AI2, 산불 연료 수분 추정 모델 OlmoEarth LFMC-Base 공개

Allen Institute for AI(Ai2)가 Hugging Face에 산불 연료 수분 추정 모델 OlmoEarth-v1_2-FT-LFMC-Base 저장소를 올렸다. 저장소는 2026-10-23(UTC)에 만들어졌고 2026-10-26(UTC)에 마지막으로 수정됐다. 이 변경은 한국 시각 2026-10-29 08:43에 처음 관측됐으며, 공개 발표 시각과 같다고 단정할 수 없다.

모델은 OlmoEarth-v1_2-Base를 미세 조정해 나무 등 목질 식생의 생체 연료 수분 함량(LFMC)을 백분율로 예측한다. 10m 픽셀마다 값을 내며, 기존 OlmoEarth-v1-FT-LFMC-Base와 같은 학습 설정을 따른다. 라이선스는 OlmoEarth Artifact License이고, Ai2의 책임 있는 사용 지침에 맞게 써야 한다.

입력과 구조

입력은 예측일 이전 168일을 14일 단위로 나눈 12개 시점의 위성 영상이다. 시점마다 Sentinel-2 L2A 모자이크(12개 밴드)와 Sentinel-1 RTC 모자이크(VV, VH) 한 장씩이 들어간다. 인코더는 패치 크기 4의 OlmoEarth-v1_2-Base이고 뒤에 UNet 디코더가 붙는다. 학습은 최대 100 에폭이며, 인코더를 처음 20 에폭 동안 고정했다가 나머지 에폭에서 함께 미세 조정했다.

학습에는 Marta Yebra 등이 CC0로 공개한 Globe-LFMC-2.0 데이터셋 가운데 미국 본토 부분집합을 썼다. 이 가운데 목질 식생 표본 44,022개만 골랐다. 데이터는 공간 기준으로 나눴다. 128x128 픽셀 격자 셀 단위로 해시를 계산해 학습 70%, 검증 20%, 시험 10%에 배정했다. 학습은 최적화 알고리즘 AdamW, 학습률 2e-5, 배치 크기 32, 무작위 32x32 크롭으로 했다. 인코더를 푼 뒤의 인코더 학습률은 2e-5의 10배다.

성능과 사용법

저장소는 Angeles Forest Hwy(34.425, -118.0894) 지점의 예시를 싣고 있다. 이 지점은 학습 데이터에 포함된 목질 지점이다. 실측 71, 65, 58에 모델은 2022-07-04, 07-18, 08-01 순으로 72.7, 68.7, 65.0을 예측했으며, 예측값은 지점 주변 3x3 픽셀 값이다. 저장소는 이 예시가 출력 형태를 보여 줄 뿐 정확도의 척도는 아니라고 밝혔다.

실행에는 rslearn 0.1.18과 olmoearth-pretrain-minimal 0.1.4가 필요하다. 모델을 학습한 버전이 이 두 가지이고, 더 새로운 버전도 작동할 수 있으나 시험하지 않았다. 예측 영역마다 시작·종료 시각을 예측일로 같게 둔 UTM 10m 창을 만들고 영상을 내려받는다. 모든 창에는 Sentinel-2 모자이크 12개와 Sentinel-1 모자이크 12개가 필요하므로, 창마다 완료 표시 24개를 확인하고 나서 rslearn model predict를 실행한다. 결과는 창별 GeoTIFF로 저장된다. 추론은 CPU에서도 되지만 GPU가 훨씬 빠르다.

직접 미세 조정하려면 표본마다 63x63 픽셀 창을 표본 위치를 중심으로 만든다. 표본 픽셀에만 LFMC 값을 넣고, 나머지 픽셀에는 손실이 무시하는 값 29를 넣는다. 저장소에는 model.ckpt, model.yaml, dataset_config.json, olmoearth_config.yaml이 들어 있다.