산불 4건으로 시공간 딥러닝 학습하기

학부 캡스톤에서 산불 확산 경로 예측 모델을 만들었습니다. 지금 시점의 화선(불이 붙은 경계)과 바람·지형·식생 정보를 넣으면, 다음 시점에 불이 어디까지 번질지 300×300 지도로 예측하는 모델입니다. 저는 4인 팀에서 모델 설계와 학습을 맡았습니다.

이 글은 "데이터가 너무 적을 때 무엇을 했는지", 그리고 3년 뒤 코드를 다시 정리하면서 "무엇이 부족했는지"에 대한 기록입니다.

데이터: 산불 4건, 35개 시점

국내 대형 산불 4건(울진·삼척, 밀양, 군위, 강릉)의 산림청 산불 상황도를 ArcGIS로 래스터화했습니다. 각 시점마다 5개 채널을 같은 격자에 맞췄습니다.

딥러닝 기준으로는 턱없이 적은 양입니다. 4건을 모두 합쳐 35개 시점뿐이었고, 그중 강릉은 일반화 성능을 보기 위해 학습에서 완전히 뺐습니다.

적은 데이터에 맞춘 두 가지 선택

① 모델을 작게 만들었습니다. Conv2D로 공간 특징을 줄이고(300→75), LSTM을 거쳐 다시 300×300으로 복원하는 U-LSTM 구조인데, 전체 파라미터를 2,736개로 제한했습니다. 데이터보다 모델이 훨씬 크면 학습 데이터를 외워 버리기 때문입니다.

② 슬라이딩 윈도우로 학습 샘플을 늘렸습니다. 한 산불의 시점 1~N을 길이 1부터 19까지의 구간으로 잘라 "이전 시점들 → 다음 시점" 쌍을 만들었습니다. 이렇게 학습 배치 151개를 구성했습니다.

결과적으로 학습에 쓰지 않은 강릉 산불에서 시점이 지날수록 실제 확산 형태를 비슷하게 재현했습니다. 초기 시점은 화선 정보 자체가 작아 부정확했지만, 불이 커질수록 모양을 따라갔습니다.

최종 결과보고서 기준. 아래 '다시 읽은 코드'에서 설명하듯, 검증 구간이 학습과 일부 겹쳐 있어 숫자는 테스트 쪽이 더 믿을 만합니다.

3년 뒤 다시 읽은 코드

포트폴리오를 위해 팀 노트북을 다시 열었을 때, 같은 코드를 사건마다 복사하고 학습 샘플을 train_x_1부터 train_x_161까지 변수로 하나씩 잘라 둔 상태였습니다. 이를 설정 파일 하나와 함수 몇 개로 재구성하고, 테스트로 "원본과 같은 배치 수(151)·같은 파라미터 수(2,736)"를 확인했습니다.

그 과정에서 당시에는 몰랐던 점들이 보였습니다. 숨기지 않고 저장소 README에도 적어 두었습니다.

LSTM이 시간 축을 보고 있지 않았다

이름은 U-LSTM이지만, 실제로 LSTM은 75×75 격자를 5,625 길이의 시퀀스로 펼친 공간 축 위에서 동작하고 있었습니다. 각 샘플은 t → t+1을 독립적으로 예측합니다. 여러 시점의 흐름을 직접 학습하려면 ConvLSTM처럼 시간 축을 입력으로 받는 구조가 맞습니다.

검증 데이터가 학습과 겹쳤다

검증에 쓴 밀양 구간이 학습 윈도우와 일부 겹쳐 있었습니다. 강릉 테스트는 완전히 분리되어 있어 테스트 결과는 유효하지만, 하이퍼파라미터를 고르는 기준으로는 사건 단위 교차검증(leave-one-fire-out)이 더 엄밀합니다.

불균형 문제에 맞는 손실 함수가 아니었다

300×300 지도에서 화선 픽셀은 아주 일부입니다. 이런 불균형 문제에서 MSE와 Accuracy만 보면 "전부 불이 안 났다"고 예측해도 점수가 높게 나옵니다. Dice·Focal loss와 IoU를 함께 보는 것이 맞습니다.

배운 것

• 데이터가 적을 때는 모델보다 데이터 구성이 먼저입니다. 파라미터 수를 줄이고 윈도우로 샘플을 늘린 선택이 결과를 만들었습니다.
• "구조의 이름"이 아니라 "텐서가 실제로 흐르는 축"을 확인해야 합니다. 당시 shape을 끝까지 따라가 봤다면 LSTM이 공간 축을 보고 있다는 것을 알았을 겁니다.
• 평가 설계는 모델 설계만큼 중요합니다. 데이터 분리와 지표 선택이 잘못되면 좋은 숫자가 아무 의미가 없어집니다.

다시 만든다면 ConvLSTM, 사건 단위 교차검증, Dice loss + IoU, 그리고 위성 영상 기반 화선 자료를 추가하는 것부터 시작하겠습니다.