Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale
Created by
Haebom
Category
Empty
저자
Mirela G. Tulbure, Julio Caineta, Mark Broich, Mollie D. Gaines, Philippe Rufin, Leon-Friedrich Thomas, Hamed Alemohammad, Jan Hemmerling, Patrick Hostert
개요
2024년 기록적인 기온 상승과 함께 전 세계에서 발생한 극심한 홍수 사태에 대응하기 위해, 지구 관측 위성 데이터를 활용한 홍수 지역 매핑 기술을 연구했습니다. 특히, 대규모 자가 지도 학습을 통해 일반화 성능을 향상시킨 Geospatial Foundation Models (GFMs)인 TerraMind를 활용하여 홍수 지역을 매핑하는 연구를 수행했습니다. FloodsNet이라는 다중 모달 데이터셋을 사용하여 TerraMind를 fine-tuning하고, 다양한 모델 구성을 비교 분석했습니다. 그 결과, TerraMind를 fine-tuning하여 다중 모달 데이터를 통합하는 것이 홍수 매핑 성능을 향상시킬 수 있음을 확인했습니다.
시사점, 한계점
•
시사점:
◦
TerraMind와 같은 GFM의 fine-tuning을 통해 실시간 홍수 매핑 능력을 향상시킬 수 있습니다.
◦
다중 모달 데이터 (광학 및 SAR 데이터) 통합이 홍수 매핑 정확도를 높입니다.
◦
FloodsNet과 같은 데이터셋을 활용하여 GFM 기반 홍수 매핑 모델의 성능을 향상시킬 수 있습니다.
◦
Base-unfrozen configuration이 정확도와 계산 비용 측면에서 균형을 이루는 성능을 보였습니다.
◦
대형 모델보다 낮은 계산 비용으로 우수한 성능을 달성할 수 있습니다.
•
한계점:
◦
U-Net 모델이 GFM보다 높은 recall 성능을 보였지만, 정확도와 정밀도는 약간 낮았습니다.
◦
GFM 기반 홍수 매핑 기술의 잠재력과 함께 현재의 한계점을 파악했습니다.
◦
본 연구는 GFM의 홍수 매핑 성능에 대한 첫 번째 글로벌 규모의 평가 중 하나이며, 추가적인 연구가 필요합니다.
