본 연구는 AlphaEarth 데이터셋과 Siamese U-Net 심층 학습 아키텍처를 결합하여 자동화된 화재 피해 지역 매핑을 위한 새로운 접근 방식을 제시합니다. 고해상도 광학 및 열 적외선 영상과 포괄적인 지상 진실 주석으로 구성된 AlphaEarth 데이터셋은 강력한 화재 피해 지역 탐지 모델을 훈련하기 위한 전례 없는 자원을 제공합니다. 미국 본토의 MTBS(Monitoring Trends in Burn Severity) 데이터셋으로 모델을 훈련하고 유럽 17개 지역에서 평가한 결과, 제안된 앙상블 접근 방식은 테스트 데이터셋에서 전반적인 정확도 95%, IoU 0.6, F1-점수 74%의 우수한 성능을 달성했습니다. 이 모델은 복잡한 배경을 가진 다양한 생태계에서 화재 피해 지역을 성공적으로 식별하며, 특히 부분적으로 불에 탄 식물과 화재 경계를 탐지하는 데 강점을 보였고, 화재 피해 지역 매핑에서 전이성과 높은 일반화 능력을 보여주었습니다. 이 연구는 자동화된 화재 피해 평가의 발전에 기여하고 AlphaEarth 데이터셋을 사용한 전 세계 화재 피해 지역 모니터링을 위한 확장 가능한 솔루션을 제공합니다.
