산불은 전 세계적으로 지역사회에 경제적, 사회적으로 큰 피해를 입히는 자연재해이다. 산불피해를 사전에 방지하고자 여러 가지 지수들을 개발하였는데, 이러한 지수들 중 제일 대표적인 지수가 1987년 캐나다에서 개발한 Fire Weather Index(FWI)이다. FWI는 개발된 이래로 현재까지도 많은 나라에서 산불의 연구 및 현업에서 사용될 정도로 유용한 지수이다. 그러나 FWI의 경우, 지수를 산출하는 과정이 경험적 방정식들로 이루어져 있고 또한 캐나다 산불에 맞게 개발되었기 때문에 이 지수를 다른지역에 대해 적용한다면 지역마다 기후특성, 식생특성 등이 서로 다 달라 지수가 잘 들어맞지 않을 지역이 있을 가능성이 존재한다. 따라서 해당 지역의 기후 및 식생 특성에 맞게 방정식의 산출과정을 조절할 필요가 있다. 그러나, 이러한 작업을 전 지구를 대상으로 시도할 경우 시간과 비용이 많이 소모되는 단점이 존재한다. 따라서 인공지능의 기법 중 하나인 인공신경망(Artificial Neural Network)을 이용하여 데이터를 직접보고 산불과 기상변수간의 상관패턴을 학습시켜서 산출과정 수정등의 과정을 모형에게 일괄적으로 맡기는 연구를 수행하였다.
사용한 데이터는 산불의 경우, 불의 발생 시 나오는 에너지의 전달 형식 중 하나인 복사파의 형태로 전달되는 Fire Radiative Power(FRP) 데이터를 미국 항공 우주국(National Aeronautics and Space Administration, NASA)의 MODIS(Moderate Resolution Imagaing Spectroradiometer) 위성으로 관측한 데이터를 사용하였고, 모형의 입력에 해당하는 기상변수 데이터의 경우 European Center for Medium-Range Weather Forecasts (ECMWF) Reanalysis 5 dataset (ERA5)에서 제공하는 온도, 풍속, 상대습도, 강수를 자료를 사용하였다. FWI와의 동등한 비교를 위해 FWI를 입력으로, FRP를 출력으로 하는 선형회귀실험을 진행하였다.
실험 결과, 인공신경망 모형이 기존의 FWI 모형보다 상관계수 및 RMSE(Root Mean Squre Error)에서 더 좋은 스킬을 보여주었으며, 이는 산출과정이 고정되어 있는 FWI 보다 데이터를 보고 직접 학습한 인공신경망 모형이 좀 더 산불의 강도를 잘 잡는 것으로 사료되어진다. 또한 전 지구적으로 산불 강도에 가장 민감한 변수가 무엇인지 살펴보기 위해, 인공신경망에 대해서는 Layer-Wise Relevance Propagation(LRP)실험을, LRP 적용이 불가능한 FWI에는 민감도 실험을 추가로 진행하였다. LRP 실험 및 민감도 실험 결과, 인공신경망에서 산불 강도의 일일 변동성을 가장 잘 나타내는 변수는 상대습도인 것으로 판명되었고, FWI 민감도 실험에서는 강수인 것으로 나타났다.
추가적으로 인공신경망 모형에서 상대습도가 가장 민감한 격자, FWI 모형에서 강수가 가장 민감한 격자, 인공신경망과 FWI 모형 차이에서 상관계수 스킬이 0.05이상 나는 격자 등 3가지 조건을 만족하는 격자들의 데이터를 추출하여 X축에는 상대습도와 강수, Y축에는 관측과 각 모형들을 통해 나온 FRP들을 표현하여 왜 인공신경망이 FWI 보다 더 우수한지 설명하려고 하였다. 결과적으로 FWI의 경우 강수에 너무 민감하게 반응하는 경향이 있어 일일 산불 변동성을 맞추지 못하는 것으로 판단되었고, 산출과정이 강수에 민감하게 반응하도록 방정식이 고정되어 있는 FWI와는 달리 인공신경망의 경우 데이터를 보고 직접 학습을 하여 더 좋은 결과가 나온 것으로 해석하였다.

Wildfires are natural disasters that cause great economic and social damage to communities around the world. Several indices were developed to prevent forest fire damage in advance, the most representative of which is the Fire Weather Index (FWI) developed in Canada in 1987. Since its development, FWI has been a useful index that has been used in the research and field of forest fires in many countries. However, in the case of FWI, since the process of calculating the index consists of empirical equations and was developed for Canadian wildfires, if the index is applied to different regions, there is a possibility that the index will not fit well. Therefore, it is necessary to adjust the calculation process of the equation according to the climate and vegetation characteristics of the region. However, there is a disadvantage that it takes a lot of time and cost to try these tasks on the whole planet. Therefore, using Artificial Neural Network, one of the techniques of artificial intelligence(AI), a study was conducted to learn the correlation pattern between forest fires and meteorological variables and entrust the process of calculation process modification to the model.
The used data is Fire Radiative Power (FRP), one of the forms of energy transfer, radiated waves, is transmitted in the form of radiation observed by the MODIS(Moderate Resolution Imgaing Spectroradiometer) satellite of National Aeronautics and Space Administration (NASA), Meteorological variables data, the input datas are temperature, wind speed, relative humidity, and precipitation provided by EuroPean Center for Medium-Range Weather Forecasts(ECMWF) of Reanalysis 5 dataset(ERA5) For equal comparison with FWI, a linear regression experiment was conducted with FWI as an input and FRP as an output.
Experiments showed that the artificial neural network model showed better skills in correlation coefficients and Root Mean Square Error (RMSE) than the FWI model, which is considered to be better at catching forest fires than the FWI with fixed calculation process. In addition, in order to examine which variables are most sensitive to forest fire intensity globally, a Layer-Wise Revelation Propagation (LRP) test was conducted for artificial neural networks, and a sensitivity test was additionally conducted for FWI that cannot be applied to LRP. As a result of LRP experiments and sensitivity experiments, the variable that best represents the daily variability of forest fire intensity in artificial neural networks was found to be relative humidity, and precipitation in FWI sensitivity experiments.
In addition, we extracted data from grids that satisfy three conditions: the most sensitive grids for relativee humidity in the artificial neural network model, the most sensitive grids for precipitation in the FWI model, and the difference of correlation skill score higher than 0.05 between the artificial neural network and the FWI model, and expressed relative humidity and precipitation on the X-axis, and observations on the Y-axis. As a result, it was judged that FWI tend to react too sensitively to precipitation to meet daily forest fire intensity, and unlike FWI, where the calculation process is fixed to react sensitively to precipitation, artificial neural networks learned data directly to produce better results.