[기고] 머신러닝을 활용한 산불 감시와 재난 대비

Edge Impulse 활용 사례: 산불 감시

머신러닝이 우리 생활 곳곳으로 근본적인 변화를 가져오고 있다. 본질적으로 머신러닝은 일련의 수학적 연산으로서, 이전의 데이터에 기반해서 미래의 사건을 예측할 수 있도록 한다. 다양한 분야에 머신러닝을 활용해서 더 안전하고 밝은 미래를 실현할 수 있을 것이다.

재난 대비를 위해서도 머신러닝을 활용할 수 있다. 머신러닝을 활용해서 극단적인 기상 조건 같은 비상 상황을 예측하고 사전에 대비를 함으로써 피해를 크게 줄일 수 있다.

예를들어, 산불 감시용으로 머신러닝을 활용할 수 있다. 특히 산불 감시용으로는 에지 상으로 머신러닝을 구현하는 것이 필요하다. 이 글에서는 산불 감시에 머신 러닝을 어떻게 활용할 수 있으며 왜 에지 상으로 구현하는 것이 필요한지 설명하고, Edge Impulse를 사용한 활용 사례를 소개한다.

글_ 무하메드 자인(Muhammed Zain), 살만 파리스(Salman Faris)

제공_ 마우저 일렉트로닉스(Mouser Electronics)

산불 감시와 머신러닝

지금까지 인류가 겪는 어려움 중의 하나는 허리케인, 지진, 산불 같이 언제 발생할지 모르는 자연 재해에 대비하고 대처하는 것이다. 그러므로 이러한 자연 재해를 효과적으로 예측할 수 있는 기술이 필요하다.

산불 감시를 위해서도 이러한 예측이 필요하다. 산불이 발생되는 것은 임의적이기 때문에 산불 발생을 예측한다는 것은 어렵다. 산불은 사람과 동물의 목숨을 앗아가고 삼림을 황폐하게 만든다. 오늘날에는 지구 온난화와 기후 변화로 인해서 산불을 예측하고 대비하는 것이 어느 때보다 더 중요해졌다.

이 문제를 해결하기 위해서 머신러닝 기술을 활용할 수 있는 방안들이 모색되고 있다.

과학자들은 공기와 토양의 온도와 습도 같은 변수들이 산불에 대한 취약성을 이해하는 지표가 된다는 것을 잘 알고 있다. 하지만 이러한 변수들을 취해서 산불 발생을 정확하게 예측하는 수학적 모델을 도출하는 것이 어려운 과제였다.

그런데 이제 머신러닝이 변화를 가져오고 있다. 주요 지표들로부터 데이터를 취하고 이것을 머신 러닝 모델로 투입함으로써 산불을 높은 정확도로 예측할 수 있게 된 것이다. 그러므로 산불에 대비해서 가축들을 피난시키고 불에 타기 쉬운 물건들을 치움으로써 산불의 피해 규모를 줄일 수 있다.

산불 감시에 에지(Edge) 컴퓨팅 활용

많은 경우에 머신러닝 애플리케이션은 클라우드로 실행된다. 클라우드로 대형 서버들을 사용해서 머신러닝 연산에 필요한 프로세싱 성능을 제공할 수 있다. 그런데 산불 감시 용으로는 몇 가지 이유에서 이 연산을 에지 상으로 옮기는 것이 필요하다.

산불 감시 애플리케이션으로 습도와 온도 같은 다양한 환경 센서들을 사용하고 이렇게 수집된 데이터에 대해서 머신러닝 알고리즘을 실행한다. 이를 위해서 두 가지 옵션을 사용할 수 있다. 이 데이터를 클라우드로 전송해서 처리하거나, 에지 상에서 처리하는 것이다.

산불 감시 애플리케이션으로 클라우드로 처리할 때의 어려운 점은 이러한 센서들이 원격지에 설치되어 있다는 것이다. 산불이 발생될 수 있는 숲속 여기저기에 센서들을 설치하는 것이다. 이러한 장소들에서는 네트워크 커넥티비티가 매우 제한적이다. 그러므로 클라우드로 처리하기 위해서 모든 센서 데이터를 전송하기가 어렵거나 아예 불가능할 수 있다. 에지 상으로 머신러닝을 활용함으로써 데이터를 로컬 디바이스 상에서 처리할 수 있다. 외부 세상과 통신은 산불이 발생될 것으로 예측될 때 통보를 위해서만 필요하다.

에지 컴퓨팅은 무선 통신을 줄임으로써 전력 소모를 줄일 수 있다. 그러므로 센서로 배터리 수명을 연장하고 더 긴 시간 동안 재난 대비 정보를 제공할 수 있다.

에지 컴퓨팅의 또 다른 이점은 전력 소모를 줄일 수 있다는 것이다. 대부분의 경우에 원격지에 설치된 센싱 디바이스는 전원 공급을 위해서 작은 크기의 리튬이온 또는 리튬폴리머 배터리를 사용한다. 이러한 경우에 배터리를 교체하는 것이 현실적으로 쉽지 않은 일이다. 그러므로 배터리 수명이 곧 디바이스 수명이다.

IoT 디바이스로 가장 중요한 전력 소모 요인이 네트워크 상의 다른 디바이스와 무선으로 통신하기 위해서 소모되는 전력이다. 클라우드 컴퓨팅의 경우에는 단지 다량의 센서 데이터를 클라우드로 전송하기 위해서 상당한 양의 전력을 소모한다. 이것은 배터리 수명을 크게 단축할 것이다.

에지 컴퓨팅은 무선 통신을 줄임으로써 전력 소모를 줄일 수 있다. 그러므로 센서로 배터리 수명을 연장하고 더 긴 시간 동안 재난 대비 정보를 제공할 수 있다.

Edge Impulse 사용

우리는 산불 감시 디바이스를 구현하는 과정에서 직면하는 많은 과제들을 Edge Impulse를 사용해서 해결할 수 있었다.

특히 중요한 과제는 센서 융합이었다. 이 디바이스는 공기와 토양의 온도와 습도를 비롯해서 다수의 분산된 센서들로부터 데이터를 취해서 다양한 지표를 이해하고자 했다. 그러기 위해서는 센서 융합이 필요했다. 센서 융합은 다양한 센서들로부터 데이터를 융합해서 주변 환경을 좀 더 포괄적으로 인지할 수 있도록 한다.

센서 융합을 구현하는 것은 많은 복잡성을 내포한 까다로운 작업이다. 다행히도 Edge Impulse가 제공하는 일련의 툴들이 에지 디바이스 상으로 센서 융합을 구현하는 것을 수월하게 한다. 우리는 Edge Impulse를 사용해서 데이터를 포착하고 취합하고 머신러닝 모델로 제공하도록 형식화하는 시스템을 좀 더 수월하게 성공적으로 설계할 수 있었다.

또한 Edge Impulse를 사용해서 모델을 손쉽게 선택 및 학습하고 마이크로프로세서로 구축할 수 있었다. 우리가 사용한 마이크로프로세서는 Seeed Studio Wio 단말기 상으로 ATSAMD51 기반 코어였다. Edge Impulse가 제공하는 툴과 자원이 아니었다면 이 프로젝트는 불가능했을 것이다.

맺음말

어느 시대에나 인간은 자연 재해나 비상 사태에 대처해야 한다. 머신러닝이 등장함으로써 이전에는 상상할 수 없던 방식으로 자연 재해를 예측하고 대비할 수 있게 되었다.

기후 변화로 인해서 산불 감시가 점점 중요해지고 있다. 산불 감시 애플리케이션은 고유의 제한점들로 인해서 에지 컴퓨팅을 필요로 한다. Edge Impulse가 제공하는 툴과 자원을 활용함으로써 우리는 산불이 발생할 것 같을 때 공원 감시인이나 여타 관리인들에게 통보하는 산불 감시 디바이스를 성공적으로 개발할 수 있었다. 그러므로 이 기술은 사람과 동물의 생명을 살리고 귀중한 삼림이 파괴되는 것을 미리 막을 수 있도록 한다.