자율형 위성으로 Wildfire 탐지·스케줄링 자동화 프레임워크

초록

본 논문은 저궤도 위성에 탑재된 센서를 활용해 화재를 실시간으로 탐지하고, 베이지안 통계와 재구성 가능한 위성 군집 스케줄링(REOSSP)을 결합해 자동으로 관측 계획을 업데이트하는 통합 파이프라인을 제안한다. CNN 기반 센서 융합 모델로 높은 F‑score를 달성했으며, 실제 화재 사례와 운영 위성 데이터를 통해 전체 시스템의 효율성을 검증하였다.

상세 분석

이 연구는 세 가지 핵심 모듈을 순차적으로 연결한 엔드‑투‑엔드 파이프라인을 설계하였다. 첫 번째 모듈은 다중 스펙트럼(특히 SWIR) 데이터를 입력으로 하는 컨볼루션 신경망(CNN)이며, YOLO‑v5 구조에 좌표‑주의(attention)와 멀티‑스케일 디레이트 컨볼루션을 추가해 작은 화염 객체와 연기·구름 배경을 효과적으로 구분한다. 실험에서는 F‑score 0.87을 기록했으며, 센서 융합을 통해 단일 밴드 대비 12 % 이상의 검출 정확도 향상을 보였다. 두 번째 모듈은 베이지안 업데이트 단계로, 초기 탐지 확률 P(Fire|X) 를 사전 확률과 반복적인 위성 관측(다중 패스) 데이터를 이용해 후처리한다. 이 과정에서 각 관측의 신뢰도(정밀도·재현율)와 공간‑시간 상관성을 고려한 사후 확률을 계산함으로써, 불확실성이 높은 초기 탐지 결과를 빠르게 수렴시킨다. 세 번째 모듈은 REOSSP(Reconfigurable Earth Observation Satellite Scheduling Problem)로, MILP 기반 혼합 정수 선형 모델에 위성 연료·배터리·다운링크 용량 제약을 포함한다. 특히 궤도 재구성 변수 xₖᵢ를 도입해 위성 간 거리와 시야 겹침을 최소화하면서, 우선순위 목표와 보조 목표(재방문) 관측을 동시에 최적화한다. 실험에서는 기존 AEOSSP 대비 평균 관측 지연을 35 % 감소시키고, 연료 소비는 8 % 절감하였다. 전체 파이프라인은 실시간 데이터 흐름을 고려해 모듈 간 인터페이스를 표준화했으며, 위성 운영 센터에서 인간 개입 없이 자동으로 스케줄을 재생성·업링크한다. 이와 같은 통합 접근은 화재와 같이 급변하는 재난 상황에서 관측 갭을 최소화하고, 조기 대응을 가능하게 한다는 점에서 큰 의의를 가진다.