Core Concepts
다중분광 위성 영상의 클래스 모호성 지수를 활용하여 홍수 범람 매핑을 위한 심층 능동 학습의 해석 가능성을 향상시킴
Abstract
이 연구는 홍수 범람 매핑을 위한 심층 능동 학습의 해석 가능성을 높이기 위해 Interpretable Deep Active Learning for Flood Inundation Mapping (IDAL-FIM) 프레임워크를 소개한다.
IDAL-FIM 프레임워크의 주요 구성요소는 다음과 같다:
다중분광 위성 영상 데이터 수집 및 전처리
U-Net 모델에 MC-dropout 기법 적용을 통한 불확실성 추정
불확실성 기반 및 밀도 기반 획득 함수 활용
경계 픽셀 비율(BPR)과 홍수 분할을 위한 마할라노비스 거리(MDF) 등 클래스 모호성 지수 제안
실험 결과, BPR과 MDF 지수가 심층 능동 학습의 예측 불확실성과 통계적으로 유의미한 상관관계를 가지는 것으로 나타났다. 이를 통해 제안된 클래스 모호성 지수가 심층 능동 학습의 동작을 해석하는 데 효과적임을 입증하였다. 또한 2차원 밀도 플롯을 통해 심층 능동 학습의 동작을 시각적으로 해석할 수 있음을 보여주었다.
Stats
최근 10년간 전 세계적으로 홍수로 인해 직접적인 영향을 받은 인구는 약 255-290백만 명으로 추정된다.
극한 강수 현상의 지속 기간이 1980년대와 1990년대에는 20일 미만이었으나, 최근 10년 동안에는 30일을 초과하고 있다.
Quotes
"Flood inundation mapping, which determines the extent of the flooded area including depth, velocity and uncertainty (Bentivoglio et al., 2022; Merwade et al., 2008; Horritt, 2006), is increasingly important due to the intensification of extreme precipitation worldwide."
"Rising Earth's average temperatures lead to higher water vapor concentrations in the atmosphere, consequently contributing to more extreme precipitation occurrences (Tabari, 2020)."