Detection and Assessment of Forest Cover Change in Gangwon Province, Inter-Korean, Based on Gaussian Probability Density Function

가우시안 확률밀도 함수기반 강원도 남·북한 지역의 산림면적 변화탐지 및 평가

Abstract

The 2018 United Nations Development Programme (UNDP) report announced that deforestation in North Korea is the most extreme situation and in terms of climate change, this deforestation is a global scale issue. To respond deforestation, various study and projects are conducted based on remote sensing, but access to public data in North Korea is limited, and objectivity is difficult to be guaranteed. In this study, the forest detection based on density estimation in statistic using Landsat imagery was conducted in Gangwon province which is the only administrative district divided into South and North. The forest spatial data of South Korea was used as data for the labeling of forest and Non-forest in the Normalized Difference Vegetation Index (NDVI), and a threshold (0.6658) for forest detection was set by Gaussian Probability Density Function (PDF) estimation by category. The results show that the forest area decreased until the 2000s in both Korea, but the area increased in 2010s. It is also confirmed that the reduction of forest area on the local scale is the same as the policy direction of urbanization and industrialization at that time. The Kappa value for validation was strong agreement (0.8) and moderate agreement (0.6), respectively. The detection based on the Gaussian PDF estimation is considered a method for complementing the statistical limitations of the existing detection method using satellite imagery. This study can be used as basic data for deforestation in North Korea and Based on the detection results, it is necessary to protect and restore forest resources.

2018년 유엔 개발 계획(United Nations Development Programme; UNDP)의 보고서에 따르면 북한의 산림 황폐화는 매우 극단적이며, 지금까지도 진행되고 있다. 기후변화 측면에서 산림 황폐화는 단순히 한 국가만의 문제가 아닌 전 지구적인 스케일의 문제로 여겨지며, 이러한 북한 산림 황폐화의 원인은 만성적인 식량난과 개간 산지의 확대, 산림 병해충의 영향으로 알려져 있다. 산림 황폐화에 대응하기 위한 연구와 정책 사업들은 원격탐사와 산림 관련 국가 공간자료들을 이용하여 진행되지만, 북한의 경우 국가 공공 자료들의 접근이 제한적이며, 객관성이 보장되기 어렵다. 따라서, 본 연구에서는 Landsat 위성영상을 사용하여 통계적 확률밀도 추정 방법을 통해 한반도에서 유일하게 행정구역상으로 분단된 강원도에 대한 산림면적을 탐지 및 평가하고자 하였다. 남한의 산림 공간자료와 정규화식생지수(Normalized Difference Vegetation Index; NDVI)를 이용하여, 산림 비산림의 NDVI 값에 대한 범주별 가우시안 확률밀도함수를 추정하고 산림 탐지를 위한 NDVI 임계점(0.6658)을 설정하였다. 설정된 임계점을 이용하여 남 북 강원도에 대한 다중시기 산림면적 탐지를 진행한 결과 남 북 모두 2000년대까지 산림 면적이 감소하였으나, 2010년대에는 면적이 증가하는 경향이 나타났다. 또한, 지역적 규모에서 산림 면적의 감소는 국가별 도시화, 산업화의 정책 방향과 일치함을 확인하였다. 검증을 위한 Kappa value의 경우 대부분 강적합(0.8)과 중적합(0.6) 수준을 나타내었으며, 탐지된 면적과 국가 통계와의 비교 결과도 약소한 차이를 나타내었다. 본 연구는 북한 산림 황폐화에 대응하는 기반 자료로 사용될 수 있으며, 탐지된 결과를 바탕으로 산림자원의 보호와 복구의 필요성이 제기된다.

1. 서론

최근 전세계적으로 주목받는 산림 황폐화는 식량, 물, 생태계 등 인류 생존과 밀접하게 연관된 분야에서 다양한 문제를 초래하며, 기후변화 측면에서 산림은 대기 중 탄소의 흡수원으로 작용하기 때문에 산림황폐화에 대한 즉각적인 대응방안이 필요하다(Lim et al., 2019; Kim et al., 2017). 남한은 1970년대 치산녹화와 지속적인 산림관리 정책으로 인해 유엔식량농업기구(Food and Agriculture Organization of the United Nations; FAO)와 유엔개발계획(United Nations Development Programme; UNDP)에서 황폐산림 녹화에 성공한 국가로 평가받고 있다(KAPA, 2009). 그러나 동일한 한반도에 있는 북한의 경우 전 국토 중 산림이 차지하는 면적은 약 41.8%로 1990년대 대비 38.7%가 감소하였으며, 이에 대한 가장 큰 원인으로는 경제적 공급 부족으로 인한 북한의 만성적인 식량난과 개간 산지의 확대, 산림 병해충의 영향 때문이다(UNDP, 2018; NIE, 2017; KEI, 2018). 국제조사기관인 ‘Maplecroft’에 따르면 북한은 극단적인 산림황폐화국에 속해있으며, 현재도 산림 황폐화는 급속도로 진행되고 있으므로 북한의 산림에 대한 지속적인 관심과 사업이 중요한 실정이다(Maplecroft, 2012; KEI, 2019).

원격탐사 기반의 산림 모니터링은 2018년 개최된 FAO 2020 세계산림자원평가 전문가 회의에서 독립적이며 일관된 전 지구적 산림 모니터링을 위한 방법으로 채택되었으며, 이는 광역적 현장조사의 어려움을 지원하고 정치적으로 접근성이 떨어지는 북한 지역의 산림자원 정보화에 필수적인 기술로 활용될 수 있다(NIFOS, 2018; Lee et al., 2016). 남한의 경우 국가 차원의 다양한 산림 공간정보를 구축하였으며, 이러한 기술 체계를 기반으로 산림 황폐화에 대응하는 사업으로 주목받는 신규 조림/재조림 청정개발체제(Afforestation/Reforestation Clean Development Mechanism; A/R CDM)의 최초 시범 대상지로 과거 목축업을 위한 초지였던 강원도 고성군을 선정한 바 있다(Son et al., 2013). 반면, 북한의 경우 산림 관련 자료의 접근이 제한적이며, 국제기구에 보고된 북한 현지조사와 통계조사 자료는 객관성과 정확성이 보장되기 어렵다(Lim et al., 2018; Choi and Um, 2012). 따라서 위성영상자료와 지리정보시스템(Geographic Information System; GIS)자료를 기반으로 북한의 산림황폐화에 대응하기 위한 다양한 연구들이 제시되고 있으며, Choi et al.(2015)은 체계적으로 자료의 정밀도가 향상되고 있는 남한 강원도의 산림 공간자료를 훈련용 자료(Training Data)로 활용하여 유의성 있는 북한 강원도의 산림 탐지 자료를 취득할 수 있는 가능성을 언급한 바 있다(Yoo et al., 2011).

토지피복분류와 식생지수는 산림 분야에서 위성영상을 이용한 원격탐사 분석 중 가장 널리 활용되고 지속적으로 연구되는 대표적인 분류체계이다. 국가 공간 자료인 토지피복도의 경우 많은 연구에서 활용되고 있으며, Lim et al.(2017)은 대분류 토지피복도를 이용하여 북한의 경작지 확장에 따른 산림 황폐화를 연구하였다. Lee et al.(2018)의 경우 위성영상을 사용하여 북한의 산림황폐지를 탐지하였으며, Piao et al.(2016)은 Landsat 위성 영상을 사용하여 북한 지역의 토지 피복을 분류하였다. 식생지수의 경우 Xu et al.(2009)이 중국 Ordos 지역의 사막화를 파악하기 위해 정규화식생지수(Normalized Difference Vegetation Index; NDVI) 기반의 토지피복분류를 하였으며, Bayasgalan(2005)은 몽골 지역의 식생 추세의 파악과 6개의 Natural zone을 분류하기 위해 NDV를 기반으로 연구하였다. 기존 연구의 다수는 감독 분류(Supervised Classification) 방법을 이용하였으나, 훈련지역의 선정 방법, 연구자에 따른 상이한 결과, 그리고 통계적인 전제조건을 고려해야 한다는 한계점이 있었다(Jeong, 2012). 이러한 한계점을 극복하기 위해 최근 다양한 머신러닝(Machine Learning) 기법이 탐지 및 분류에 활용되고 있으며, 앞에서 언급한 통계적인 한계점을 극복하기 위해 Li et al.(2018)의 경우 가우시안 확률밀도함수(Gaussian Probability Density Function) 모형 기반의 모델링을 통해 부분적으로 분포되어있는 옥수수 식생 면적을 분류한 바 있다.

따라서 본 연구에서는 북한 실측 자료 취득의 어려움과 기존 위성영상 기반 탐지 및 분류기법의 통계적 한계를 극복하기 위해 가우시안 확률밀도함수를 기반으로 NDVI와 남한 산림 공간정보를 활용한 산림 공간정보 분석방법의 결과와 타당성을 확보하고자 하였다.

2. 연구대상지 및 자료

1) 연구대상지

본 연구에서는 남·북한의 산림변화를 탐지하고 이를 비교·분석하기 위해 한반도의 중동부에 있으며 남·북한의 행정구역상에서 유일하게 분단된 도인 강원도를 대상지로 선정하였다. 강원도는 인문 및 지형과 같은 전통적인 지역 구분에 의해 한반도가 분단되기 전까지 하나의 행정구역으로 분류되었으나, 정치적 이유로 인위적인 경계선이 설정되었다. 인위적 개입이 없는 상태에서의 산림 분포는 국가 경계와 관계없이 공통적인 유사성이 나타난다. 강원도는 군사분계선(Military Demarcation Line; DML)을 기준으로 비무장지대(Demilitarized Zone; DMZ)를 포함한 남쪽은 남한 강원도(37° 45′ 0″ N / 128° 15′ 0″ E), 북쪽은 북한 강원도(38° 42′ 7″ N / 127° 26′ 27″E)로 구분되며, 각각의 면적은 16,873,051 ha, 1,109,100ha이다(Fig. 1).

Fig. 1. Study area with administrative boundaries and orbit path and row of Landsat imagery (Hansen et al., 2013; USGS, 2019).

2) 연구 자료

(1) 위성영상자료

연구에서 사용되는 Landsat 위성영상은 지구 관측을 위한 30 m급 중해상도 위성영상으로 지역 단위의 산림 모니터링에 적합하다(Jung et al., 2012). 연구에 사용된 Landsat 5, 8위성영상은 각각 1984년 3월 1일, 2013년 2월 11일에 발사되었으며, Landsat 5 위성영상의 경우 7개의 파장역을 사용하여 지표면의 특성을 관측하고 있고 Landsat 8 위성영상의 경우 기존 파장역에서 Coastal Aerosol(Band 1), Cirrus(Band 9)가 추가되었다(USGS, 2019).

본 연구에서는 지리적·정치적인 한계로 접근할 수 없는 지역에 대한 광범위한 면적의 산림을 탐지하기 위해 미국 지질조사국(United States Geological Survey; USGS)에서 제공하는 대기 보정이 적용된 Landsat Level-2 위성영상을 이용하였다. Landsat Level-2 영상은 USGS Earth Resources Observation and Science(EROS)에서 Science Processing Architecture(ESPA)를 통해 기존 Level-1 위성영상을 대상으로 대기 영향이 보정된 영상으로 Landsat 4, 5, 7, 8에 대해 사용자 주문형으로 제공된다(USGS. 2015). Landsat의 광역폭(Swath Width)은 170 km(남, 북) × 183 km(동, 서) 이며, 남·북 강원도의 경우 114/34, 115/33, 115/34, 116/33의 관측경로를 나타내는 영상 (Scene)에 포함된다.

원활한 산림 탐지 연구를 진행하기 위해서는 영상의 선별에 관한 몇 가지 기준이 고려되어야 한다. 우선 식생을 잘 관측할 수 있는 봄과 초가을 사이에 촬영된 영상을 이용해야 하며, 구름의 영향을 최소화하기 위해 운량은 10% 미만의 영상을 사용하는 것이 바람직하다(Hong et al., 2008). 또한, 다중 시기의 산림 면적 변화 탐지를 위해서는 시기별 영상을 획득해야 하므로 다음의 기준들을 고려하여 최종적으로 Landsat 5 위성영상의 1988년, 1999년, 2009년, Landsat 8 위성영상의 2018년 시기 영상들을 선별하였다(Table 1).

Table 1. Landsat 5, 8 data of Gangwon province

(2) 탐지 및 검증자료

확률밀도 추정 기반의 산림탐지를 위해 산림과 비산림의 공간적인 기준과 범위를 구분해주는 Labeling 자료가 요구되며, 본 연구에서는 환경부에서 제작한 공간자료인 중분류 국가 토지피복도를 사용하였다. 국가 토지피복도는 우리나라 전체의 공간정보를 수집한 것으로 정기적으로 자료를 수집하며, 지속적이고 체계적으로 자료의 정밀도가 향상되고 있는 결과물이다(ME, 2013; Choi et al., 2015). 토지피복도는 대표적으로 중분류 토지피복도와 대분류 토지피복도가 제작되어 있으며, 중분류 토지피복도의 경우 중해상도 위성영상을 시각적으로 판독하고 관련 주제도들을 참고하여 구축되었고, 대분류 토지피복도는 저해상도 위성영상을 사용하여 감독 분류기반으로 구축되었다(Park et al., 2007).

결과의 검증을 위해 2000년대 이전 남한 결과에 대한 1차 검증, 2000년대 이후 남·북한 결과에 대한 2차 검증용 자료가 요구된다. 북한의 경우 2000년대 이전 국가 공간자료 및 고해상도영상의 접근이 제한적이기 때문에기 구축된 남한의 대분류 토지피복도를 1차검증용 자료로 사용하였다. 구글(Google)에서 제공해주는 Google Earth Pro는 2005년 이후에 촬영된 고해상도의 위성영상을 제공해주며 이는 피복 탐지 및 분류를 위한 참고 및 검증자료로 이용되고 있다(Google2019; Cha and Park, 2007). 본 연구에서는 Google Earth Pro를 2000년대 이후 남·북한 강원도의 탐지 결과에 대한 2차 검증자료로 사용하였다. 또한, 최종적인 산림 면적 결과에 대한 정량적인 비교는 남한지역만 가능하므로 임업통계연보와 대분류 토지피복도를 이용하였다(KFS, 2018).

3. 연구방법

본 연구에서는 Landsat 위성영상을 이용하여 다음과같은 세 가지 단계로 연구를 수행하였다(Fig. 2). 1) 위성영상으로부터 식생지수를 원활하게 산출하기 위해 기 본 반사율 범위를 넘는 값들을 보정 하였으며, 2) 가우시안 확률밀도함수를 기반으로 중분류 토지피복도의 산림·비산림에 속하는 NDVI 값들의 범주별 확률밀도 추정 및 NDVI 임계점을 설정하였다. 또한, 3) 임계점을 이용하여 시기별로 산림을 탐지하였고, 대분류 토지피복도와 Google Earth Pro를 이용하여 검증을 진행하였다.

Fig. 2. Research flow for detecting the forest cover area.

1) 위성영상 전처리 및 NDVI 산출

Landsat은 반사율 값(Reflectance Value)이라는 속성을 포함하고 있으며, 최소 -9999, 최대 20000으로 입력 되어있다(USGS, 2019). 반사율 값은 주로 구름, 불, 화산폭발에 의한 기본 범위를 넘는 특이 값(Saturate Value)이 나타나기도 한다(Roy et al., 2014). 이러한 특이 값 문제는 산림 식생 탐지에 불확실성을 야기하는 중요한 요소이기 때문에, 본 연구에서는 -1과 1의 범위를 갖는 NDV 값만을 산출하기 위해 반사율 값을 최소 -9999와 최대 10000의 범위를 갖게 보정 하였다(Zhao et al., 2016).

NDVI는 식생 임관(Canopy)의 생물학적 특성을 밝히기 위해서 가장 널리 사용되는 식생지수이다(Jiang et al 2006)식생의 활력도를 나타내는 NDVI는 산림과 비산림을 구분할 수 있는 주는 지역적 기준과 범위의 정의를 통해 직접적으로 산림을 탐지할 수 있는 지표로 활용된다. NDVI는 광학 영상의 근적외선(NIR) 밴드와 가시광선(Red) 밴드의 차를 이 두 밴드의 합으로 나눈 식 (1)로 표현되며, -1에서 +1의 범위를 가지고, +1에 가까울수록 식생의 분포와 활동성이 크다는 것을 의미한다.

\(NDVI = {NIR-RED \over NIR+RED}\)        (1)

2) 가우시안 확률밀도 추정 및 산림 탐지를 위한 임계점 설정

밀도 추정(Density Estimation)은 관측된 데이터의 분포를 이용하여 기존 변수가 가지고 있는 분포의 특성을 추정하는 방법이며, 대표적으로는 모수적 밀도 추정과 비모수적 밀도 추정이 있다. 밀도추정으로 변수의 특성을 추정하기 위해서는 많은 수의 데이터가 필요하다 (Silverman, 2018). 밀도 추정 기반의 분류를 위한 임계점 (Threshold)은 다양한 방법으로 설정된다. Sahidullah and Saha(2012)는 가우시안 분포를 이용하여 발언자의 음성과잡음을구분하는임계점을설정하였으며, Uttamatanin et al.(2013)은 가우시안 분류 기법으로 임계점을 설정하고, 염색체의 이미지를 분류하였다.

본 연구에서는 산림과 비산림 영역에 속하는 NDVI 값들을 각각 추출하여 밀도 추정 기반의 산림 탐지를 위한 임계점을 설정하였다. 이를 위해서는 우선적으로 NDVI 산출을 위한 영상자료와 공간적 범위와 기준에 따라 산림과 비산림을 구분해주는 Labeling 자료가 이용된다. Labeling 자료로 사용되는 중분류 토지피복도가 2009년 남한 대상의 위성영상으로 구축된 점을 고려하여, NDVI 산출을 위한 영상자료의 시·공간적 규모를 2009년 남한 강원도로 설정하였다. 중분류 토지피복도의 분류 코드 중 활엽수림, 침엽수림, 혼효림을 산림(Forest)으로 나머지 분류 코드는 모두 비산림(NonForest)으로 재분류(Reclassify) 및 범주화(Categorization)하여, 범주별 NDVI 값들을 추출하였다(Fig. 3). 추출된 NDVI 값들은 모수적 밀도 추정(Parametric Density Estimation)으로 범주별 분포 특성에 해당하는 가우시안 확률 밀도 함수를 가정하여 모수(Parameter)를 추정하였다. 추정된 가우시안 확률 밀도 함수와 원래의 데이터가 가지고 있는 확률 밀도와의 비교를 위해 평균제곱근오차(Root Mean Square Error; RMSE)를 산출하였고, 식 (2)를 이용하여 확률밀도 함수들이 교차하는 지점을 산림 탐지를 위한 임계점으로 설정하였다. 또한, 추정된 모수(Parameter)와 식 (3)인 누적분포함수(Cumulative Distribution Function; CDF)를 이용하여 임계점을 기준으로 실제 비산림 지역이 비산림으로 탐지되는 확률과 실제 산림지역이 산림으로 탐지될 확률을 산출하였다.

\(f(x| \mu, \sigma) = {1 \over \sigma \sqrt{2\pi} } e^{{-(x-\mu)^2 \over 2\sigma ^2}}\)        (2)

μ: Mean

σ: Standard deviation

π ≈ 3.14159

e ≈ 2.71828

\(F(X \mid \mu, \sigma)=P(-\infty < x \leq Z)=\int_{-\infty}^{X} f(x \mid \mu, \sigma) d x\)        (3)

μ: Mean

σ: Standard deviation

Z: Threshold

Fig. 3. Comparison land cover map and NDVI in 2009.

3) 산림 면적 추출 및 결과 검증

본 연구에서는 NDVI 임계점을 이용하여 연구 대상 시기에 대한 남·북한 강원도의 산림을 탐지하였으며, 탐지된 면적은 두 가지 방법을 이용하여 검증하였다. 첫번째 방법은 일반적으로 가장 많이 사용되는 토지피복도와의 픽셀 기반의 검증이다. Choi et al.(2014)은 미얀마 건조지 토지피복변화 연구결과의 검증을 픽셀 기반으로 진행하였고, Piao et al.(2016)은 북한에서의 산림 황폐화 결과의 검증을 픽셀 기반 진행하였으며, 본 연구에서는 과거 시기의 남한 산림 탐지 결과를 대상으로 1980년대부터 구축된 대분류 토지피복도를 이용하여 1차 검증을 진행하였다. 픽셀 기반의 검증을 위해 산림과 비산림으로 탐지된 영상을 대분류 토지피복도와 중첩한 후 랜덤 포인트(Random Point)를 생성하고 두 레이어에 대한 분류값(Classified) 값과 실제값(Ground Truth Value) 값을 입력하여, 남한 강원도지역의 1988, 1999, 2009년에 대한 검증을 진행하였다.

면적 기반의 검증은 국립산림과학원 국가산림자원조사(National Forest Inventory; NFI)에서 사용되는 고정표본점과 원형조사구를 이용하였다. NFI는 산림기본통계를 확보하기 위해 전국의 산림을 과학적인 방법으로 검증하고 있으며, 항공사진 판독에 고정표본점을 사용한다(KFRI, 2011). 고정표본점은 국립산림과학원에서 효율적인 현지 조사를 위하여 5년 주기로 갱신하고있으며, 현재는 육안판독 시 5차년도 국가산림자원조사 고정 표본점 구조를 사용하고 있다. Park et al.(2019)은 NFI 집락 표본점 중심인 S1 표본점을 기준으로 수도권 지역에 대한 산림 온실가스 인벤토리를 작성하기 위해 분류된 결과에 대한 육안판독을 진행하였으며, 본 연구에서는 원형조사구 판독법과 Google Earth Pro를 사용하여 2009년과 2018년 남·북 강원도의 산림 및 비산림 탐지 결과를 대상으로 면적 기반의 2차 검증을 진행하였다. 원형조사구를 이용한 판독은 고정표본점 S1과 4방향의 원형조사구를 모두 이용하며, 우리나라의 산림 정의 최소면적이 0.5 ha인 점을 고려하여 S1 표본점에 산림이 포함 되어있어도 40 m 반지름의 원형조사구에 산림 면적이 모두 포함되지 않으면 비산림으로 분류가 된다(KFRI, 2011)(Fig. 4).

Fig. 4. The permanent sample plots (Sample, Forest and NonForest).

검증을 위한 랜덤 포인트의 개수 산출을 위해 식 (4)인 이항확률분포(Binomial Probability Distribution) 모형을 사용하였다. 연구결과에 대해 85%의 예측정확도와 5%의 유의 수준을 가정하여 250개로 설정하였으며 검증을 위한 랜덤 포인트는 계통적 층화추출법에 의거 무작위로 배치하였다. 최종적으로 사용자정확도와 생산자정확도, 그리고 식 (5)로 표현되는 Cohen’s Kappa Coefficient를 산출하였다.

\(N = {Z^2(p)(q) \over E^2}\)        (4)
  

p: Expected percent accuracy

q: 100-p

E: Allowable error

Z: 2 (from the standard normal deviate of 1.96 for

the 95% two-side confidence level)

\(K={Pr(a) - Pr(e)\over 1-Pr(e)}\)        (5)

Pr(a): Probability of success of detection(accuracy)

Pr(e): Probability of success of due to chance

4. 결과 및 고찰

1) 산림 탐지를 위한 임계점(Threshold) 및 강원도 남·북한 산림면적

본 연구에서는 산림 탐지를 위하여 전처리과정을 거친 Landsat을 대상으로 산림 탐지에 용이한 False Color Composite Bands를 이용하여 NDVI를 산출하였다(Fig. 5).

Fig. 5. The process to calculate NDVI in Gangwon province, South Korea at 2009. False color composite imagery (NIR, Red, Green) (b) Calculated NDVI.

중분류 토지피복도와 2009년 남한 강원도 NDVI 산출 결과를 기반으로 산림 탐지를 위해 추정된 범주별 NDVI의 가우시안 확률 분포는 다음과 같다(Fig. 6). 산림의 NDVI 평균은 0.7857, 표준편차는 0.0671이며, 비산림 NDVI 평균은 0.4692, 표준편차는 0.1708이다. 추정된 가우시안확률 분포와 실제 데이터가 나타내는 확률밀도 간 평균 제곱근 오차를 산출한 결과 산림은 1.6277%, 비산림은 0.5302%이다. 두 분포 곡선이 중첩되는 지점은 0.6658이며, 이를 기준으로 누적분포함수를 이용한 결과 실제 비산림 지역이 비산림으로 탐지될 확률은 84%, 실제 산림지역이 산림으로 탐지될 확률은 96%이다. 중첩되는 지점(0.6658)은 Gross(2005)가 정의한 온·열대림의 분류의 NDVI의 임계점(0.6)과 유사하게 나타났으며, 본 연구에서는 강원도 산림 탐지를 위한 NDVI 임계점 (Threshold)을 0.6658로 설정하였다(Table 2).

Fig. 6. Gaussian probability density function by category and set threshold.

Table 2. NDVI criteria for forest detection

탐지된 산림면적을 보면 남한과 북한의 강원도 산림은 1988년부터 2009년까지 감소하는 추세를, 2018년에는 증가하는 추세를 나타내었다(Table 3). 남한의 경우 1988년부터 2009년까지의 감소추세는 평균 5% 정도로 감소하였지만 2018년에는 9%의 산림 면적이 증가하였다. 하지만 북한의 경우 1988년부터 2009년까지의 감소추세는 평균 15%에 달하며, 2018년도에는 10% 이상의 산림면적이 증가하였다.

Table 3. Results of forest detection in Gangwon province using NDVI threshold

남한은 1973년부터 제1차 치산녹화 계획을 시작으로 980년대에는 제2차 치산녹화 계획, 1990년대에는 제3차 산림기본계획 등 지속적인 산림정책으로 인해 시기별로 좁은 폭의 면적 감소를 나타내었으며, 최근 2018년의 면적 증가는 5차 산림기본계획 및 지역산림계획이 성공적으로 이행된 것으로 이해할 수 있다(Choi et al., 2007). 북한의 경우 1988년 대비 1999년에 산림 면적이약 21%가 감소하였으며 이는 본 연구결과에서도 유의미한 감소를 확인할 수 있었다. 또한, 2009년에도 1999년 대비 산림 면적이 7% 이상 감소하였지만 2018년에는 10%에 달하는 산림 면적이 증가하였다(Fig. 7, Table 3). 북한의 경우 주체 경제 확립기(1977-1986)에 전반적으로 경제가 어려워짐에 따라 임업 부분에 대한 사업 실행이 미흡하였고, 소련 붕괴가 일어났던 1990년대 이후 북한 당국은 주민의 경작지 확보 욕구를 산림조성 및 보호와 결합해 묘목들 사이로 작물들의 경작을 허용하였다. 이는 허용된 면적보다 많은 경작지를 개간하면서 농경지의 확대로 인한 산림 황폐화를 가속 시켰는데, 본 연구결과에서 나타난 1988년과 1999년의 산림면적 변화경향이 이러한 사실과 일치한다(Choi et al., 2007; KDI, 2014; Park et al., 2013; Lim et al., 2019). 2018년의 산림면적은 1999년도에 비해 증가하였는데, 2012년 북한의 산림조성 정책의 강화 방안이 이행되고 있는 것으로 이해되며, 실제로 2010년 이후 유엔 식량농업기구와 북한의 농업 동향 발표를 통해 산림 보호 및 산림복구 사업의 성과들이 다발적으로 달성된 것을 확인할 수 있다(Song et al., 2017; KEI, 2019; Kim et al., 2019).

Fig. 7. Forest cover change in Gangwon province.

시군구 단위 수준에서 북한의 원산시와 평강군은 지속적인 산림 면적의 감소를 파악할 수 있었으며, 금강군의 경우 2018년에는 일정 면적의 산림이 회복되었음을 확인하였다. 산림 면적의 감소를 나타낸 원산시와 평강군은 강원도의 대표적 공업 도시와 농업 도시이며, 최근 북한 농업 동향에 따르면 두 지역의 중앙에 있는 세포군을 중심으로 세계 제일 규모의 종합 축산기지가 건설되고 있다(KEI, 2019). 이는 본 연구에서 나타난 원산시와 평강군을 가로지르는 대규모 산림 면적 감소와 밀접한 관련이 있을 것이라 사료된다. Choi et al.(2012)은 금강군의 경우 관광 개발로 인해 도시화가 진행되었으나 2000년경 북한의 ‘산림조성 10개년 계획’의 수립 이후 금강산 일대에 재조림 사업의 결과로 판단되는 산림회복 현상이 나타났다고 하며, 이는 본 연구결과의 2009년 이후 금강군 일대의 산림 면적 증가와 유사한 경향을 나타낸다. 남한 강원도의 경우 1990년대 후반 신산업 육성정책을 바탕으로 강원도 3개 거점도시권인 춘천권, 원주권, 강릉권의 도시산업기능을 심화시키기 위한 테크노 밸리 사업을 구상 및 실행하였는데, 이는 1988년 이후 강원도의 산림 면적 감소에 영향을 미쳤을 것이라 사료된다(RIG, 2012).

3) 산림 탐지의 정확도 평가 및 면적 비교

비산림에 대한 사용자정확도와 생산자정확도를 산림 탐지의 정확도와 비교하였을 때 상대적으로 낮은 것을 확인할 수 있으며, 이는 비산림 지역이 산림으로 탐지되는 확률이 반대의 경우인 산림 지역이 비산림으로 탐지되는 확률에 비해 크다는 것을 의미한다(Table 4). 이러한 경향은 누적분포함수를 이용한 비산림의 탐지확률과 유사하다. 그러나 산림의 경우 사용자·생산자 정확도가 모두 90% 이상이며, 전체적인 정확도도 90%에 달하였기 때문에 본 연구에서 사용한 방법론은 산림탐지의 정확도 측면에서 유의성 있다고 판단된다.

Table 4. Accuracy assessments of pixel- and area-based detection

대분류 토지피복도와의 픽셀 기반검증 결과 1988년의 Kappa 값은 0.64, 1999년은 0.62, 2009년은 0.6을 나타내었으며, Google Earth Pro를 이용한 면적 기반검증 결과 2009년의 Kappa 값은 0.8, 2018년은 0.83을 나타내었다. McHugh(2012)의 연구에 따르면 Kappa 값이 0.60-0.79에 포함되면 중적합(Moderate Agreement)을 나타내며, Kappa값이0.80-0.90에포함되면강적합(StrongAgreement)을 나타낸다. 픽셀 기반의 검증에서는 검증 대상지의 주변값들을 고려하지 않기에 잘못된 분광 반사값 등으로 인해 오탐지가 나타날 수 있으므로, NFI의 고정표본점과 원형조사구를 이용한 검증 대상 주변 값들을 모두 고대분류 토지피복도와의 픽셀 기반검증 결과 1988년의 Kappa 값은 0.64, 1999년은 0.62, 2009년은 0.6을 나타내었으며, Google Earth Pro를 이용한 면적 기반검증 결과 2009년의 Kappa 값은 0.8, 2018년은 0.83을 나타내었다.

McHugh(2012)의 연구에 따르면 Kappa 값이 0.60-0.79에 포함되면 중적합(Moderate Agreement)을 나타내며, Kappa값이0.80-0.90에포함되면강적합(StrongAgreement)을 나타낸다. 픽셀 기반의 검증에서는 검증 대상지의 주변값들을 고려하지 않기에 잘못된 분광 반사값 등으로 인해 오탐지가 나타날 수 있으므로, NFI의 고정표본점과 원형조사구를 이용한 검증 대상 주변 값들을 모두 고려하는 면적 기반의 검증이 더욱 설명력을 높일 수 있는 방법이라 사료된다.

남한 강원도의 탐지 결과를 임업통계연보와 대분류 토지피복도의 면적과 비교해보면 2009년 대분류 토지피복도와의 비교를 제외하고는 평균 5% 이하를 과대추정하거나 과소추정한 것으로 나타났다(Table 5). 탐지된 결과를 바탕으로 국가 공간자료 및 Google Earth Pro와의 검증, 국가통계와의 면적 비교를 통해 가우시안 확률밀도함수 기반의 산림탐지는 통계적으로 유의성이 높다고 판단된다.

Table 5. National statistics and land cover map of South Korea

5. 결론

본 연구에서는 Landsat 5/8 위성영상을 기반으로 가우시안 확률밀도함수를 사용하여 남·북 강원도에 대한 산림면적을 탐지하였다. 국가 공간자료가 확보되어있는 2009년 남한 강원도를 대상으로 산림과 비산림에 해당하는 NDVI값의 확률분포를 가우시안 확률밀도 함수형태로 가정하였고, 산림과 비산림의 밀도함수가 겹치는 NDVI 값 0.6658을 산림탐지를 위한 임계점으로 설정하였다. 1980년대부터 2019년까지 10년 단위로 산림면적을 탐지한 결과 남한은 지속적인 산림 정책 및 경영으로 인해 산림면적의 변화가 2009년까지 소폭 감소, 2018년에는 약 10%가 증가하는 추세였으며, 국지적으로는 도시화에 따른 산림면적의 감소를 나타내었다. 북한의 경우, 1980년대 초반 만성적인 경제난과 산림 관련 정책의 실패로 인해 2009년까지 평균 14%에 달하는 산림면적이 감소하였고, 이는 원산시와 평강군을 중심으로 확장되었다. 하지만 김정은 정권의 산림조성정책 강화로 인하여 2018년도에는 약 10%에 달하는 산림면적이 다시 증가하였다. 탐지결과에 대한 정확도 검증 결과픽셀 기반의 검증은 중-적합(Moderate Agreement), 면적기반의 검증은 강-적합(Strong Agreement)이었으며, 남한의 경우 기존 국가통계 및 국가 공간자료 면적의 정량적 비교 시 큰 차이가 나타나지 않았다. 본 연구는 남한과 현장조사가 불가능한 북한 강원도에 대해 과거부터 현재까지 광역적 산림면적을 탐지하고 모니터링 했다는 점과 국가공간자료를 이용하여 현장조사를 대체하였다는 점에 의의가 있지만, 보다 정확도 높은 산림면적을 탐지하기 위해서는 높은 공간 해상도, 다양한 분광파장 영역 등의 제원을 갖는 위성영상이 요구되며, 추가적 식생지수와 지형적인 인자들도 정밀한 산림탐지를 위해 반영되어야 할 한계점으로 존재할 것이다. 아울러, 향후 단순히 산림면적 변화뿐만 아니라, 침활혼, 수종 등의 속성정보가 세분화 되어 면적변화를 탐지하려면, 초분광 영상을 통한 수종분류, LiDAR, RADAR를 이용한 3차원 식생입체정보가 반영 등의 추가적인 정보가 필요할 것이다. 가우시안 확률밀도함수를 이용한 밀도추정 기법은 머신러닝과, 모수추정에서 가장 핵심적인 방법론 중 하나이며, 임계점으로 추정한 결과 또한, 기존에 정의된 산림으로 정의되는 NDVI 값과 유사함을 확인하였다. 또한, 데이터가 가지고 있는 불규칙한 확률밀도를 고려한 비모수적(Non-Parametric) 밀도추정법을 사용한다면, 더욱 유의성 있는 산림탐지 임계점 설정의 가능성도 존재할 것이다. 본 연구는 식생지수 및 남한 공간자료를 이용한 광역적 북한 산림 자원 평가 및 모니터링의 기초 연구로써 의미가 있으며, 남한의 성공적인 산림경영과 정책을 기반으로 북한 산림 자원의 현상 파악과 산림 보호를 위한 산림정책 및 기술이 필요함을 시사한다.