삼림파괴에 대한 추정은 삼림파괴 수준이 증가할수록 심각한 환경 문제가 유발되기 때문에 중요하다. 그러나 아마존 열대우림과 같이 광범위한 지역에서는 해당 지역의 광대한 규모와 직접적인 인간 접근의 어려움으로 인해 조사를 수행하기가 어렵다. 위성영상은 이러한 문제에 대한 효과적인 해결책으로 활용될 수 있으며, 광학 영상과 합성개구레이더(SAR) 영상을 결합하면 날씨 조건과 무관하게 대규모 지역에서 삼림파괴를 모니터링할 수 있다. 본 연구에서는 이러한 기반 위에서 다중모달 삼림파괴 추정을 위한 학습 전략을 제안한다. 이를 위해 Sentinel-1, Sentinel-2, Landsat 8의 서로 다른 세 가지 위성에서 얻은 영상들을 사용하였다. 제안된 알고리즘은 보완적인 SAR 영상을 활용해 다중모달 데이터셋을 구성함으로써 아마존의 긴 우기(雨期)로 인한 가시성 제한을 극복하고, 높은 추정 정확도를 달성한다. 데이터셋은 상대적으로 매달 생성되는 지상진실 마스킹 데이터가 적은 형태로, 매일 촬영한 위성 데이터로 구성되며, 이를 many-to-one-mask 조건이라 한다. 데이터셋을 구성하기 위해 정규화차식생지수(Normalized Difference Vegetation Index)와 정규화차토양지수(Normalized Difference Soil Index) 밴드를 선택하였다. 그 결과, RGB 또는 모든 밴드로 구성된 데이터셋에 비해 더 나은 탐지 성능과 더 짧은 학습 시간을 제공한다. 다중 심층신경망을 각 모달리티별로 독립적으로 학습하고, 삼림파괴를 탐지하기 위한 적절한 융합 방법을 개발한다. 제안 방법은 예측된 삼림파괴율의 거리 유사도를 이용하여 예측 결과를 필터링한다. 유사도가 높은 요소들은 평균 및 노이즈 제거 연산을 통해 최종 결과로 병합된다. 마지막으로, U-Net 계열의 다섯 가지 네트워크 변형의 성능을 비교하였으며, Attention U-Net이 가장 우수한 예측 결과를 보였다. 끝으로, 제안된 방법을 신규 쿼리의 삼림파괴 상태를 높은 정확도로 추정하는 데 활용한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.