산불을 예측하고 위험도를 표시함으로써 예측 정확도를 향상시키고 위험 경고의 실효성을 높일 수 있다.
도 1은 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법이 수행되는 환경을 나타낸 개요도이다.
도 2는 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치의 기능적 구성을 나타낸 블록도이다.
도 3은 일 실시예에 따른 객체 식별 모델을 이용하여 라벨링된 이미지를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 AI 연무 식별 모델의 훈련 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 AI 연무 식별 모델의 식별 성능을 측정한 결과를 나타낸 도면이다.
도 6은 일 실시예에 따른 AI 객체 식별 모델 또는 AI 연무 식별 모델의 구성을 예시적으로 나타낸 도면이다.
도 7은 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법이 수행되는 환경을 나타낸 개요도이다.
도 1을 참조하면, AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 방법은, AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치(100, 이하 산불 예측 장치)에 의해 수행될 수 있다.
산불 예측 장치(100)는, 다수의 지역들 각각에 대응하는 영상 정보와 기상 정보를 수집할 수 있다. 이를 위해, 산불 예측 장치(100)는, 영상 정보를 제공하는 외부의 영상 수집 서버(300) 및 기상 정보를 제공하는 외부의 기상 관측 서버(400)와 연동할 수 있다.
영상 수집 서버(300)는, 드론(drone), 시시티비(CCTV), 위성 등을 이용하여 시간에 따른 다수의 지역들 각각을 촬영한 영상 정보를 수집할 수 있다. 여기서, 영상 정보는 해당 지역을 하늘 위에서 촬영한 이미지 데이터이거나, CCTV가 설치된 지역에서 특정 위치를 촬영한 이미지 데이터일 수 있다.
예를 들어, 영상 정보는 드론을 이용하여 다수의 지역들 각각을 단위시간당 정해진 지도 상의 좌표를 따라 비행하면서 촬영한 복수의 이미지들일 수 있다. 구체적인 구현례에서, 영상 정보는, 영상 정보를 획득하기를 원하는 지역을 지도 상에서 미리 설정된 크기의 격자 영역들로 구획하고, 구획된 격자 영역들의 중심좌표를 순차적으로 드론이 패트롤 비행하는 방식으로 수집될 수 있다.
기상 관측 서버(400)는, 기상청 및/또는 산림청을 비롯한 공공 기관의 운영 서버 또는 기타 기상 정보를 제공하는 외부 기관의 운영 서버일 수 있다. 기상 정보는, 시간에 따른 다수의 지역들 각각에 대응하는 고도, 강수량, 기온, 풍속, 풍향, 상대 습도 등을 포함할 수 있다. 여기서의 기상 정보는 최근 5년간의 기상 데이터만을 활용하는 것이 바람직할 수 있다.
산불 예측 장치(100)는, 영상 정보와 기상 정보를 전처리하여 산불 예측 모델을 실행하기 위한 독립 변수들을 결정하고, 결정된 독립 변수들을 산불 예측 모델에 입력하여, 특정 지역에 대한 산불 발생 가능성을 나타내는 산불 위험도를 결정할 수 있다.
일 실시예에서, 산불 예측 장치(100)는, 사용자 단말(200)과 연동하여 산불 예측 서비스를 제공할 수 있다.
예를 들어, 산불 예측 장치(100)는, 사용자 단말(200)로부터 산불 예측 지역을 포함하는 산불 예측 요청 메시지를 수신할 수 있고, 산불 예측 장치(100)는, 산불 예측 지역에 대응하는 영상 정보와 기상 정보를 영상 수집 서버(300)와 기상 관측 서버(400)에서 각각 획득할 수 있다.
산불 예측 장치(100)는, 획득된 영상 정보와 기상 정보를 전처리하여 산불 예측 지역에 대응하는 독립 변수들을 결정하고, 결정된 독립 변수들을 산불 예측 모델에 입력하여 산불 예측 지역에 대응하는 산불 위험도를 결정할 수 있다.
여기서, 산불 위험도는 산불 예측 지역에서의 산불 발생 가능성을 나타내는 지표로서, 산불의 발생 가능성을 나타내는 확률이거나, 해당 확률을 기반으로 산불 발생 가능성을 등급화한 등급(grade)일 수도 있다.
사용자 단말(200)은, 산불 예측 서비스를 제공받고자 하는 사용자의 단말로서, 사용자 단말(200)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
도 2는 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치의 기능적 구성을 나타낸 블록도이다. 도 3은 일 실시예에 따른 객체 식별 모델을 이용하여 라벨링된 이미지를 설명하기 위한 도면이다. 도 4는 일 실시예에 따른 AI 연무 식별 모델의 훈련 과정을 설명하기 위한 도면이다. 도 5는 일 실시예에 따른 AI 연무 식별 모델의 식별 성능을 측정한 결과를 나타낸 도면이다.
도 2를 참조하면, 일 실시예에 따른 산불 예측 장치(100)는, 다수의 지역들 각각에 대응하는 영상 정보와 기상 정보를 수집하는 데이터 수집부(101), 수집된 영상 정보와 기상 정보를 기반으로 산불 예측 지역에 대응하는 독립 변수들을 결정하는 데이터 전처리부(102), 결정된 독립 변수들을 미리 설정된 산불 발생 예측 모델에 입력하여 산불 예측 지역에서의 산불 발생 가능성을 예측하는 산불 발생 예측부(104), 및 산불 예측 지역에서의 산불 발생 가능성을 기반으로 산불 위험도를 결정하고, 결정된 산불 위험도를 표시하는 산불 위험 표시부(105)를 포함할 수 있다.
데이터 수집부(101)는, 외부의 영상 수집 서버(300)로부터 다수의 지역들 각각에 대응하는 영상 정보를 획득하고, 외부의 기상 관측 서버(400)로부터 다수의 지역들 각각에 대응하는 기상 정보를 획득할 수 있다.
데이터 수집부(101)는, API를 이용하여 영상 수집 서버(300) 또는 기상 관측 서버(400)에 주기적으로 또는 미리 지정된 수집 요청 신호에 따라 접속하고, 영상 수집 서버(300)에 저장된 영상 정보 및 기상 관측 서버(400)에 저장된 기상 정보를 열람하고, 획득할 수 있다.
데이터 전처리부(102)는, 영상 정보와 기상 정보를 이용하여 산불 발생 예측에 필요한 독립 변수들을 결정할 수 있다.
구체적으로, 데이터 전처리부(102)는, 영상 정보에 포함된 복수의 이미지들 각각을 미리 지도학습된 AI 객체 식별 모델(103)에 입력하고, AI 객체 분류 모델(103)의 출력으로 복수의 이미지들 각각에 포함된 민가 건물, 경작지, 및 도로를 식별할 수 있다.
AI 객체 식별 모델(103)은, CNN(convolutional neural network) 기반의 인공신경망으로서, 이미지를 입력 데이터로 입력받고, 입력 데이터로 입력받은 이미지를 미리 설정된 복수의 클래스(class)들 중 하나로 분류하고, 분류된 클래스를 지시하는 출력값을 출력할 수 있다. 여기서, 복수의 클래스들 각각은 민가 건물, 경작지, 및 도로를 포함할 수 있다. 구체적으로, AI 객체 식별 모델(103)은 이미지를 입력받으면, 입력받은 이미지가 분류될 수 있는 클래스들 각각의 확률을 산출하고, 산출된 확률이 가장 높은 클래스로, 입력받은 이미지를 분류하도록 구성될 수 있다.
민가 건물은, 가옥, 창고 및 기타 건물 등과 같이 인적 활동을 나타내는 건조물일 수 있다.
이를 위해, AI 객체 식별 모델(103)은, 미리 수집된 제1 훈련 데이터를 이용하여 지도학습될 수 있다. 구체적으로, 제1 훈련 데이터는 훈련입력값과 훈련입력값에 대응하는 훈련정답값의 쌍(pair)들로 구성되며, 훈련입력값은 민가 건물, 경작지, 및 도로 중 어느 하나가 촬영된 이미지이고, 훈련정답값은 훈련입력값에 해당하는 이미지에 나타난 민가건물, 경작지, 및 도로 중 어느 하나를 지시하는 라벨링값일 수 있다.
AI 객체 식별 모델(103)은, 제1 훈련 데이터를 구성하는 훈련입력값을 입력하고 출력으로 얻어지는 출력값을 훈련입력값과 쌍으로 이루어진 훈련출력값과 손실함수를 기반으로 비교하고, 손실함수의 연산값이 최소화되도록 지도학습될 수 있다.
손실함수는, 크로스 엔트로피, 평균제곱오차(Mean Squared Error, MSE), 평균절대오차(Mean Absolute Error, MAE) 중 어느 하나가 사용될 수 있으나 이에 한정되는 것은 아니다.
데이터 전처리부(102)는, 영상 정보를 구성하는 복수의 이미지들 각각에서 AI 객체 식별 모델(103a)을 이용하여 민가 건물, 경작지, 및 도로를 식별한 후, 식별된 민가 건물, 경작지, 및 도로에 대한 라벨링을 복수의 이미지들 각각에 대해 수행하여 제1 라벨링 정보를 생성하고, 생성된 제1 라벨링 정보를 기반으로 민가 건물의 존재 여부, 단위면적당 민가 건물의 수, 민가 건물과 인접한 영역에 경작지의 존재 여부, 및 민가 건물과 도로 사이의 거리를 결정할 수 있다.
예를 들어, 이미지에 라벨링된 정보는, 다음의 표 1과 같을 수 있다.
표 1을 참조하면, 이미지에 라벨링된 제1 라벨링 정보는, 해당 이미지의 기본 정보(info), 해당 이미지의 식별 기호(ID), 해당 이미지의 가로 및 세로 크기, 해당 이미지의 파일 이름, 해당 이미지에서 식별된 객체를 나타내는 바운딩박스(bbox)의 면적, 바운딩박스의 좌표 위치, 바운딩 박스의 크기, 바운딩 박스가 복수개 중첩되는지 여부, 바운딩박스의 존재 여부, 해당 이미지가 분류된 클래스의 식별기호, 및 해당 이미지가 분류된 클래스 이름을 포함할 수 있다.
도 3을 참조하면, 이미지에서 민가 건물에 해당하는 가옥이나 창고 등의 기타 건물을 식별하고, 민가 건물과 인접한 곳에 설치된 경작지와 도로 등이 바운딩박스(bounding box) 형태로 식별되어 라벨링된 것을 확인할 수 있다.
또한, 같은 방식으로 데이터 전처리부(102)는, AI 연무 식별 모델(103b)을 이용하여 영상 정보에 포함된 복수의 이미지들 각각에서 연기나 불꽃을 식별할 수 있다.
이를 위해, AI 연무 식별 모델(103b)은, 미리 수집된 제2 훈련 데이터를 이용하여 지도학습될 수 있다. 구체적으로, 제2 훈련 데이터는 훈련입력값과 훈련입력값에 대응하는 훈련정답값의 쌍(pair)들로 구성되며, 훈련입력값은 불꽃이나 연기중 어느 하나가 촬영된 이미지이고, 훈련정답값은 훈련입력값에 해당하는 이미지에 나타난 불꽃이나 연기 중 어느 하나를 지시하는 라벨링값일 수 있다.
도 4를 참조하면, 훈련입력값으로 불꽃이나 연기가 촬영이미지를 제공하고, 훈련정답값으로서 해당 촬영이미지를 연기(smoke)로 분류해야 하는지 또는 불꽃(flame)으로 분류해야 하는지를 나타내는 라벨링값이 제공된 것을 확인할 수 있다. 즉, 이러한 제2 훈련 데이터를 최대한 다수 생성하고, 생성된 제2 훈련 데이터를 이용하여 AI 연무 식별 모델(103b)을 지도학습시켜 식별 성능을 높일 수 있다.
도 5를 참조하면, 제2 훈련 데이터를 이용하여 훈련된 AI 연무 식별 모델(103b)의 식별 성능을 측정한 결과를 확인할 수 있다. 6차례에 걸쳐 식별 성능을 측정하고, 회당 50 epoch 수행하여 각 클래스별 정밀도와 재현율, 그리고 이들의 평균 식별 확률인 mAP를 확인하였으며, 불꽃(fire)으로 식별한 이미지가 불꽃이 촬영된 이미지인 확률은 81.2 % 수준이었고, 연기(smoke)로 식별한 이미지가 연기가 촬영된 이미지인 확률은 95.8% 수준이었으며, 2개의 클래스 전체의 식별 정확도는 88.5 % 수준이었다.
데이터 전처리부(102)는 수집된 영상 정보에 포함된 복수의 이미지들을 대상으로 AI 연무 식별 모델(103b)을 이용해 불꽃이나 연기를 식별하고, 식별된 불꽃이나 연기를 이미지들 각각에서 라벨링하여 제2 라벨링 정보를 이미지들 각각에 생성할 수 있다.
AI 연무 식별 모델(103b)은 CNN(convolutional neural network) 기반의 인공신경망으로서, 이미지를 입력 데이터로 입력받고, 입력 데이터로 입력받은 이미지를 미리 설정된 복수의 클래스(class)들 중 하나로 분류하고, 분류된 클래스를 지시하는 출력값을 출력할 수 있다. 구체적으로, AI 연무 식별 모델(103b)은 YOLO v5 모델을 사용하였으나, 이에 한정되는 것은 아니다.
데이터 전처리부(102)는, 기상 정보를 이용하여 산불 연료지수를 산출할 수 있다.
여기서, 산불 연료지수는 지상에 위치한 산림을 구성하는 미세 연료의 수분량을 지수화함으로써 산불 발생 가능성을 대표하는 지표로서 정의될 수 있다.
구체적으로, 데이터 전처리부(102)는, 산불 예측 지역에 대응하는 일평균 풍속(W)과 일평균 상대 습도(H)를 이용하여, 산불 예측 지역에서 건조한 정도를 나타내는 건조율(k)을 하기 수학식 1에 따라 산출할 수 있다.
수학식 1에서, W는 산불 예측 지역에서의 평균 풍속이고, H는 산불 예측 지역에서의 평균 상대 습도이다.
또한, 데이터 전처리부(102)는, 산불 예측 지역에 대응하는 일평균 상대 습도(H) 및 최고 온도(T)를 이용하여, 산불 예측 지역에서 증발 평형상태를 이루는 평형 수분량(E)을 하기 수학식 2에 따라 산출할 수 있다.
수학식 2에서, a, c, g는 각각 미리 설정된 가중치 값이고, b는 상대 습도에 따른 평형 수분량의 지수비례값을 실험적으로 산출한 값이고, h는 최고 온도(T)보다 작은 온도로서 미리 설정된 기준 임계값이고, i는 온도와 평형 수분량(E) 사이의 지수반비례량을 실험적으로 산출한 값으로 정의될 수 있다.
건조율(k)과 평형 수분량(E)이 산출되면, 데이터 전처리부(102)는, 산불 예측 지역에 대응하는 최소 미세연료 수분량(해당 지역의 미세연료가 함유하는 최소 수분량)을 하기 수학식 3에 따라 산출할 수 있다.
수학식 3에서 E는 수학식 2에 따른 평형 수분량이고, k는 수학식 1에 따른 건조율이고, m0는 해당일 전일의 최소 미세연료 수분량일 수 있다. 특정일에서의 최소 미세연료 수분량을 해당 일에서의 평형 수분량으로 설정하고, 해당 특정일을 기준으로 현재일까지의 최소 미세연료 수분량을 수학식 3에 따라 반복하여 현재일에서의 최소 미세연료 수분량을 산출할 수 있다.
데이터 전처리부(102)는, 수학식 3에 따른 최소 미세연료 수분량을 이용하여 산불 연료지수를 하기 수학식 4에 따라 산출할 수 있다.
수학식 4에서 m은 수학식 3에 따른 최소 미세연료 수분량이고, F는 산불 연료지수일 수 있다. 여기서, 산불 연료지수는 0과 99 사이의 값을 가질 수 있다.
데이터 전처리부(102)는, 산불 연료지수를 가공하여 제1 독립변수를 결정할 수 있다. 예를 들어, 데이터 전처리부(102)는, 산불 연료지수가 0 내지 58인 경우 1이고, 58을 초과하고 70.5 이하인 경우 2이고, 70.5를 초과하고 80 이하인 경우를 3이고, 80을 초과하고 99 이하인 경우를 4로 변환하여 제1 독립변수를 결정할 수 있다.
또한, 데이터 전처리부(102)는, 앞서 제1 라벨링 정보를 이용하여, 해당 산불 예측 지역에서 민가 건물이 있다면 1이고 없다면 0으로 설정되는 제2 독립변수, 민가 건물과 인접한 지역에 경작지가 있다면 1, 아니라면 0으로 설정되는 제3 독립변수, 민가 건물로부터 도로까지의 거리가 0~10m이면 0, 10~20m이면 1, 20~30m이면 2, 30~40m이면 3, 40~50m이면 4, 50m 이상이면 5으로 설정되는 제4 독립변수, 해당 지역의 방향이 사면정보로 북쪽을 기준으로 북 0, 북동 1, 동 2, 동남 3, 남 4, 남서 5, 서 6, 북서 7로 설정되는 제5 독립변수, 산불 예측 지역의 고도 0~200m이면 0, 200~400m이면 1, 400~600m이면 2, 700~900m이면 3, 1,000m이면 4로 설정되는 제6 독립변수를 결정할 수 있다.
그 밖에도, 데이터 전처리부(102)는, 하기 표 2와 같이 산불 예측 지역에서의 기상 정보 뿐만 아니라, 각종 지리정보 및 기타 외부 공개정보를 이용하여, 경사도, 지하고(CBH, Crown base height), 산림 죽은식물 연료량(Litter), 산림 낙엽수분량(duff), 산림 가지 연료량(Twig), 산림 관목 연료량(shrub), 산림 표면 연료량(surface), 지하 연료량(Crown) 등을 독립변수로 결정할 수도 있다.
산불 발생 예측부(104)는, 독립변수들을 이용하여 미리 결정된 기계학습 기반의 산불 예측 모델을 이용하여 산불 예측 지역의 산불 발생 가능성을 예측할 수 있다.
여기서, 기계학습 기반의 산불 예측 모델은 로지스틱 회귀분석 모델, 랜덤 포레스트(Random Forest), 마코브 체인(Markov chain), 서포트 벡터 머신(Support vector machine, SVM) 등을 포함할 수 있다.
산불 발생 예측부(104)는 다수의 기계학습 기반의 예측 모델들 중 하나를 선택하는 입력을 사용자로부터 입력받거나 사용자 단말(200)로부터 제공받고, 해당하는 예측 모델을 사용하도록 구성될 수 있다. 또한, 산불 발생 예측부(104)는, 기계학습 기반의 예측 모델을 구성하는 가중치(또는 파라미터)를 조정할 수 있는 인터페이스를 사용자 또는 사용자 단말(200)에 제공하고, 이에 따라 가중치를 수정할 수 있다.
일 실시예에서, 로지스틱 회귀분석 모델이 선택되는 경우, 산불 발생 예측부(104)는, 전술한 독립 변수들을 이용하여 하기 수학식 5에 따른 로짓 변환을 수행할 수 있다.
수학식 5를 참조하면, x1, x2, ..., xm은 m개의 독립변수들 각각의 성분값이고, β0, β1, ... , βm은 해당 독립변수들 각각에 대응하는 가중치 값(또는 파라미터)로서, 모든 m개의 독립변수들과 해당 독립변수들의 획득 시점에서의 해당 지역에서의 산불 발생 여부를 AI 연무 식별 모델(103b)을 이용하여 결정하고, 여기서 결정된 산불 발생 여부를 0 또는 1의 확률로 표현하고, 독립 변수들 각각의 가중치값을 해(solution)으로 풀이하면, 가중치 값들이 다수의 산불 발생 여부가 나타나있는 과거의 영상 정보와 기상 정보들로부터 미리 결정될 수 있다. 이때, 가중치 값들은 계절과 지역별로 각각 다르게 설정될 수 있다. 예를 들어, 동일한 지역(강원도)라고 하더라도 계절별(특히 봄, 가을)로 독립 변수들과 산불 발생 여부를 수집하고, 이를 기반으로 가중치값들을 설정할 경우 더욱 정확한 예측이 가능할 수 있다.
다음으로, 산불 발생 예측부(104)는, 전술한 독립 변수들과 로짓 변환값을 이용하여 하기 수학식 6에 따른 산불 발생 가능성을 나타내는 확률을 지시하는 산불 발생 인덱스를 결정할 수 있다.
수학식 6에서, WII는 산불 발생 가능성을 나타내는 확률을 지시하는 산불 발생 인덱스이고, exponetional 파트의 지수부분은 수학식 5에 따른 로짓 변환값이다.
앞에서는 로지스틱 회귀분석 모델이 선택되었을 때의 산불 발생 가능성을 나타내는 확률을 산출하는 과정을 설명하였으나, 이에 한정되는 것은 아니고 공지된 다양한 형태의 기계학습 기반 예측 모델에 전술한 독립 변수들을 이용하여 산불 발생 가능성을 예측할 수 있다.
추가 실시예에서, 산불 발생 예측부(104)는, 산불 발생 인덱스(WII)를 미리 설정된 학습 데이터 수집 기간 동안 산출하고(예를 들어, 2달 이상의 기간 동안 매일 산출), 산출된 학습 데이터 수집 기간 내에서 산출된 산불 발생 인덱스(WII)가 증가한 비율들을 결정하고, 결정된 비율들을 정규화하여 학습 데이터를 생성할 수 있다.
여기서 생성되는 학습 데이터는 산불 발생 인덱스가 증가한 비율을 시계열적으로 나타낸 데이터이다. 또한, LSTM(Long short-term memory)은 순환 신경망(RNN)의 하나로서 시계열 데이터를 기반으로 그 다음 시점의 데이터를 예측하는 데 적합한 신경망 모델이다. 따라서, 본 발명의 일 실시예에서는, LSTM 기반의 산불 발생 예측 모델을 사용하여 현재 시점 다음 시점에서의 산불 발생 인덱스를 결정하고, 결정된 산불 발생 인덱스를 기반으로 산불집중관리구역을 설정하여 제공한다.
구체적으로, 산불 발생 예측부(104)는, LSTM 기반의 산불 발생 예측 모델에 앞서 생성한 시계열적인 학습 데이터를 이용해 지도학습시키고, 지도학습된 LSTM 기반의 산불 발생 예측 모델을 이용하여 현재일 대비 다음날의 산불 발생 인덱스를 결정할 수 있다.
여기서 LSTM 기반의 산불 발생 예측 모델은 주지된 다양한 형태의 LSTM 신경망 구조를 사용할 수 있으며, 통상의 기술자가 관련 소스코드와 구성을 용이하게 입수 가능하므로 구체적인 설명은 생략한다.
산불 발생 예측부(104)는, 결정된 산불 발생 인덱스가 미리 수집된 실제 산불 발생 일들에서 산출한 산불 발생 인덱스들의 평균값보다 큰지 여부를 판단하고, 결정된 산불 발생 인덱스가 평균값보다 큰 경우 해당 산불 예측 지역의 산불 발생 위험도가 타 지역보다 높은 것으로보고, 해당 산불 예측 지역을 산불 집중관리구역으로 결정할 수 있다.
산불 위험 표시부(105)는, 사용자가 산불 발생 가능성을 쉽게 확인할 수 있도록, GIS 기능을 이용하여 지도 상에 산불 위험 등급을 심각, 경계, 주의, 관심을 포함하는 4개의 등급으로 분류하여 표시할 수 있다.
여기서, 심각 등급은 산불 발생 인덱스가 0.86 이상인 경우로서 적색으로 표시되고, 경계 등급은 산불 발생 인덱스가 0.66 이상인 경우로서, 주황색으로 표시되고, 주의 등급은 산불 발생 인덱스가 0.51 이상인 경우로서 노란색으로 표시되고, 관심 등은 산불 발생 인덱스가 0.51 미만인 경우로서 청색으로 표시될 수 있다.
또한, 산불 위험 표시부(105)는, AI 연무 식별 모델(103b)에 의해 식별된 연기나 불꽂을 실시간 영상 데이터 위에서 바운딩 박스와 같은 시각화 정보를 이용하여 대형 산불의 위험도를 표기하여 사용자에게 의미있는 정보를 제공할 수도 있다.
도 6은 일 실시예에 따른 AI 객체 식별 모델 또는 AI 연무 식별 모델의 구성을 예시적으로 나타낸 도면이다.
도 6을 참조하면, AI 객체 식별 모델(103a) 또는 AI 연무 식별 모델(103b)은, 미리 설정된 크기의 이미지를 입력 이미지로 입력받아, 특징 맵을 추출하는 컨볼루셔널 계층(11), 추출된 특징에 대해 활성화 함수를 이용해 출력을 활성화할지 여부를 결정하는 활성화 계층(12), 활성화 계층(12)에 따른 출력에 대해 샘플링을 수행하는 풀링 계층(13), 클래스에 따른 분류를 수행하는 완전 연결 계층(14), 완전 연결 계층(14)에 따른 출력을 최종적으로 출력하는 출력 계층(15)을 포함할 수 있다.
컨볼루셔널 계층(11)은 입력 영상과 필터를 서로 합성곱함으로써 입력 데이터의 특징을 추출하는 계층일 수 있다. 여기서 필터는 입력 영상의 특징적 부분을 검출하는 함수로서, 일반적으로 행렬로 표현되며 학습 데이터에 의해 지속적으로 학습됨에 따라 결정되는 함수일 수 있다. 컨볼루셔널 계층(11)에 의해 추출된 특징은 특징 맵(feature map)으로 지칭될 수도 있다. 또한, 합성곱을 수행하는 간격 값을 스트라이드(stride)라고 지칭할 수 있는데, 스트라이드 값에 따라 다른 크기의 특징 맵이 추출될 수 있다. 이때, 특징 맵은 필터의 크기가 입력 영상보다 작으면, 기존의 입력 영상보다 더 작은 크기를 갖게 되는데, 여러 단계를 거쳐 특징이 소실되는 것을 방지하기 위하여 패딩 과정이 추가로 수행될 수 있다. 이때, 패딩 과정은 생성된 특징 맵의 외곽에 미리 설정된 값(예를 들면 0이나 1)을 추가함으로써 입력 영상의 크기와 특징 맵의 크기를 동일하게 유지하는 과정일 수 있다.
활성화 계층(12)는 어떠한 값(또는 행렬)으로 추출된 특징을 활성화 함수에 따라 비선형 값으로 바꾸어 활성화 여부를 결정하는 계층으로, 활성화 함수로는 시그모이드(sigmoid) 함수, ReLU 함수, 소프트맥스(softmax) 함수 등이 사용될 수 있다. 예를 들어, 소프트맥스 함수는 입력된 값을 0~1사이의 값으로 모두 정규화하며 출력 값들의 총합은 항상 1이 되는 특성을 가진 함수일 수 있다.
풀링 계층(130)은 활성화 계층(12)의 출력에 대하여 서브 샘플링(subsampling) 또는 풀링(pooling)을 수행하여 특징맵을 대표하는 특징을 선정하는 계층으로서, 특징맵의 일정 영역에 대하여 가장 큰 값을 추출하는 맥스 풀링(max pooling), 평균값을 추출하는 애버리지 풀링(average pooling) 등이 수행될 수 있다. 이때, 풀링 계층은 활성화 함수 이후에 반드시 수행되는 것이 아니라 선택적으로 수행될 수 있다.
또한, 여기서 AI 객체 식별 모델(103a) 또는 AI 연무 식별 모델(103b)은, 컨볼루셔널 계층(11), 활성화 계층(12), 풀링 계층(13)의 연결 구조가 복수개 포함될 수도 있다.
도 7은 일 실시예에 따른 AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 7을 참조하면, AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치(100)는, 적어도 하나의 프로세서(110), 및 적어도 하나의 프로세서(110)가 적어도 하나의 동작을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(120)를 포함할 수 있다.
여기서 적어도 하나의 동작은 전술한 산불 예측 장치(100)의 동작이나 기능부들의 동작을 포함하며, 중복 설명을 방지하기 위하여 구체적인 설명은 생략한다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(120)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고,
산불 예측 장치(100)는, 적어도 하나의 동작을 수행하기 위한 초기 데이터, 중간 처리 데이터나 임시 데이터, 및 출력 데이터를 저장하기 위한 저장 장치(160)를 더 포함할 수 있다. 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 산불 예측 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 산불 예측 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 산불 예측 장치(100)에 포함된 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 산불 예측 장치
101: 데이터 수집부
102: 데이터 전처리부
103a: AI 객체 식별 모델
103b: AI 연무 식별 모델
104: 산불 발생 예측부
105: 산불 위험 표시부

Claims (5)

  1. AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치로서,
    다수의 지역들 각각에 대응하는 영상 정보와 기상 정보를 수집하는 데이터 수집부;
    수집된 상기 영상 정보와 상기 기상 정보를 기반으로 산불 예측 지역에 대응하는 독립 변수들을 결정하는 데이터 전처리부;
    결정된 상기 독립 변수들을 미리 구성된 기계학습 기반의 산불 발생 예측 모델에 입력하여 상기 산불 예측 지역에서의 산불 발생 가능성을 예측하는 산불 발생 예측부; 및
    상기 산불 예측 지역에서의 산불 발생 가능성을 기반으로 산불 위험도를 결정하고, 결정된 산불 위험도를 표시하는 산불 위험 표시부;를 포함하되,
    상기 데이터 전처리부는, 상기 영상 정보에 포함된 복수의 이미지들 각각을 미리 지도학습된 CNN(convolutional neural network) 기반의 인공신경망인 AI 객체 식별 모델에 입력하고, 상기 AI 객체 분류 모델의 출력으로 상기 복수의 이미지들 각각에 포함된 민가 건물, 경작지, 및 도로를 식별하는,
    AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치.
  2. 청구항 1에서,
    상기 데이터 전처리부는, 식별된 상기 민가 건물, 상기 경작지, 및 상기 도로에 대한 라벨링을 상기 복수의 이미지들 각각에 대해 수행하여 제1 라벨링 정보를 생성하고, 생성된 상기 제1 라벨링 정보를 기반으로 상기 이미지들 각각에서 민가 건물의 존재 여부, 단위면적당 민가 건물의 수, 민가 건물과 인접한 영역에 경작지의 존재 여부, 및 민가 건물과 도로 사이의 거리를 결정하는,
    AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치.
  3. 청구항 2에서,
    상기 데이터 전처리부는,
    상기 기상 정보를 이용하여 산불 연료지수를 산출하고, 산출된 상기 산불 연료지수를 가공하여 제1 독립변수를 결정하고,
    상기 제1 라벨링 정보를 이용하여, 상기 산불 예측 지역에서 민가 건물이 있다면 1이고 없다면 0으로 설정되는 제2 독립변수, 민가 건물과 인접한 지역에 경작지가 있다면 1, 아니라면 0으로 설정되는 제3 독립변수, 민가 건물로부터 도로까지의 거리가 0~10m이면 0, 10~20m이면 1, 20~30m이면 2, 30~40m이면 3, 40~50m이면 4, 50m 이상이면 5으로 설정되는 제4 독립변수, 상기 산불 예측 지역의 방향에 따라 사면정보로 북쪽을 기준으로 북 0, 북동 1, 동 2, 동남 3, 남 4, 남서 5, 서 6, 북서 7로 설정되는 제5 독립변수, 상기 산불 예측 지역의 고도에 따라 0~200m이면 0, 200~400m이면 1, 400~600m이면 2, 700~900m이면 3, 1,000m이면 4로 설정되는 제6 독립변수를 결정하는,
    AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치.
  4. 청구항 3에서,
    상기 산불 예측 모델은 로지스틱 회귀분석 모델를 포함하되, 랜덤 포레스트(Random Forest), 마코브 체인(Markov chain), 및 서포트 벡터 머신(Support vector machine, SVM) 중 적어도 하나를 더 포함하고,
    상기 산불 발생 예측부는,
    상기 로지스틱 회귀분석 모델을 이용하여 상기 독립 변수들 각각에 대응하는 가중치값들을 적용함으로써 산불 발생 가능성을 나타내는 확률을 지시하는 산불 발생 인덱스를 결정하는,
    AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치.
  5. 청구항 3에서,
    상기 산불 위험 표시부는,
    GIS(Geographic Information System)를 이용하여 지도 상에 상기 산불 예측 지역에 대응하는 산불 위험 등급을 심각, 경계, 주의, 관심을 포함하는 4개의 등급으로 분류하여 표시하는,
    AI 기반 객체 식별 모델을 이용한 이종 데이터 결합형 산불 예측 장치.
KR1020230088436A 2022-07-08 2023-07-07 Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치 KR20240007883A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220084467 2022-07-08
KR1020220084467 2022-07-08

Publications (1)

Publication Number Publication Date
KR20240007883A true KR20240007883A (ko) 2024-01-17

Family

ID=89713413

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230088436A KR20240007883A (ko) 2022-07-08 2023-07-07 Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20240007883A (ko)

Similar Documents

Publication Publication Date Title
US11660480B2 (en) Fire forecasting
US11202926B2 (en) Fire monitoring
US11169678B2 (en) Fire management tool with versatile user interface
US12005281B2 (en) Fire monitoring
Xu et al. Risk assessment for wildfire occurrence in high-voltage power line corridors by using remote-sensing techniques: a case study in Hubei Province, China
CN109782373B (zh) 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
Quan et al. Corrigendum to: Integrating remotely sensed fuel variables into wildfire danger assessment for China
US20220051344A1 (en) Determining Climate Risk Using Artificial Intelligence
Hysa et al. A GIS based method for indexing the broad-leaved forest surfaces by their wildfire ignition probability and wildfire spreading capacity
Nhongo et al. Probabilistic modelling of wildfire occurrence based on logistic regression, Niassa Reserve, Mozambique
Zhang et al. Spatial distribution of grassland fires at the regional scale based on the MODIS active fire products
CN114548812A (zh) 一种森林草原火灾风险预报决策方法、装置及计算机设备
Chew et al. A Review of forest fire combating efforts, challenges and future directions in Peninsular Malaysia, Sabah, and Sarawak
Tatishvili et al. The Use of Structured Data for Drought Evaluation in Georgia
Jaafari et al. Anthropogenic activities amplify wildfire occurrence in the Zagros eco-region of western Iran
Subasinghe et al. Real-time mapping of natural disasters using citizen update streams
Ma et al. Individual structure mapping over six million trees for New York City USA
Suthar et al. Prediction of maximum air temperature for defining heat wave in Rajasthan and Karnataka states of India using machine learning approach
Janetos et al. National climate assessment indicators: Background, development, and examples
KR20240007883A (ko) Ai 기반 객체 식별 모델을 이용한 이종 데이터 결합형산불 예측 방법 및 장치
Giannakidou et al. Leveraging the power of internet of things and artificial intelligence in forest fire prevention, detection, and restoration: A comprehensive survey
Su et al. A novel framework for identifying causes of forest fire events using environmental and temporal characteristics of the ignition point in fire footprint
Vatresia et al. Mining Fire Hotspots Over Nusa Tenggara and Bali Islands
Li Modeling wildfire evacuation as a coupled human-environmental system using triggers
Purcell Forest Fire Prediction Frameworks using Federated Learning and Internet of Things (IoT)