Development of Satellite-based Drought Indices for Assessing Wildfire Risk

산불발생위험 추정을 위한 위성기반 가뭄지수 개발

Abstract

Drought is one of the factors that can cause wildfires. Drought is related to not only the occurrence of wildfires but also their frequency, extent and severity. In South Korea, most wildfires occur in dry seasons (i.e. spring and autumn), which are highly correlated to drought events. In this study, we examined the relationship between wildfire occurrence and drought factors, and developed satellite-based new drought indices for assessing wildfire risk over South Korea. Drought factors used in this study were high-resolution downscaled soil moisture, Normalized Different Water Index (NDWI), Normalized Multi-band Drought Index (NMDI), Normalized Different Drought Index (NDDI), Temperature Condition Index (TCI), Precipitation Condition Index (PCI) and Vegetation Condition Index (VCI). Drought indices were then proposed through weighted linear combination and one-class support vector machine (One-class SVM) using the drought factors. We found that most drought factors, in particular, soil moisture, NDWI, and PCI were linked well to wildfire occurrence. The validation results using wildfire cases in 2018 showed that all five linear combinations produced consistently good performance (> 88% in occurrence match). In particular, the combination of soil moisture and NDWI, and the combination of soil moisture, NDWI, and precipitation were found to be appropriate for representing wildfire risk.

가뭄은 산불을 일으킬 수 있는 요소 중 하나로, 산불의 빈도 및 피해 면적과 연관성이 있다. 특히, 우리나라는 가뭄이 주로 발생하는 건조한 봄과 가을에 산불이 많이 발생하고, 그 중 일부는 강풍을 동반하여 대형산불로 번지는 경향을 보인다. 따라서 본 연구에서는 우리나라를 대상으로 산불발생 및 면적과 가뭄 변수의 관련성을 파악하고, 우리나라에 적합한 가뭄 변수를 이용하여 산불발생위험 추정을 위한 위성기반의 가뭄지수를 개발하였다. 사용한 가뭄 변수는 다운스케일링(downscaling)한 고해상도의 토양수분, Normalized Different Water Index(NDWI), Normalized Multi-band Drought Index(NMDI), Normalized Different Drought Index(NDDI), Temperature Condition Index(TCI), Precipitation Condition Index(PCI), Vegetation Condition Index(VCI)이며, 경험적 가중 선형조합(Weighted Linear Combination) 및 One-class SVM을 통해 지수 개발을 하였다. 2013년부터 2017년 기간 동안의 변수를 이용하여 상관성 분석을 통해 대부분의 가뭄 변수가 산불 발생에 유의미한 결과를 보임을 확인했으며, 특히 토양수분과 NDWI, PCI가 우리나라 산불과 상관성을 보였다(88 % 이상 일치함). 개발된 지수를 2018년 산불 발생 건에 대해 적용한 결과, 다섯 가지의 선형조합 중에서 토양수분과 NDWI의 조합이 시 공간적으로 적합한 것으로 나타났으며, One-class SVM은 대형산불에 적합한 것으로 나타났다.

1. 서론

산불은 세계적으로 발생 빈도가 빈번한 재난이며, 최근에는 기후변화에 따른 급격한 기상 이변 등의 작용으로 인해 그 피해가 증가하고 있다(Sung et al., 2010; Liu et al., 2014). 산불은 낙뢰 등과 같은 자연적인 원인이나 실화, 소각 등의 인위적인 요인에 의해 발생하며 수많은 산림 및 생태계 파괴, 각종 재산 피해 등을 유발한다. 국내 산불 발생은 과거부터 꾸준히 존재해 왔으며 입산자의 부주의 등 인적 요인으로 인해 주로 산불이 발생하고 가뭄과 같은 환경적 요인 자체로 인한 산불 발생은 극히 드물다(Korea Forest Service, 2019). 그러나 산불의 확산에 있어서 가뭄은 중요한 요인으로 작용할 수 있다. 토양이나 식생의 수분 조건이 연료 가연성에 영향을 주는 등, 기상 요인들이 산불 발생과 연관이 있으며 가뭄의 정도에 따라 산불의 강도나 심각도에 영향을 줄 수 있다(Xiao and Zhuang, 2007; Gudmundsson et al., 2014; Littell et al., 2016). 또한 국내 계절별 가뭄 현상과 연중 산불 다발 시기와 관련성이 있으며 주로 건조한 시기에 산불 발생이 증가하는 경향성이 있다(Yoon and Won, 2016; Korea Forest Service, 2019). 가뭄 그 자체는 산불의 필요충분조건이 아니지만 서로 상호 피드백 영향을 주는 관계이므로, 산불 발생 위험을 판단하는데 있어 가뭄의 영향을 고려해야 한다(Littell et al., 2016).

이러한 이유로 국외에서는 가뭄인자/지수를 활용하여 산불위험예보시스템을 운영하고 있다. 유럽(European Forest Fire Information System, https://effis.jrc.ec.europa.eu)과 캐나다(Canadian Wildland Fire Information System, http://cwfis.scf.rncan.gc.ca/maps/fw)에서는 기온, 강수량 자료를 통해 생산된 가뭄 코드(Drought Code)를 이용하며, 호주(National Fire Danger Rating System, https:// www.rfs.nsw.gov.au)에서는 강수량과 기온을 이용하여 산정되는 토양수분 부족지수인 KBDI(Keetch-Byram Drought Index)를 이용한다 (Keetch and Byram, 1968). 미국에서는 가뭄 모니터링 자료(United States Drought Monitor, USDM, https://droughtmonitor.unl.edu)를 적극 활용하여 산불위험정보를 제공한다. 하지만 국내에서 제공하고 있는 산불위험지수(Daily WeatherIndex, DWI)는 온도, 습도, 풍속 등의 기상자료만을 기반으로 한 실효 습도, 최고온도, 평균 풍속, 강수량 등을 이용하고 있다.

산불 발생과 가뭄 상태 간의 연관성을 분석하기 위한 연구는 국내외로 계속 진행되어 오고 있다. Yoon and Won(2016)은 기상청 정규기상관측소의 월별 자료로부터 기상학적 가뭄 지수인 SPI(Standard Precipitation Index)를 지속기간별로 계산하고 산림청의 산불통계자료를 바탕으로 지역에 따라 특정 지속기간의 SPI가 산불발생빈도와 상관성이 있음을 분석하였으며 향후 산불발생 예측을 위해 다른 가뭄지수들과 산불과의 상호 비교연구의 필요성을 언급하였다. Seong et al.(2015)은 식생 캐노피(canopy) 수분을 나타내는 위성기반의 지수인 NDWI(Normalized Difference Water Index)의 아노말리(anomaly)가 음의 값, 즉 건조한 상태를 나타낼 때 대형 산불이 빈번하게 발생하는 것을 확인하였다. 음의 아노말리의 심도와 대형산불 발생 여부가 불일치하는 사례 등을 한계점으로 언급하며 향후 더 다양한 기상인자와 생태변수들이 고려되어야 함을 나타냈다. 국외의 경우 Keetch and Byram(1968)이 제안한 KBDI 등의 기존 지수를 각 지역에 맞게 계수 값을 조정하는 등 기존 단일 지수를 개선시키는 방향의 연구가 많이 진행되어 오고 있다(Ganatsas et al., 2011; Taufik et al., 2015). 이처럼 기존 국내외 연구에서는 현장관측 기반의 가뭄지수를 이용하거나 단일 가뭄지수를 이용하여 산불발생과의 연관성을 파악하였다. 하지만 현장관측 기반의 가뭄지수는 미 계측 지역에 대한 정보를 알 수 없고, 단일 가뭄지수로는 가뭄을 발생하는 여러 요인을 분석하기가 힘들다. 따라서 미 계측 지역에 대한 다양한 요소로 인한 가뭄 상태를 알기 위해서는 위성자료의 사용이 필요하다.

우리나라는 최근 10년간 연평균 432 건의 산불이 발생하여 연평균 670 ha가 피해 면적으로 산정되었다. 주로 2-5월인 봄철과 11-12월인 가을철에 주로 발생하며, 이는 우리나라의 가뭄 발생 기간과 거의 일치한다 (Yoon and Won, 2016). 따라서 본 연구에서는 우리나라를 대상으로 위성기반의 다중 가뭄 인자를 활용하여 산불발생위험을 대변할 수 있는 가뭄지수를 개발하였다. Global Land Data Assimilation System(GLDAS)의 토양수분을 1 km로 다운스케일링(downscaling)한 고해상도의 토양수분(soil moisture), MODIS의 지표반사도(surface reflectance), 지표면 온도(land surface temperature, LST), 식생지수(normalized difference vegetation index, NDVI), Tropical Rainfall Measuring Mission (TRMM)의 일 누적 강수량을 1 ha 이상의 산불 발생 건(2013-2017년)과 비교·분석하였다. 이를 통해 선정된 가뭄 인자에 대해 경험적 가중 선형조합 및 One-class Support vector machine (One-class SVM) 기법을 적용하여 산불 발생 위험을 대변하는 가뭄지수를 개발하였다. 개발된 가뭄지수는 2018년 산불발생 건에 대해 비교·검증하였다.

2. 연구지역 및 자료

1) 연구지역 및 현장자료

본 연구에서는 산림청(www.forest.go.kr)에서 제공하는 1:25000 임상도를 기준으로 비 산림 지역을 제외한 우리나라 전 지역을 연구지역으로 선정하였다(Fig. 1). 국립산림과학원에서 제공받은 산불 피해 대장 표(발생일시, 발생장소, 피해면적, 발생원인 등의 정보를 포함)와 산불 발생 장소 GIS 파일에서 2013년부터 2018년까지의 1 ha 이상의 산불 발생자료(총 241 건)를 가뭄지수개발 및 검증에 이용하였다.

Fig. 1. The study area of this study. The forest type map provided by Korea Forest Service (www.forest.go.kr) is used as a background image. (a)-(d) show the location of four major wildfire events occurred in 2018. The symbol of black triangle is location of soil moisture stations (Stn1-4).

2) 위성 및 재분석 자료

다중 위성자료 및 재분석 자료를 이용하여 토양수분 다운스케일링 모델 및 가뭄지수를 개발하였다. 토양수분 다운스케일링 모델 개발에 2013년부터 2015년까지의 동안의 GLDAS 일 평균 토양수분 자료(1-10 cm), Meteorological Operational(Metop) Advanced SCATtero metter(ASCAT) 의 일 평균 토양수분 자료, Terra Moderate Resolution Imaging Spectroradiometer(MODIS)의 16일 식생지수(MOD13A2), 8일 평균 지표면 온도(MOD11A2)와 Shuttle Radar Topography Mission(SRTM)의 Digital Elevation Model(DEM), TRMM의 일 강수 자료(3B42)를 이용하였다(Table 1). GLDAS는 지표모델을 기반으로한 자료동화 데이터 시스템으로 25 km 공간 해상도의 1-10 cm 토양층의 수분 자료를 3시간 간격으로 제공하며 본 연구에서는 Noah 지표면 모델(land surface model, LSM)의 일 평균값을 이용하였다.ASCAT은 C-band(5.255 GHz)의 후방산란신호를 이용하여 식 (1)을 통해 토양수분 산출물을 제공한다(Cho et al., 2015; Wagner et al., 1999).

\(m_{s}=\frac{\sigma^{0}-\sigma_{d r y}}{\sigma_{w e t}-\sigma_{d r y}}\)       (1)

Table 1. Reanalysis data and satellite products used in this study

m_s는 지표 토양수분을 나타내며, σ₀는 현재 상태의 후 방산란 값을, σ_wet과 σ_dry는 과거 기간 동안의 가장 습윤하고 건조할 때의 후방산란 값을 나타낸다. 본 연구에서는 3-4일 주기 자료의 신뢰도를 높이기 위해 일주일 평균 자료를 이용하였다. 강수량의 경우 토양수분에 미치는 지속기간을 고려하여 5일 및 7일 누적하여 사용하였다. 식생지수는 일별 차이가 크지 않으며, 지표면온도는 구름지역에 대해 정보를 제공하지 않는다. 따라서 MODIS 지표면온도와 식생지수는 해당되는 8일, 16일 동안 같은 값을 할당하였다.

가뭄지수 개발에 기존 연구에서 제안된 가뭄 인자의 적용을 위해 일 강수량(TRMM 3B42), Terra MODIS에서 제공하는 일 지표 반사도(MOD09GA), 일 지표면온도(MOD11A1)를 이용하였다. Integrated Multi-satellitE Retrievals for Global Precipitation Mission(GPM IMERG)가 2014년 7월부터 10 km로 제공되고 있으나 본 연구기간(2013-2018)에 적합하지 않아 TRMM 3B42 강수량을 대신 사용하였다. 강수량으로 인한 가뭄발생은 보통 월단위(e.g. 1-, 3-, 6-개월)로 진행되나 일 기준으로 변화가 미미하여 강수량으로 인한 일별 변화를 확인하기 위해 1주, 2주 누적한 강수량을 각각 사용하였다.

3. 연구 방법

본 연구에서는 산불발생위험 추정을 위한 가뭄지수개발을 위해, 기계학습 종류 중 하나인 랜덤 포레스트를 기반으로 하여 25 km의 토양수분 자료를 1 km의 토양수분으로 고해상도화 하였으며(Fig. 2(a)), 그 외 가뭄인자와 함께 산불 발생과의 상관성 파악을 통해 향후 지수개발 모델의 입력변수로써 사용하였다(Fig. 2(b)). 선정된 입력 변수 간의 경험적 가중 선형조합 및 One-class SVM의 두 가지 방식을 통해 산불발생위험을 대변하는 새로운 가뭄 지수를 개발하였다. 자세한 내용은 아래와 같다.

Fig. 2. The overall flowchart of developing satellite-based drought indices for assessing wildfire risk. (a) soil moisture downscaling and (b) drought index development linked to wildfire risk.

1) 토양수분 다운스케일링(soil moisture downscaling)

본 연구에서는 Park et al.(2017)이 제안한 토양수분 다운스케일링 모델의 흐름을 참고하여 적용하였다. Park et al.(2017)은 ASCAT 및 Advanced Microwave Scanning Radiometer 2(AMSR2)의 각 토양 수분 자료와 MODIS의 NDVI, 지표면 온도, 토지 피복도, 그리고 SRTM의 DEM 자료를 바탕으로 Cubist 수정된 회귀 나무(modified regression tree) 모델을 구축하여 25 km GLDAS 토양수분 자료를 1 km의 공간해상도로 상세화 하였다. Park et al.(2017)은 Cubist 모델의 훈련 기간인 2013-2014년도에 대해 10-fold 교차검증을 시행하였을 때 피어슨 상관계수(r) 값이 0.854의 결과를 보였다. 본 연구에서는 GLDAS 토양수분 자료의 공간상세화를 위하여 2013-2014년 기간 동안의 ASCAT 토양수분, 8일 합성 지표면 온도, 16일 합성 식생지수, SRTM의 DEM, 5일 누적 강수량과 7일 누적 강수량을 입력변수로 하여 랜덤 포레스트(Random Forest) 기반의 토양수분 다운스케일링 모델을 개발하였다. 사용한 랜덤 포레스트 모델은 훈련 과정에서 독립적인 결정트리(Decision Tree) 그룹을 구성하여 앙상블 기법을 통해 입력변수로부터 종속 변수의 값을 예측하는 기계학습 기법 중 하나이며(Breiman, 2001), 기존의 기계학습 기반의 위성 산출물 다운스케일링 연구에서 다른 기계학습 기법 보다 상대적으로 우수한 성능을 보였다(Im et al., 2016; Ke et al., 2016; Jing et al., 2016). 모든 자료의 공간 해상도의 통일성을 위하여 모든 입력자료는 GLDAS 토양수분과 같은 격자 크기인 25 km의 공간해상도로 resampling한 후 모델 구축에 적용되었다. 이후 개발된 모델에 1 km 격자 크기로 변환한 6개의 변수 자료를 적용시켜 최종적으로 1 km 격자의 고해상도 토양수분 자료를 산출하였다. 본 연구에서는 2013-2014년 자료에 대하여 10-fold 교차검증을 수행하여 모델을 구축하였다. 10-fold 교차 검증은 전체 자료를 10등분하여 9개는 훈련자료로 나머지 1개는 검증자료로 이용하는 방법으로, 상호 배타적으로 등분하여 전체 자료에 대해 모델을 평가하여 많은 연구에서 모델의 정확도를 추정하는데 이용했다(Yoo et al., 2018; Han et al., 2018). 모델의 성능을 평가하기 위하여 피어슨 상관계수와 RMSE (Root Mean Square Error) 및 rRMSE(relative Root Mean Square Error)를 계산하였다. 모델을 통해 생산된 토양수분 다운스케일링 결과는 농촌진흥청의 2015년도 현장관측 토양수분 자료와 비교하여 추가검증을 진행하였다.

2) 산불발생위험 관련 가뭄지수 개발

산불관련 가뭄지수 개발에 사용된 변수는 본 연구에서 개발된 고해상도 토양수분과 NDWI5-7 (short wave infrared(SWIR) 파장 영역에 따라 세 가지가 있음), NDDI (Normalized Different DroughtIndex), NMDI(Normalized Multi-band Drought Index), TCI (Temperature Condition Index), VCI (Vegetation Condition Index) 그리고 PCI (Precipitation Condition Index)이다(Table 2). NDWI는 Gao(1996)이 개발한 변수 중 하나로 NIR과 SWIR 파장영역의 반사도로 계산된다. SWIR은 수분에 민감한 파장으로 파장 영역에 따라 수분을 감지하는 특성이 다르므로(Wang et al., 2008), MODIS의 SWIR 파장영역에 속하는 밴드5-7을 NDWI 계산에 각각 이용하였다. NDDI는 NDWI와 식생지수로 계산되는 변수로 두 범위의 SWIR 파장 영역을 사용함으로써 지면의 건조함을 나타내는 특성을 가지고 있다(Gu et al., 2007; Kong et al., 2017; Wang and Qu, 2007). TCI는 Thermal stress(Kogan, 1995), PCI는 강수 부족(Du et al., 2013), VCI는 식생의 활력 감소로(Kogan, 2002) 인한 가뭄 발생을 나타내는 변수이다. 변수 값의 통일성을 위해 고해상도 토양 수분, NDWI, NMDI, NDDI는 시계열적으로 정규화 (normalizing)하여 0-1 사이의 범위로 생산하였다.

Table 2. Input variables used for development of drought indices for assessing wildfire risk

본 연구에서는 산불 발생 건에 대한 10 가지 가뭄 변수를 경험적 가중 선형조합 방식과 One-class SVM을 적용하여 가뭄지수를 개발하였다. 2013년부터 2017년까지의 1 ha 이상의 산불 발생 건(192 건)에 대해 훈련하고, 2018년도 산불 건(49 건)에 대해 검증하였다. 선형 가중치(weight) 적용은 식 (2)와 같이 상관성분석을 통해 선정된 가뭄 변수에 선형적으로 경험적 가중치(α, β, γ)를 적용하여 가뭄지수(drought index)를 계산하는 방식이다(Eq. 2).

\((drought index) =\alpha \times(\text { variable } 1)+\beta \times (\text { variable } 2)+\gamma \times(\text { variable } 3)+\ldots\)       (2)

One-Class SVM은 기존의 이진분류 및 다중분류 SVM과 동일하게 초평면(hyperplane)을 이용하여 one class와 이상 치 (outlier)를 구 분 한 다 (Zhang et al., 2009). Margin Support vectors를 기준으로 내부 vectors는 class가 할당되고, 외부에 있는 vectors는 이상치로 구분된다. 기존의 이진분류 SVM을 사용하여 기계학습 모델을 개발할 경우 산불 비 발생 샘플 추출에 대한 개발자의 주관적인 견해가 포함되므로 본 연구에서는 기계학습 기법 중 하나인 One-Class SVM을 통한 산불 발생과 관련된 가뭄지수 또한 개발하였다. 앞선 선형 가중치 적용에 사용된 모든 인자를 입력변수로 하여 커널(kernel)함수는 방사기저함수(Radial basis function, RBF)를 이용하였다 가중치 적용방식의 결과와 직접적 비교를 위해 모델을 통해 산출된 스코어(score)를 0-0.5로 정규화 하여 결과를 도출하였다.

4. 연구결과 및 토의

1) 토양수분 다운스케일링

Fig. 3은 트리 개수를 50개로 설정했을 때 랜덤 포레스트 모델의 토양수분 다운스케일링 교차검증 결과를 산점도(scatter plot)로 나타낸 것이다. 트리 개수의 증가는 모델의 계산 비용(computational cost)을 증가시키는 반면, 모델 성능의 유효한 향상을 반드시 의미하지 않는다(Oshiro et al., 2012). 트리 개수를 100개와 200개로 설정하여 동일한 모델을 개발하였을 때, 두 경우 모두 교차검증의 성능이 r=0.91 및 RMSE=0.0184 m³/m³였으며 rRMSE는 각 6.7% 및 6.6%으로 트리가 50개인 경우와 큰 성능의 차이를 보이지 않아 본 연구에서는 랜덤포레스트 모델의 트리 개수를 50개로 설정하였다. 훈련기간에 대하여 우수한 성능의 예측 결과(r=0.91)를 보였으나 전체적으로 높은 토양수분 값에 대해서는 실제보다 낮게 예측하고 낮은 토양수분 값에 대해서는 높게 예측하는 것과 같이 극 값에 대한 모의가 부족하였다. 이는 극 값에 대한 훈련 자료 부족 및 랜덤 포레스트 회귀모델이 여러 트리의 예측 값을 평균하여 최종 값을 산정하는 구조에 의한 한계점으로 보여지며, 향후 극 값에 대해 오버샘플링(oversampling)한 후 모델을 훈련하여 한계점을 개선할 수 있다(Torgo et al., 2015).

Fig. 3. Density scatter plot of the cross-validation result. The color bar represents the density of scatters.

토양수분 다운스케일링 모델의 결과를 검증하기 위하여 농촌진흥청에서 제공하는 현장관측기반의 토양수분 자료와 각 관측소 별로 시계열 분석을 수행하였다. Fig. 4는 2015년 1월 1일부터 12월 31일까지의 현장관측기반 토양수분 자료, 종속변수인 GLDAS 토양수분 자료, 그리고 다운스케일링 모델로부터 예측되는 토양수분 자료의 시계열 분포를 나타낸다. 해당 4개의 관측소에서 모델 결과와 종속 변수 간의 증감 패턴이 유사하게 나타나는 것을 확인하였다. 단 앞서 Fig. 3과 마찬가지로 높고 낮은 극 값 모의에는 성능이 부족함을 보였다. 현장관측 토양수분의 경우, 수분량의 증감 패턴은 위성 기반 자료와 유사하였으나 값의 변동이 크고 그 범위가 넓었다. 현장관측 토양수분 자료는 특정 위치의 값을 측정하기 때문에 각 25 km 및 1 km의 격자 공간 정보를 내포하는 위성기반 토양수분 정보와 비교하기에 어려움이 존재할 수 있다(Im et al., 2016). 농촌진흥청의 토양수분측정소는 주로 농업지역에 위치하지만 우리 나라의 경우 산지가 많아 토지 피복이 복잡하고, 위성 기반 토양수분의 측정은 토지 피복과 표면 거칠기(surface roughness)에 영향을 받기 때문에(Engman and Chauhan, 1995) 격자 형태의 토양수분 자료와 현장관측 자료를 직접 비교하는데 한계점을 가진다.

Fig. 4. Time series of in-situ soil moisture observations, GLDAS 25 km soil moisture, and downscaled 1 km soil moisture based on random forest during the entire year of 2015 for four selected ground stations: Stn 1 (Geochang), Stn 2 (Hwasun), Stn 3 (Jinan) and Stn 4 (Mungyeong).

2) 가뭄인자와 산불발생의 상관성분석

산불발생 면적이 1 ha 이상, 10 ha 이상인 기준으로 각 인자 및 지수의 값 분포를 분석해본 결과 Fig. 5와 같은 결과를 나타냈다. 값이 1에 가까울수록 가뭄이 아닌 상태(wet)를, 0에 가까울수록 가뭄이 심각함(dry)을 의미한다. 1 ha이상에서는 일주일 누적 강수량 (PCI1)과 2주 누적 강수량 (PCI2) 값의 범위가 가장 가뭄 현상을 잘 나타냈고, 순서대로 토양수분(SM), NDWI 등이 상관성 있는 분포를 보였다. NDDI와 NMDI, VCI는 비가뭄에 가까운 값을 모여 산불발생에는 상관성이 떨어지는 것을 보였다(Fig. 5(a)). 10 ha 이상에도 1 ha와 같은 상관성을 보였으며 상대적으로 비 가뭄인 경우가 적었고(Fig. 5(b)), 특히 산불면적이 50 ha 이상인 경우(총 9 건)에는 각 인자 별 평균값은 토양수분이 0.37, NDDI 0.49, NDWI5 0.32, NDWI6 0.28, NDWI7 0.38, NMDI 0.41, TCI 0.45, VCI 0.56, PCI1 0.01, PCI2 0.02를 나타내는 등 가뭄과 더 큰 상관성을 나타냈다. 다시 말해, 산불 피해면적이 커질수록 각 가뭄 변수의 값이 낮아지는 즉 건조해지는 경향을 보였으며, 이와 같은 결과는 기존 연구의 결과와 일치하였다(Andrews et al., 2003; Scott and Burgan, 2005; Riley et al., 2013). 따라서 본 연구에서는 가뭄지수 개발에 있어 높은 상관성을 보였던 토양수분, NDWI5-7, TCI, NMDI, PCI1-2을 이용하였다.

Fig. 5. The boxplot of each drought variable by damaged area from wildfires; (a) over 1 ha, (b) over 10 ha. Zero (0) means a dry condition while one (1) means a wet condition. Variables that have a high correlation with wildfire occurrence are in red dash boxes.

3) 가뭄지수 개발

실제 산불발생 건에 대해 10가지 가뭄 변수와의 상관성 분석을 통해 PCI1과 PCI2가 가장 큰 영향이 있는 것으로 나타났다. 하지만 PCI를 시공간적으로 분석해본 결과, 강수의 발생 유무에 따라 값의 편차가 크고(0 또는 1에 가까운 값을 가짐) 공간적 편차가 적은 경향을 보였다. 따라서 본 연구에서는 경험적 가중 선형조합에 있어 강수량 다음으로 상관성이 높았던 토양수분 및 NDWI를 기준으로(스킴 1(Scheme 1)), 토양과 식생의 수분에 영향을 끼칠 수 있는 온도를 반영한 스킴 2, SWIR 파장 영역의 수분 탐지를 극대화하여 토양 뿐만 아니라 식생의 수분을 탐지할 수 있는 스킴 3, 강수량의 충분 및 부족을 반영한 스킴 4, 온도와 강수를 모두 고려한 스킴 5에 대해 수행하였으며(Table 3), 각각의 가중치는 가중치의 합이 1이 되게 각 인자들의 가중치를 0.1 단위로 테스트를 진행한 후 경험적으로 최적화하였다. NDWI는 밴드 7을 이용했을 때 상대적으로 상관성이 떨어지는 경향을 보여(Fig. 5), 밴드 5번과 6번의 평균을 이용하였으며, 강수량은 PCI1과 PCI2를 평균하여 사용하였다.

Table 3. The equations of five schemes evaluated in this study

각각의 인자를 사용했을 때보다 여러 인자를 조합한 다섯 가지 스킴이 가뭄을 더 잘 대변하는 것으로 나타났다. 2018년 산불 발생 건(49 건)에 대해 적용한 결과, 기존의 각 인자의 범위가 0-1이었던 것에 비해 조합한 경우에는 최대 0.7 정도로 값의 범위가 좁아졌으며 중앙 값이 0.2-0.3 사이로 줄어들었다. Fig. 6는 각 스킴에 따른 실제 산불 발생 건(Fig. 1(a)-(d))에 대한 공간적인 분포를 나타낸다.

Fig. 6. Spatial distribution of drought indices by scheme for the selected 2018 wildfire cases. Red color means exceptional drought and green color means no drought condition

강수가 포함된 스킴 4와 5는 다른 스킴에 비해 심각한 가뭄 상태를 나타냈으며, 산불 피해면적에 상관없이 가뭄 상태를 나타냈다(Fig. 6(c)-(d)). TCI 혹은 NMDI를 포함한 경우에는 일부 산불 발생 건에 대해 비 가뭄상태를 나타냈다. TCI와 NMDI가 사용된 스킴 2와 3에서 상대적으로 높은 값, 즉 습윤한 상태를 보이는 것은 Fig. 5에서와 같이 10 ha이상의 산불 발생 건에 대해 값의 변동성이 크기 때문이다(0.2-0.6). 산불 발생에 있어 가뭄 상태가 필수 조건은 아니지만, 우리나라의 경우 산불을 발생시킬 수 있는 여러 가뭄 인자 중에서 강수, 토양수분, NDWI 등이 산불 발생과 더 연관성이 있다고 볼 수 있다(Fig. 5, Fig. 6).

One-class SVM 결과는 Fig. 7과 같다. 산불 피해면적이 좁은 건에 대해서는 가뭄 상태를 반영하지 않았으며, 비교적 큰 산불에 대해서는 가뭄 상태를 나타냈다. 경험적 가중 선형조합의 결과(Fig. 6)와 비교했을 때, 피해면적이 좁은 산불 발생 건에 대해 산불 발생지 주변으로만 가뭄 상태를 나타내는 공간적 편차를 보였다(Fig. 7(b), (d)).

Fig. 7. Spatial distribution of the drought index based on one-class support vector machine for four wildfire cases among 11 cases in 2018. Red color means exceptional drought and green color means no drought condition.

앞서 언급했듯이, 산불발생에 있어 가뭄이 필요충분조건이라고 할 수는 없으나(Dillon et al., 2011; Holden et al., 2012), 산불 피해면적이 넓은 경우에는 가뭄과 관련성이 있다(Yoon and Won, 2016; Lee, 2010; Won et al., 2014). TCI, NMDI를 포함한 가중 선형조합은(스킴 2, 스킴 3) 2018년의 49 건(1 ha 이상)의 산불 건에 대해 6건의 산불에 대해 비 가뭄상태를 나타내어(12% 오류), 다른 스킴에 비해 약두배 이상의 오류를 보였다. 또한 스킴 2와 스킴 3은 산불 면적이 50 ha가 넘는 지역에 대해서도 비 가뭄을 나타냈다(3 건 중 2 건 오류). 따라서 가뭄으로 인한 산불위험지역을 산정한다면, 경험적 가중 선형조합 중 토양수분과 NDWI의 조합(스킴 1), 토양수분, NDWI와 강수량의 조합(스킴 4), 토양수분, NDWI, 강수량과 온도의 조합(스킴 5)이 가능할 것으로 보인다. One-class SVM의 경우 1 ha 이상 30 ha 미만의 산불 건에 대해 오류가 있어 상대적으로 산불 피해면적이 넓은 지역에 대해 사용이 가능할 것으로 보인다.

본 연구는 우리나라의 산불발생에 영향을 끼치는 가뭄 인자를 파악했을 뿐만 아니라 앞선 연구에서 사용하지 않았던 고해상도의 토양수분을 고려하여 산불발생 위험을 대변하는 새로운 가뭄 지수를 개발하였다. 단순 경험적인 방법 외에 기계학습 기법을 사용하여 가뭄으로 인한 산불발생위험 추정에 대해 기계학습의 가능성을 보여주었다. 하지만 소규모의 산불발생위험을 탐지하는데 있어 가뭄지수의 해상도가 상대적으로 낮아 가뭄의 정보를 제대로 반영하기 힘들다는 점과(공간정보의 한계) 전체 산불에 대한 자료 양(샘플 수)의 한계로 인해 모델 결과에 오류가 발생하였다. 추후 고해상도(1 km 미만)의 입력변수와 더 많은 산불발생 정보가 제공된다면 가뭄지수의 개선이 가능할 것으로 기대된다.

5. 결론

본 연구에서는 위성기반의 가뭄 변수를 이용하여 우리나라에 적합한 산불발생위험을 대변하는 가뭄지수를 개발하였다. 가뭄지수 개발에 앞서 기계학습 기법인 랜덤 포레스트 기반의 고해상도 토양수분 자료를 산출하여 가뭄 지수 개발에 이용하였다. 그 외, 수분을 측정할 수 있는 NDWI, NMDI, NDDI, PCI, TCI, VCI를 이용하여 경험적 가중 선형조합과 One-class SVM을 이용하여 가뭄 지수를 개발하였다. 경험적 가중 선형조합에 있어서는 토양수분, NDWI를 기반으로 조합했을 때 산불발생과 관련성이 높게 나타났으며, One-class SVM이용에서는 산불 피해면적이 넓은 건에 대해서 적합함을 보였다.

본 연구의 결과는 우리나라에 적합한 토양수분 다운 스케일링을 통해 고해상도의 토양수분 정보를 반영한 산불발생위험을 대변하는 가뭄지수를 개발하였을 뿐만 아니라, One-class SVM 기계학습을 이 분야에 최초로 적용해봤다는 의미가 있다. 두 가지 기법 모두 유의미한 결과를 보였으나 추후 더 많은 현장자료를 이용한다면 정확도를 높일 수 있을 것으로 예상되며, 산불피해면적에 대한 정확한 GIS 정보가 있다면 모델 개선이 가능할 것으로 기대된다. 또한, 현재 제공되고 있는 Suomi NPOESS Preparatory Project(S-NPP)의 Visible Infrared Imaging Radiometer Suite(VIIRS) 산출물, GPM IMERG 강수량과 추후 발사예정인 수자원 위성의 C 밴드를 사용하면 고해상도의 가뭄지수 생산이 가능하여 산불발생지역에 있어 상대적으로 정확한 정보를 얻을 수 있을 것으로 기대된다.