On-Orbit Real-Time Wildfire Detection Under On-Board Constraints

우리는 9 개의 위성으로 구성된 상용 열적 적외선 군집을 탑재한 우주 내 실시간 산불 감지 시스템을 제시합니다. 이 시스템은 demanding joint constraints(요구되는 통합 제약 조건) 하에서 작동하며, 이는 다음과 같습니다: sub-megabyte model footprint(sub-MB 모델 크기), NVIDIA Jetson Xavier NX 에서 TensorRT FP16 inference(TensorRT FP16 추론) 를 수행하는 per-batch latency(per-배치 지연 시간) 가 150 ms 미만인 경우, 그리고 위성 과도 (satellite overpass) 에서부터 화재 사건 통신 (fire event communication) 까지 end-to-end alert pipeline(end-to-end 알림 파이프라인) 이 10 분 이내를 목표로 하는 경우입니다. 시스템은 200 m ground sampling distance(지면 샘플링 거리) 의 uncalibrated mid-wave infrared (MWIR) single-band imagery(비교정된 중파 적외선(MWIR) 단일 대역 이미지) 에서 작동하며, 여기서 화재는 극심한 class imbalance(class 불균형) 하에서 sub-pixel 또는 single-pixel thermal anomalies(sub-픽셀 또는 single-픽셀 열적 이상 현상) 로 자주 나타납니다. 이는 현재 운영 중인 산불 감지에 dominance(우위) 를 차지하는 contextual thermal-thresholding pipelines(contextual thermal-thresholding 파이프라인)(MODIS, VIIRS) 이 해결하지 못하는 문제입니다. 우리는 proprietary nine-satellite MWIR dataset(proprietary 9 위성 MWIR 데이터셋) 을 사용하여 lightweight dense representation learning(lightweight dense representation 학습) 의 empirical study(empirical 연구) 를 제시합니다. 우리는 DenseMAE(DenseMAE) 와 hybrid DenseMAE+EMA(hybrid DenseMAE+EMA, exponential moving average) distillation variant(distillation 변형) 를 비교하며, extreme class imbalance(극심한 class 불균형) 하에서 linear probing(linear probing) 과 full-distribution pixel-level average precision(AP)(full-distribution pixel-level 평균 정확도 (AP)) 를 통해 representations(representations) 을 평가합니다. DenseMAE pretraining(DenseMAE pretraining) 은 latency-accuracy Pareto frontier(latency-accuracy Pareto frontier) 에서 compact downstream models(compact downstream 모델) 을 가능하게 합니다: 우리의 fastest SSL-pretrained model(fastest SSL-pretrained 모델) 은 65.34 ms per batch(per-배치 지연 시간) 과 0.52 MB engine(0.52 MB 엔진) 으로 test AP(test AP) 가 0.640, event-level Fire-F1(event-level Fire-F1) 이 0.69 입니다. 이는 pruning(compression) 없이 달성되었습니다. 최적의 구성은 1 MB 미만으로 0.699 AP(0.699 AP) 와 0.744 Fire-F1(0.744 Fire-F1) 을 달성하며, comparable constraints(comparable 제약 조건) 하에서 supervised baseline(supervised baseline)(0.650 AP) 을 상회합니다.