기후변화로 유발된 폭염과 도시 중심부 인근의 울창한 산림은 산불 대응 시스템에 복합적인 도전 과제를 야기한다. 이를 해결하기 위해 다양한 산불 모델이 개발되었으며, 각각 고유한 강점과 약점을 지닌다. 과정 기반(process-based) 모델은 인간의 전문 지식에 기반한 높은 해석가능성을 제공하지만 광범위한 최적화가 필요하다. 반면 기계학습(machine learning) 모델은 중요한 특징을 자동으로 파악하나 해석가능성이 제한적이다. 본 연구는 두 모델의 강점을 결합하기 위해 인간의 도메인 지식을 기계학습 프레임워크에 통합하고자 하였다. IIASA의 산불 기후 영향 및 적응 모델인 FLAM—(FLAM: wildfire cLimate impacts and Adaptation Model)은 생물물리학적 영향과 인간의 영향을 모두 포함하는 과정 기반 모델로, FLAM-Net이라는 신경망으로 개발되었다. 개선 사항에는 최적화를 위한 역전파(backpropagation) 성능 향상이 포함되었고, 국가별 화재 점화 역학(national-specific fire ignition dynamics)에 대한 알고리즘을 도입하였다. FLAM-Net은 다중 규모에서 적용되었으며, U-Net 기반 아키텍처를 통해 통합되어 하향식(downscaled) 예측을 생성하는 Deep Neural FLAM(DN-FLAM)으로 구현되었다. 최적화 결과, 대도시 권역과 동해안 인근에서 화재가 공간적으로 집중되는 양상이 나타났고, 농업 소각으로 인해 봄에 화재가 시간적으로 집중되는 것으로 확인되었다. DN-FLAM을 통해 다중 규모 특징을 통합한 결과, 시간적·공간적·시공간적 검증에서 각각 피어슨 상관계수(Pearson's r) 값이 0.943, 0.840, 0.641로 최적의 성능을 보였다. 공유 사회경제 경로(Shared Socioeconomic Pathways, SSP)에 기반한 향후 전망은 2050년까지 화재 빈도가 증가한 뒤, 강수 증가에 의해 감소할 것으로 나타냈다. 본 연구는 해석가능성, 정확성, 효율적인 최적화를 제공하는 혼합(hybrid) 접근의 이점을 보여준다. 이러한 혼합 모델은 기후변화로 인한 산불에 대해 지역에 맞춘 의사결정을 지원할 과학적 근거를 제공하며, 최적화 역량을 통해 전 세계적 적용을 위한 토대를 마련한다.

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