Analysis on Topographic Normalization Methods for 2019 Gangneung-East Sea Wildfire Area Using PlanetScope Imagery

2019 강릉-동해 산불 피해 지역에 대한 PlanetScope 영상을 이용한 지형 정규화 기법 분석

Abstract

Topographic normalization reduces the terrain effects on reflectance by adjusting the brightness values of the image pixels to be equal if the pixels cover the same land-cover. Topographic effects are induced by the imaging conditions and tend to be large in high mountainousregions. Therefore, image analysis on mountainous terrain such as estimation of wildfire damage assessment requires appropriate topographic normalization techniques to yield accurate image processing results. However, most of the previous studies focused on the evaluation of topographic normalization on satellite images with moderate-low spatial resolution. Thus, the alleviation of topographic effects on multi-temporal high-resolution images was not dealt enough. In this study, the evaluation of terrain normalization was performed for each band to select the optimal technical combinations for rapid and accurate wildfire damage assessment using PlanetScope images. PlanetScope has considerable potential in the disaster management field as it satisfies the rapid image acquisition by providing the 3 m resolution daily image with global coverage. For comparison of topographic normalization techniques, seven widely used methods were employed on both pre-fire and post-fire images. The analysis on bi-temporal images suggests the optimal combination of techniques which can be applied on images with different land-cover composition. Then, the vegetation index was calculated from the images after the topographic normalization with the proposed method. The wildfire damage detection results were obtained by thresholding the index and showed improvementsin detection accuracy for both object-based and pixel-based image analysis. In addition, the burn severity map was constructed to verify the effects oftopographic correction on a continuous distribution of brightness values.

지형 정규화 기법은 영상 촬영 시의 광원, 센서 및 지표면 특성에 따라 발생하는 밝기값 상의 지형적인 영향을 제거하는 방법으로, 지형 조건으로 인해 동일 피복의 픽셀들이 서로 다른 밝기값을 지닐 때 그 차이를 감소시킴으로써 평면 상의 밝기값과 같아 보이도록 보정한다. 이러한 지형적인 영향은 일반적으로 산악 지형에서 크게 나타나며, 이에 따라 산불 피해 지역 추정과 같은 산악 지형에 대한 영상 활용에서는 지형 정규화 기법이 필수적으로 고려되어야 한다. 그러나 대부분의 선행연구에서는 중저해상도의 위성영상에 대한 지형 보정 성능 및 분류 정확도 영향 분석을 수행함으로써, 고해상도 다시기 영상을 이용한 지형 정규화 기법 분석은 충분히 다루어지지 않았다. 이에 본 연구에서는 PlanetScope 영상을 이용하여 신속하고 정확한 국내 산불 피해 지역 탐지를 위한 각 밴드별 최적의 지형 정규화 기법 평가 및 선별을 수행하였다. PlanetScope 영상은 3 m 공간 해상도의 전세계 일일 위성영상을 제공한다는 점에서 신속한 영상 수급 및 영상 처리가 요구되는 재난 피해 평가 분야에 높은 활용 가능성을 지닌다. 지형 정규화 기법 비교를 위해 보편적으로 이용되고 있는 7가지 기법을 구현하였으며, 토지 피복 구성이 상이한 산불 전후 영상에 모두 적용, 분석함으로써 종합적인 피해 평가에 활용될 수 있는 밴드 별 최적 기법 조합을 제안하였다. 제안된 방법을 통해 계산된 식생 지수를 이용하여 화재 피해 지역 변화 탐지를 수행하였으며, 객체 기반 및 픽셀 기반 방법 모두에서 향상된 탐지 정확도를 나타내었다. 또한, 화재 피해 심각도(burn severity) 매핑을 통해 지형 정규화 기법이 연속적인 밝기값 분포에 미치는 효과를 확인하였다.

1. 서론

광학 위성의 촬영 조건 및 지표면의 지형적인 요인은 위성영상 내의 방사 왜곡을 발생시킨다. 이러한 지형적인 영향은 영상 처리 과정 내의 오차 요인으로 작용하기 때문에 이를 효과적으로 제거하기 위한 연구가 지속 적으로 이루어져 왔다(Teillet et al., 1982; Gu and Gillespie, 1998; Tan et al., 2010). 지형 정규화 기법은 지표면의 굴곡으로 인해 발생하는 픽셀 밝기값의 차이를 평면상의 밝기값처럼 보이도록 보정하며, 지표면의 반사 특성에 따라 Lambertian 접근법과 non-Lambertian 접근법으로 구분된다(Smith et al., 1980). 정확한 지형 정규화를 수행하기 위해서는 영상의 해상도에 부합하는 DEM(Digital Elevation Model) 자료가 요구되며, 이에 따라 기존 연구에서는 Landsat 영상과 SRTM(Shuttle Radar Topography Mission) DEM 자료를 활용한 지형 정규화 기법 제안 및 기법 비교 분석 연구가 주로 이루어지고 있다(Moreira and Valeriano, 2014; Park et al., 2017). 최근 고해상도 위성 영상 취득이 증가하면서 수 m급 고해상도 위성영상을 이용한 연구들이 제안된 바 있으나, 지형 보정 과정에서 고해상도 DEM을 필요로 하기 때문에 스테레오 항공 영상 및 소축척 수치지형도가 제공되는 경우에 한하여 제한적으로 수행되었다(Nichol and Hang, 2008; Gao et al., 2014).

국내의 경우, 1:25,000, 1:5,000(전국) 및 1:1,000(일부 지역) 축척의 수치지형도가 약 2년 주기로 갱신됨으로써 고해상도 DEM 생성을 위한 공공데이터를 확보하고 있다. 따라서, 이러한 국내 공간정보 자원과 PlanetScope 의 고해상도 일일 영상을 함께 활용할 수 있다면 국내 지역에 대한 정확하고 신속한 모니터링이 가능할 것으로 예상된다. 특히, 지형적인 요인에 의한 영상 내 밝기 값의 차이는 산악 지형에서 크게 나타남에 따라 산불 피해 지역 추정과 같이 산악 지형을 포함한 영상 활용에서는 적절한 지형 정규화 기법에 대한 고려가 필수적이다. 산악 지형에서 발생한 화재의 경우, 원격탐사 영상 활용을 통해 낮은 현장 접근성을 대체할 수 있으며, 정확한 지형 정규화 적용을 통해 보다 정확한 산불 피해 지역 탐지가 가능할 것으로 기대된다.

이에 본 연구에서는 2019년 국내에서 발생한 강릉-동해 산불에 대해 화재 전후 PlanetScope 영상과 국내 수치 지형도를 이용하여 여러 지형 정규화 기법의 성능을 비교하고 지형적인 요인을 고려한 방사 보정이 산불 피해 지역 탐지 결과에 미치는 영향을 분석하고자 하였다. PlanetScope는 3 m 공간 해상도의 전세계 일일 영상을 제공함으로써, 전세계 커버리지를 지닌 기존의 Sentinel-2, Landsat-8(Sentinel-2A, 2B와 Landsat-8 영상을 함께 운용할 경우, 평균 2.9일; Li and Roy, 2017)보다 재난 전후의 영상 취득 가능성을 크게 향상시켰다. 이러한 짧은 영상 취득 주기는 재난 피해 평가에 요구되는 신속한 영상 수급을 용이하게 할 뿐만 아니라 변화 탐지 과정에서 관찰하고자 하는 변화 외의 변화 요인을 최소화할 수 있는 영상 특성에 해당한다. 또한, 국토지리정보원에서 지속적으로 갱신하고 있는 전국 규모의 수치지형도는 국내 지역에 대한 고해상도 위성영상의 활용성을 확장 시킬 수 있는 핵심적인 자료라 할 수 있다. 연구 내용에서는 보정된 밝기값 분포에 대한 분석을 통해 각 밴드 별최적의 지형 정규화 기법을 선별하고자 하였으며, 지형 보정된 밝기값이 산불 피해 지역 추정에 사용되었을 때 탐지 정확도에 미치는 영향을 확인하고자 하였다. 또한, 본 연구는 재난 발생 후 신속한 영상 수급 및 영상 처리를 통한 피해 규모 산정 상황을 가정하였다. 이에 따라 영상 처리 과정 내에 DEM 제작을 위한 수치지형도를 제외한 사전 정보의 이용을 최소화하였으며, 이는 신속한 화재 후처리 대책 마련을 위한 실제적인 영상 이용시 참고자료로 활용될 수 있을 것이다.

2. 연구 지역 및 자료

연구 지역은 2019년 4월 산불이 발생했던 강원도 강릉시 옥계 지역이며, 해당 피해 지역은 태백 산맥의 동쪽 면에 위치하여 대부분의 지역이 산악 지형으로 이루어져 있다(Fig. 1). 화재는 2019년 4월 4일 23시 46분경 발생하여 5일 21시 30분에 진화되었으며, 약 1,260 ha 면적의 소나무림이 소실된 것으로 보고된 바 있다(Gangwon et al., 2019). Korea Forest Service(2020)는 100 ha 이상의 산불을 대형 산불로 정의함에 따라 2019년 발생한 강릉-동해 산불은 국내 산불 가운데 상당히 큰 규모에 해당하는 화재 사건으로 볼 수 있다.

Fig. 1. Location of study site: PlanetScope post-fire image captured on 2019/04/27.

본 연구에서는 산불 발생 전후 시기에 해당하는 2장의 PlanetScope Level-3B 영상을 사용하였다. Planet 社는 130여 개의 Dove 위성군을 운용함으로써 RGB, NIR의 4개의 밴드에 대해서 3 m 공간 해상도의 전세계 일일 영상을 제공하고 있다(Table 1). 이처럼 짧은 영상 취득 주기는 본 연구에서 다루고자 하는 산불에 의한 산림 변화 탐지와 같이 관찰하고자 하는 변화 외의 변화 요인을 최소화해야 하는 영상 활용 분야에서 유용한 영상 특성에 해당한다. 연구에 사용된 PlanetScope 영상은 각각 2019년 4월 4일과 8일에 옥계 지역을 촬영한 영상으로, PlanetScope 일일 영상 가운데 구름 및 연기가 적고 화재 발생 전후 시점과 시기적으로 가장 근접한 영상을 선택하였다(Table 2, Fig. 2). 영상 전처리 과정에 서는 PlanetScope이 영상을 연속적인 스트립 형태로 취득함에 따라 edge feathering(Waltz, 2015)을 이용한 영상 모자이크가 수행되었으며 중첩된 지역의 히스토그램 매칭을 통해 색상 보정이 이루어졌다. PlanetScope Level-3B SR(Surface Reflectance) 영상은 대기 보정, 방사 보정 및 기하 보정(GCP와 정밀 DEM 활용)이 완료된 산출물로(Planet, 2020b), 추가적인 영상 전처리 없이 지형 정규화 및 산불 피해 지역 매핑에 사용되었다.

Table 1. Specifications of PlanetScope (Planet, 2020b)

Table 2. Specifications of images used in this study

Fig. 2. Images used in this study: PlanetScope pre-fire images captured on 2019/04/04 (a) displayed with true colors (RGB), (b) with pseudo colors (NIR·RG), and post-fire images captured on 2019/04/08 (c) displayed with true colors (RGB), (d) with pseudo colors (NIR·RG). (Includes material ⓒ (2020) Planet Labs Netherlands BV. All rights reserved.)

지형 정규화 과정에서는 광학 영상 외에 해당 지역의 slope와 aspect angle을 계산할 수 있는 DEM 자료(Fig. 3) 가 요구되며, 기존의 일반적으로 사용되는 NASA의 SRTM DEM은 30 m 수평 해상도로 제공되고 있다. 이러한 중저해상도의 DEM은 본 연구에서 사용하는 광학 영상의 해상도와 부합하지 않으며 오히려 지형 보정 과정의 오차 요인으로 작용할 수 있다. 따라서, 더 높은 해상도의 DEM 자료를 취득하기 위해 국토정보플랫폼 (http://map.ngii.go.kr)에서 제공하고 있는 1:5,000 수치 지형도를 이용하였다. 수치지형도를 이용한 DEM 생성 과정에서는 수치지형도의 등고선 및 표고점 높이 정보를 격자 형태로 보간하게 되며, ANUDEM(Australian National University DEM)(Hutchinson, 1989; Hutchinson et al., 2011) 기법을 통해 3m 공간 해상도를 지닌 옥계 지역 DEM 자료를 생성하였다.

Fig. 3. Terrain information used in this study: (a) DEM from digital topographic maps, (b) slope derived from DEM, (c) aspect derived from DEM (angles measured clockwise from north), (d) cosine of solar incidence angle i.

본 연구에서는 이와 같은 화재 전후 PlanetScope 영상과 DEM 자료를 이용하여 여러 지형 정규화 기법을 구현하였으며, 밴드 별 지형 보정 성능 비교를 통해 최적의 지형 정규화 기법 조합을 제안하였다. 또한, 제안된 방법으로 방사 보정된 영상에 대해 식생 지수를 이용한 변화 탐지 기법을 적용하여 화재 피해 지역과 미피해 지역을 구분하였다. 지형 정규화 기법 적용에 따른 산불 피해 지역 탐지 정확도를 평가하기 위한 참조 자료로는 마찬가지로 PlanetScope 영상이 사용되었으며, 변화 탐지 과정에 사용된 화재 후 영상보다 약 20일이 경과된 영상을 육안 판독하였다. 해당 영상(Fig. 1)은 산불 진화 후 주변 식생이 생장함에 따라 화재 피해 지역과 주변 지역의 식별이 용이하나, 즉각적인 피해 평가에 사용될 수 없다는 점에서 본 연구의 영상 처리 과정에 사용되지 않았다.

연구 과정에서 사용된 모든 PlanetScope 영상은 Planet Education and Research Program(Planet, 2020a)을 통해 취득하였다.

3. 연구 방법

1) PlanetScope 영상에 대한 지형 정규화 기법 성능 분석

본 연구에서는 PlanetScope 영상에 대해 일반적으로 이용되고 있는 7가지 지형 정규화 모델을 적용함으로써 각 밴드 별로 효과적인 지형 정규화 모델을 선별하고자 하였다. 비교에 사용된 7가지 모델은 (1) Cosine 모델, (2) SCS(Solar-Canopy-Sensor) 모델, (3) C-correction 모델, (4) SCS+C 모델, (5) Empirical rotation 모델, (6) Minnaert 모델, (7) Minnaert+SCS 모델이다(Table 3). 모든 지형 정규화 모델에서는 공통적으로 solar incidence angle i로부터 얻어지는 cos i 값(Fig. 3(d))을 필요로 하며, 각 영상 픽셀에 대한 해당 값은 식 (1)과 같이 solar zenith angle θ_s, slope angle θ_n, solar azimuth angle Φ_s, aspect angle Φ_n에 의해 계산된다(Smith et al., 1980). 이 때, θ_s와 Φ_s은 영상의 메타데이터로부터 획득 가능한 값이며, θ_n와 Φ_n은 DEM 으로부터 연산된다.

Table 3. Topographic normalization models used in this study

where ρ_h isthe reflectance value after normalization, ρ isthe reflectance value before normalization, i isthe solar incidence angle, θ_s and θ_n are solar zenith angle and slope angle, respectively. C, k, and k′ are the coefficients for empirical normalization models.

cos i = cosθ_s cosθ_n + sinθ_s sinθ_n cos (Φ_s - Φ_n )       (1)

Cosine과 SCS 모델은 각각 태양-표면-센서와 태양-수관-센서의 기하학적인 관계만을 고려하여 비교적 간단하게 지표면 밝기값을 보정하는 기법이다(Teillet et al., 1982; Gu and Gillespie, 1998). 반면, C-correction, SCS+C, Empirical rotation 모델은 밝기값 ρ와 cos i 사이의 선형 회귀를 통해 얻어지는 경험적인 상수 C를 사용하여 보정을 수행함으로써 지표면의 반사 특성을 보다 정확하게 반영하고자 하는 non-Lambertian 접근법에 해당한다 (Teillet et al., 1982; Soenen et al., 2005; Tan et al., 2010). 마찬가지로 Minnaert와 Minnaert+SCS 모델은 각각 선형 회귀를 통해 경험적인 상수 k와 k’을 지형 보정에 사용한다(Smith et al., 1980; Reeder, 2002). 이처럼 선형 회귀를 이용한 지형 정규화 기법들은 유사한 토지 피복에 대해 추출된 샘플 데이터로부터 선형 관계를 수립하게 되며, 영상 내 지배적인 식생 피복을 이용하여 보정을 수행하는 것이 일반적이다(Valeriano et al., 2016; Park et al., 2017).

제시된 7가지 지형 정규화 기법의 성능을 종합적으로 평가하기 위해 지형적인 영향이 보정된 영상에 대한 시각적인 판독과 정량적인 분석을 수행하였다. 시각적인 평가에서는 기존 영상의 밝은(well-illuminated) 지역과 어두운(weakly-illuminated) 지역에서의 밝기값 차이 감소 여부와 과보정 여부를 확인하였다. 정량적인 분석에서는 각 밴드 별로 보정된 밝기값의 평균, 표준편차및 cos i 값과의 선형 회귀 적합도(R-squared)를 계산함으로써, 지형적인 영향의 감쇄 정도를 비교하였다. 이밖에도 앞선 과정에서 선별된 밴드 별 최적 기법을 적용한 후, 식생 추출에 보편적으로 사용되는 식생 지수인 NDVI(Normalized Difference Vegetation Index)와 SAVI (Soil-Adjusted Vegetation Index)를 연산하고 동일한 통계치 계산을 수행하였다. 이와 같은 식생 지수에 대한 지형 보정 성능 평가를 통해 식생 지수 계산 과정 내에서 상쇄되는 지형적인 영향 외에 지형 정규화 기법 적용이 미치는 추가적인 지형 보정 효과를 확인하고자 하였다.

2) 보정된 화재 전후 영상을 이용한 산불 피해 지역 변화 탐지

지형 보정된 화재 전후 영상을 이용한 산불 피해 지역 변화 탐지는 픽셀 기반과 객체 기반의 2가지 접근법이 모두 수행되었으며, 이를 통해 변화 탐지 방법에 따른 차이 또한 고려하고자 하였다. 두 방법에서는 공통 적으로 산불 피해 지역 탐지 과정에 화재 전후 영상의 식생 지수 차분값을 이용하였으며, Otsu’s thresholding (Otsu, 1979)을 바탕으로 임계치를 설정하였다.

객체 기반 방법에서는 변화 탐지에 앞서 superpixel을 이용한 영상 분할이 선행되었 으며 , 영상분할은 superpixel 생성과 superpixel clustering의 두 단계에 걸쳐 이루어졌다. 먼저 superpixel 생성 과정에서는 SLIC (Simple Linear Iterative Clustering) superpixel 기법(Achanta et al., 2012)을 적용하였으며 시각적인 식별력이 보다 높은 NIR·RG 영상을 입력 영상으로 사용하였다. 다음으로 DBSCAN(Density-based spatial clustering of applications with noise) 기법(Ester et al., 1996)을 적용하여 공간적인 인접성을 기반으로 superpixel을 일정 크기의 객체로 결합함으로써, 이를 영상 처리 단위로 정의하였다. 피해 탐지 과정에서는 분할된 각 객체에 대해서 객체의 feature로서, 객체 별 평균 식생 지수를 계산하였으며, 차분 영상의 임계치를 통해 피해 지역과 미피해 지역을 구분하였다.

변화 탐지 방법론의 단순한 구조는 피해 지역이 지형 보정을 통해 식별 가능해지는 수준을 보다 간단하게 확인하기 위함이며, 학습 모델 구축 등의 고도화된 영상 처리가 배제된 즉각적인 산불 피해 산정 상황을 가정하였다. 추출된 산불 피해 지역은 참조 자료를 바탕으로 정확도 분석이 수행되었으며, 이 밖에도 지형 정규화 기법이 연속적인 밝기값 분포에 미치는 영향을 확인하기 위한 화재 피해 심각도 매핑이 이루어졌다.

산불 피해 지역 탐지 결과를 검증하기 위한 참조 자료는 화재 후 영상(2019/04/07)보다 약 20일이 경과된 PlanetScope 영상(2019/04/27, Fig. 1)을 육안 판독하여 생성하였다. 영상 처리 과정 내 사용된 화재 후 영상은 산불 발생 직후에 신속한 피해 탐지를 가능하게 하나, 영상 취득 시기 상 주변 식생과의 식별이 어려운 한계를 지닌다. 반면, 화재 발생 후 약 20일이 경과된 영상은 주변 식생의 생장과 더불어 화재로 인해 열해를 입은 식생의 갈변 현상으로 인해 육안 판독이 보다 용이함에 따라 해당 영상을 이용하여 화재 피해 여부에 대한 이진 분류 결과를 작성하였다. 단, 화재 피해 심각도 검증을 위해서는 일반적으로 수관 및 지표의 열해 정도에 대한 현장 조사 결과가 요구되나(Key and Benson, 2006), 연구 지역이 산악 지형으로 이루어져 자료 취득을 위한 접근이 제한되었다. 따라서, 화재 피해 심각도 매핑 결과에 대한 평가는 시각적 분석과 피해 심각도 수준 별 cos i 값 분포 비교를 통한 지형적인 영향의 감쇄 정도 분석으로 대체하였다.

지형 정규화 기법 비교 및 산불 피해 지역 변화 탐지 영향 분석을 위한 본 연구의 흐름도는 Fig. 4와 같다.

Fig. 4. Flowchart of topographic normalization and change detection process in this study.

4. 실험결과 및 분석

1) PlanetScope 영상에 대한 지형 정규화 기법 성능 분석

화재 전후 PlanetScope 영상에 대한 지형 정규화는 두시기의 영상에 대해 각각 적용되었으며, 개별 영상으로 부터 cos i를 계산하여 DEM으로부터 취득된 slope 및 aspect angle과 함께 연산에 사용하였다. 데이터 선형 회귀를 통해 경험적인 상수를 이용하는 모델의 경우, 선형 회귀에 사용되는 데이터 선별 품질이 보정 결과에 영향을 미칠 수 있기 때문에 도심 지역이나 거친 표면을 지닌 지역을 배제한 샘플 데이터 선정이 이루어져야 한다(Baraldi et al., 2009). 이러한 측면에서 본 연구에서 다루고자 하는 화재 전후 영상은 두 영상의 지표 구성에 차이가 있기 때문에 지형 정규화 기법을 평가했던 기존의 선행 연구와 차이점을 지닌다. 즉, 화재 후 영상은 기존의 식생 지표와 식생이 연소된 지표가 혼재하기 때문에 단일 피복에 대한 샘플 데이터 취득으로는 영상 전체의 지형 보정 과정에 오차가 유입될 수 있다. 그러나 여러 피복을 고려한 지형 정규화의 경우, 토지 피복에 대한 사전 정보를 필요로 하며, 개별 피복에 대한 보정 결과를 융합하는 과정이 수반되므로 연구에서 가정한 신속한 재난 피해 평가의 범위를 넘어선다. 이에 따라본 연구에서는 보정 전 NDVI 값을 기준으로 식생 반응이 높은 픽셀을 선정하여 식생 피복에 대한 선형 회귀 모델을 구성하였다. 그리고 이어지는 밝기값 변화 분석에서 식생 피복 뿐만 아니라 연소된 식생 피복에 대한 정량적인 분석을 함께 수행하여 두 시기 이상의 영상에 대해 효율적으로 적용될 수 있는 지형 정규화 기법을 확인하고자 하였다. 이 밖에도 각 픽셀의 slope angle 값을 10° 이상 60° 이하로 한정함으로써 지형적 기복이 심한 지역을 제외하고자 하였다.

화재 전 영상에 대해 앞서 제시된 7가지 지형 정규화 기법을 적용한 결과 영상은 Fig. 5와 같다. 지형적인 영향이 보정되지 않은 영상에서는 연구 지역의 지형과 영상의 촬영 조건에 따라 동일 소나무림 피복에 대해서도 밝은(well-illuminated) 지역과 어두운(weakly-illuminated) 지역으로 지표면 밝기값의 차이가 발생하는 것을 알 수 있다(Fig. 5(a)). Cosine과 SCS 모델은 기하적 조건을 바탕으로 간단하게 적용 가능한 보정 기법이나, 과보정에 의해 밝은 지역과 어두운 지역이 오히려 역전되는 현상을 확인할 수 있었다(Fig. 5(b)와 (c)). 이에 반해 경험적인 상수 C를 이용한 C-correction, SCS+C, Empirical rotation 모델은 비교적 안정적으로 지형에 의한 밝기값 차이를 감소시켰으며, 평면의 밝기값과 같이 정규화된 보정 결과를 보였다(Fig. 5(d), (e)와 (f)). Minnaert와 Minnaert+SCS 모델 또한 전체적으로 밝은 지역과 어두운 지역의 밝기값이 유사한 결과를 나타내었으나 일부 지형이 급격히 변화하는 지역에서 과보정이 발생함을 확인할 수있었다(Fig. 5(g)와 (h)). Fig. 5의 표시 영역은 이러한 각 기법 별 지형 보정 효과의 차이가 분명히 나타난 지역으로, Cosine과 SCS 모델 적용 시의 과보정에 의한 밝기값 역전 현상과 Minnaert와 Minnaert+SCS 모델 적용 시, 산악지형의 산맥을 따라 밝기값 급변 지역에서의 과보정 현상을 확인할 수 있다. 반면, C-correction, SCS+C, Empirical rotation 모델은 해당 영역에서도 지형에 의한 밝기값 차이를 효과적으로 감쇄함으로써, 타 기법보다 안정적인 지형 정규화 성능을 나타냈다.

Fig. 5. Pre-fire images displayed with pseudo colors (NIR·RG) (a) before normalization, and after applying (b) Cosine model, (c) SCS model, (d) C-correction model, (e) SCS+C model, (f) Empirical rotation model, (g) Minnaert model, and (h) Minnaert+SCS model.

각 밴드 별 최적의 지형 정규화 기법을 판단하기 위해서는 시각적인 분석 외에 정량적인 분석이 수행되었으며, 보정된 밝기값의 평균, 표준편차, cos i와의 선형 회귀 적합도(결정 계수)를 보정 전과 비교하였다(Table 4-6). 지형 보정을 통해서는 동일 피복에 대해 상이한 밝기값을 지니는 픽셀들의 값을 유사하게 조정함에 따라 밝기값의 표준편차가 감소하게 되며, 이는 지형 및 촬영 조건에 대한 밝기값의 상관도를 줄여 cos i와의 선형 회귀 적합도인 R² 값 또한 감소하게 된다. 또한, 밝기값의 평균은 영상이 과보정될 경우, 크게 변동하는 경향이 있어 부가적인 참고 자료로 활용되었다.

화재 전 영상의 경우, 식생 샘플 데이터에 대해 통계치를 계산하였으며(Table 4), 전체 식생 피복과 더불어 cos i 값의 범위에 따라 cos i의 중앙값보다 큰 cos i 값을 지닌 지역을 밝은(well-illuminated) 식생 피복으로, cos i 의 중앙값보다 작은 cos i 값을 지닌 지역을 어두운 (weakly-illuminated) 식생 피복으로 구분하였다. 지형 정규화 기법 적용 결과에서는 대부분 모든 밴드에서 표준편차 및 R² 값이 크게 감소하였으나, Cosine과 SCS 모델의 경우 표준편차가 증가하고 R² 값의 변동폭이 매우 작게 나타났다. 이는 앞서 시각적으로 확인된 과보정의 영향으로, Cosine 모델은 밝기값의 평균 또한 크게 변동되는 것을 확인할 수 있었다. 두 Lambertian 모델을 제외한 모든 모델에 대해서는 RGB와 NIR 밴드에서 모두 지형적인 영향이 상당 수준 보정되었으며, Empirical rotation 모델을 적용하였을 때 전반적인 표준편차와 R² 값의 감소가 가장 큰 것을 알 수 있었다.

Table 4. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of pre-fire image (19/04/04) (Vegetation samples used to calculate empirical constants were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)

이러한 경향은 화재 후 영상의 식생 피복에 대한 지형 정규화 기법 평가에서도 동일하게 나타났다(Table 5). Cosine과 SCS 모델은 두 영상에 대해 공통적으로 과보정된 결과를 제시함으로써 샘플 데이터를 이용하지 않는 단순 모델의 한계를 보였다. 그 밖의 경험적인 상수를 이용한 모델들에서는 모두 표준편차 및 R² 값이 감소하여 지형에 의한 밝기값 차이가 감쇄되었음을 확인하였다. 이는 해당 식생 샘플 데이터에 대한 선형 가정이 유효하며, 선형 회귀를 통해 밝기값의 분포가 효과적으로 보정될 수 있음을 의미한다. 단, 화재 후 영상의 경우는 식생 피복과 함께 연소된 식생 피복이 존재하므로 화재 전 영상에서는 NDVI 식생 반응이 높았지만 화재 후 영상에서는 감소된 픽셀들을 추출하여 식생 피복에 대해 구축된 보정 모델이 연소된 식생 피복의 밝기값 보정에 대해 미치는 영향을 종합적으로 평가하고자 하였다(Table 6). 그 결과 RGB 밴드에 한해서는 경험적 상수를 이용한 모델이 여전히 보정 효과를 보이는 것을 확인할 수 있었으며, 밝기값의 표준편차와 R² 값이 크게 감소하였다. 그러나 NIR 밴드의 경우는 대부분의 모델 에서 표준편차 값이 증가하거나 현상 유지 수준의 변동을 보였으며, 보정 전 R ² 값은 0.0533으로 식생 피복에 대한 NIR 밴드의 보정 전 R² 값인 0.6159와 비교하여 크게 차이남으로써 보정 후에 오히려 cos i 값과의 상관도가 증가하는 경향을 나타냈다. 비교 모델들 가운데는 C-correction과 SCS+C 모델이 전체 연소 식생 지표 및 밝기값 차이를 보이는 모든 샘플 지역에서 표준편차와 R² 값의 변동폭을 작게 유지하였다. 이에 반해 Table 4와 Table 5에서 NIR 밴드에 대해 높은 지형 보정 성능을 나타냈던 Empirical rotation 모델은 밝은(well-illuminated) 지역과 어두운(weakly-illuminated) 지역 모두에서 지형적 요인에 대한 상관도를 크게 증가시켜 해당 모델이 연소된 식생 피복 적용에 적합하지 않음을 확인하였다. 결과적으로 RGB 밴드에서는 화재 전후, 토지 피복 상태에 상관없이 empirical rotation 모델이 전반적으로 좋은 지형 정규화 성능을 나타내었으며, NIR 밴드에 대해서는 C-correction과 SCS+C 모델이 식생 피복과 연소된 식생 피복이 혼재된 영상에 효과적으로 적용 가능하였다.

Table 5. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of post-fire image (19/04/08) (Vegetation samples used to calculate empirical constants were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)

Table 6. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of post-fire image (19/04/08) (Burned vegetation pixels were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)

이어지는 분석에서는 보정된 밝기값에 대한 시각적, 정량적 분석 결과를 바탕으로 RGB 밴드에 대한 Empirical rotation 모델 적용 및 NIR 밴드에 대한 C-correction 모델 적용을 “방법 1”, RGB 밴드에 대한 Empirical rotation 모델 적용 및 NIR 밴드에 대한 SCS+C 모델 적용을 “방법 2”로 정의하여 밴드 별 최적의 지형 정규화 기법 조합으로 판단하였다. 그리고 이 두 가지 방법을 이용하여 지형 보정 전후의 식생 지수의 분포 및 cos i와의 상관도 분석을 수행하였다(Table 7과 8). 보정된 밝기값을 통해 얻어진 식생 지수에 대한 정량적인 분석은 식생 지수 계산 과정 내의 지형적 영향 상쇄 외에 각 밴드 별 최적 기법 적용에 따른 추가적인 지형 보정 효과를 확인하기 위해 이루어졌다. 이 과정에 사용된 식생 지수는 NDVI와 SAVI로, 식 (2)와 식 (3) (Huete, 1988)과 같이 계산된다. SAVI는 NDVI에 토양의 밝기값 보정을 위한 상수 L을 도입함으로써, 식생 피복의 밀도가 낮은 지역에 적합하게 보정된 식생 지수이다. 본 연구에서는 영상 촬영 시점이 옥계 지역의 식생 생장이 활발한 시기가 아님을 고려하여 L=0.5로 설정하여 사용하였다.

Table 7. Mean, standard deviation, and coefficient of determination (R-squared) values for NDVI calculated from topographically normalized PlanetScope image (NDVI values were evaluated in three groups depending on the values of cos i for vegetation pixels of pre-fire image (19/04/04) and both vegetation and burned vegetation pixels of post-fire image (19/04/08))

Table 8. Mean, standard deviation, and coefficient of determination (R-squared) values for SAVI calculated from topographically normalized PlanetScope image (SAVI values were evaluated in three groups depending on the values of cos i for vegetation pixels of pre-fire image (19/04/04) and both vegetation and burned vegetation pixels of post-fire image (19/04/08))

\(N D V I=\frac{N I R-R e d}{N I R+R e d}\)       (2)

\(S A V I=\frac{N I R-R e d}{N I R+R e d+L} \cdot(1+L)\)       (3)

먼저 NDVI의 경우, 지형 정규화 과정이 없이도 화재 전후 영상의 NDVI에 대한 cos i와의 상관도가 비교적 낮게 나타나 지수 계산 과정 내의 상쇄 효과가 상당함을 확인할 수 있었다(Table 7). 그러나 방법 1과 방법 2 를 통해 보정된 NDVI에서도, 식생 피복에 대해서는 일부 지형 보정이 가능하며, 표준 편차와 R 2 값이 감소되는 경향을 나타내었다. 반면 화재 후 영상의 연소된 식생 피복에서는 각 밴드 별 밝기값 분석에서도 관찰한 바와 같이 표준편차와 결정 계수가 일부 증가하였으나, 현상 유지 수준의 수치 변동을 보였다. 이어서 SAVI는 NDVI 와 달리 지형 보정 전 식생 지수의 R² 값이 매우 크게 나타났다(Table 8). 이러한 높은 선형 상관도는 식생 피복에 대해 수립된 방법 1과 방법 2의 지형 정규화 기법 적용을 통해 큰 폭으로 감소하였으며, 표준 편차 또한 감소하였다.

결과적으로 지형 정규화 기법 성능 확인에 사용된 NDVI와 SAVI는 모두 보정 후 낮은 표준편차와 선형 상관도를 나타내어 지형적인 요인이 배제된 결과를 제시하였다. 특히, SAVI는 식생 피복의 밀도가 낮은 지역에 적합하도록 고안된 식생 지수로써, 연구 지역의 식생 생장 시기를 고려하였을 때 NDVI보다 식생 탐지에 효과적으로 활용될 수 있다. 이에 따라 다음의 화재 피해 변화 탐지 과정에서는 식생 식별을 위한 식생 지수로 SAVI를 이용하였으며, 연구 지역의 낮은 식생 반응에 대한 식별력을 높이고 지형 보정에 의한 변화 탐지 및 연속적인 밝기값 분포 변화 효과를 보다 분명하게 확인 하고자 하였다.

2) 보정된 화재 전후 영상을 이용한 산불 피해 지역 변화 탐지

앞서 정의된 방법 1과 방법 2를 통해 밝기값이 보정된 화재 전후 영상은 객체 기반과 픽셀 기반 접근법을 통해 산불 피해 지역 추출에 사용되었다. 화재로 인한 변화 탐지는 공통적으로 식생 지수인 SAVI의 두 시기 차분값을 이용하였으며, 임계치 설정을 통해 화재 피해 지역과 주변 미피해 지역으로 이진 분류를 수행하였다.

객체 기반 변화 탐지 과정에서는 식생 지수 계산에 앞서 superpixel을 이용한 영상 분할이 이루어졌다(Fig. 6). Superpixel 생성을 위해 적용된 SLIC 기법은 CIELab 색상 공간을 이용하여 인지 상의 색상 유사도를 바탕으로 픽셀들을 clustering하는 방법으로, 사용자가 원하는 superpixel의 크기(또는 superpixel 개수)를 지정함으로써 분할 세밀도를 조정할 수 있다. 본 연구에서는 20×20 (픽셀)의 크기로 영상을 최초 분할하였으며 생성된 superpixel에 대해 DBSCAN 기법을 적용하여 변화 탐지를 위한 영상 객체를 구성하였다. Fig. 6(c)에서 확인할수 있듯이 SLIC과 DBSCAN 기법을 통해 얻어진 영상 분할 결과는 유사한 픽셀들을 결합하여 영상의 복잡도를 낮추는 한편 식생 외의 복잡한 피복 경계 또한 보존할 수 있는 것을 알 수 있다. 객체 기반 변화 탐지 과정에 서는 영상 분할 결과를 바탕으로 각 객체 내의 평균 SAVI를 계산함으로써 객체 단위의 식생 지수 분포에 대해 임계치를 설정하여 화재 피해 지역을 탐지하였다.

Fig. 6. Image segmentation progress for object-based image analysis (zoom image); (a) original post-fire image, (b) segmentation results from SLIC superpixels, (c) segmentation results from DBSCAN, (d) results from assigning mean SAVI value for each object.

객체 기반과 픽셀 기반 영상 처리 과정에서는 각각 지형 정규화 전의 영상, 방법 1이 적용된 영상, 방법 2 가 적용된 영상이 입력 영상으로 사용되었으며, 이 밖의 변화 탐지 과정은 동일하게 수행되었다. 이렇게 얻어진 화재 피해 지역 탐지 결과는 육안 판독을 통해 생성된 참조 자료와의 비교를 통해 탐지 정확도 분석이 이루어졌다(Table 9). 먼저 객체 기반 영상 분석에서는 방법 1과 방법 2가 지형 보정 전 영상보다 높은 전체 정확도와 높은 Kappa 계수를 나타냈다. 또한, 방법 1이 방법 2보다 높은 전체 정확도를 보였으며, 전반적인 세부 정확도를 향상시키고 화재 피해 지역에 대한 오탐지 비율을 10% 이하로 감소시킨 것을 확인할 수 있었다. 이러한 경향은 픽셀 기반 변화 탐지에서도 동일하게 관찰되었으며, 방법 1은 화재 피해 지역과 미피해 지역에 대한 생산자 정확도 및 사용자 정확도를 모두 향상시킨 것을 확인할 수 있었다. 단, 지형 정규화 기법 적용을 통해 일부 탐지 정확도가 향상되었으나, 수치적으로 큰 차이를 보이지 못함으로써 지형적인 요인이 산불 피해 변화 탐지에 미치는 영향이 제한적임을 나타내었다. 이는 우선 본 연구에서 다루고 있는 화재의 특성에 기인하며, 봄철 건조한 기후 및 침엽수 단순림 구성(Gangwon et al., 2019)에 의해 피해 심(high) 지역이 화재 피해 지역의 대부분을 차지하여, 기본적으로 높은 정확도의 변화 탐지가 가능하였다. 또한, PlanetScope 영상을 이용하여 시기 적으로 가까운 재난 전후 영상의 식생 지수를 차분하기 때문에 화재 피해 지역과 미피해 지역 간의 분리도가 크게 향상된 것으로 판단할 수 있다. 하지만 화재 피해 정도의 연속적인 분포에 대한 지형적인 영향은 여전히 존재하며, 이진 분류를 이용한 변화 탐지 성능 평가는 임계치 변동 구간 내의 픽셀 밝기값의 영향이 크게 반영될 수 있다는 한계점을 지닌다. 이에 따라 연속적인 밝기값 분포 변화를 확인 하기 위해 화재 피해 심각도 매핑이 수행되었으며, 매핑 결과에 대한 참조 자료 부재로 인해 시각적인 분석과 피해 심각도 수준 별 cos i 값 분포 비교로 평가를 대체하였다.

Table 9. Accuracy assessment for wildfire-induced change detection with both object-based and pixel-based approaches

화재 피해 심각도 매핑 과정에서는 앞선 변화 탐지 과정에서 피해 지역으로 추출된 영역의 SAVI 차분값에 대해 임계치를 설정하였다. 설정된 임계치들은 화재 피해 정도에 따라 피해 심(high), 피해 중(moderate), 피해 경(low)을 구분하기 위한 값들로, 식 (4)와 같이 식생 지수의 차분값에 대한 평균 M과 표준편차 Std.를 이용하여 계산하였다(Escuin et al., 2008). 상수 a는 일반적으로 0.1에서 2 사이의 값을 가지며, 본 연구에서는 시행착오를 통해 a=0.5로 설정하여 시각적인 판독 결과와 부합 하도록 하였다.

Threshold = M ± a · Std.       (4)

본 연구에서 식생 변화에 대한 metric으로 설정한 SAVI의 차분값(dSAVI, differenced SAVI)은 크기가 클수록 화재로 인한 식생 변화가 큰 것을 의미하며, 이에 따라 dSAVI>M+a·Std.를 피해 심(high), M-a·Std.Thode et al., 2011). 그러나 화재 피해 심각도는 화재의 규모, 산림의 구성 및 화재의 강도에 의해 분포의 축 이동, 편향 등이 발생하며(Kolden et al., 2015) 특히, 본 연구에서 다루고 있는 지역적인 규모의 화재에 대해서는 적절한 임계치 설정 기법이 부재한 실정이다. 이에 따라 각각의 dSAVI 분포의 특성을 반영하기 위해 기존의 임계치 설정 기법을 사용하되, 평균값을 기준으로 상수 a 값의 변동을 통해 시각적인 판독 결과와 가장 부합되는 구간을 확인함으로써, 해당 기법이 연속적인 dSAVI 값 내 등급 구분 및 화재 피해 심각도 매핑 결과물에 미치는 영향을 최소화하고자 하였다.

Fig. 7. Thresholding of dSAVI based on the values determined by Equation (4); dSAVI histograms from (a) original image, (b) after topographic normalization with Method 1, and (c) after topographic normalization with Method 2. 

화재 피해 심각도 매핑 결과는 피해 심(high), 피해 중 (moderate), 피해 경(low)의 3개의 등급을 지니며, Fig. 8상에서 색상이 밝을수록 화재 피해 심각도가 높음을 나타낸다. Fig. 9는 Fig. 8의 표시 영역을 확대한 것으로, 해당 위치의 광원 및 지형 조건을 나타내는 cos i 값(Fig.9(d))과의 비교를 통해 지형 정규화가 수행되지 않은 SAVI 차분값(Fig. 9(a))은 그 분포에 있어 지형적인 영향이 크게 남아있으며, 화재 피해 심각도가 아닌 지형 및 촬영 조건에 따른 밝기값의 차이에 따라 등급이 분할되어 실제적인 산불 피해 정보와 거리가 있다. 이와 대조적으로 방법 1과 방법 2로부터 지형 보정된 매핑 결과 (Fig. 9(b)와 (c))의 경우 지형적인 영향이 거의 남아 있지 않은 것을 시각적으로 확인할 수 있다. 또한, 산불 피해 지역 중앙부의 초지 영역이 피해 중으로 주변 지역의 피해 심과 구분됨에 따라 식생 변화를 보다 정확하게 서술하고 있다고 할 수 있다(Fig. 8(b)와 (c)).

Fig. 8. Burn severity maps obtained by applying thresholding; (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2. 

Fig. 9. Zoomed images of burn severity maps from (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2, and for visual comparison, (d) zoomed image of cosine of solar incidence angle i. 

앞서 살펴본 바와 같이 지형 정규화 기법은 촬영 조건 및 지형적인 요인으로 인한 픽셀 간 밝기값 차이를 감소시킴으로써, 밝기값의 연속적인 분포에 영향을 미친다. 이는 화재 피해 정도를 나타내는 식생 지수 차분 값에 대한 등급 설정을 통해 화재 피해 심각도 매핑 결과에도 차이를 발생시킨다. Fig. 10에서는 각 화재 피해 심각도 등급 별 cos i 값 분포를 비교하였으며, 지형 정규화가 수행되지 않은 경우(Fig. 10(a))에 피해 심(high) 과 피해 중(moderate) 등급 내 지역들은 각각 cos i 값 0.9-1.0과 0.5-0.6 구간 사이에 최빈값(mode)이 나타남으로써, 광원을 보다 직접 마주하고 있는 표면에 대해 화재 피해 심각도를 높게 판단하고 있음을 알 수 있다. 이에 반해 방법 1과 방법 2를 통해 지형 보정된 경우(Fig. 10(b) 와 (c))에서는 피해 심(high)으로 분류된 지역의 cos i 값이 0.5-0.6 구간에서 증가함에 따라 낮은 밝기값으로 인해 피해 중(moderate)으로 판단되었던 지역이 지형 정규 화를 통해 피해 심(high)으로 변화되었으며, 화재 피해 심각도 등급 별 cos i 값의 분포가 정규화 전보다 전체적으로 분산되는 결과를 제시하였다. 단, 피해 경(low)의 경우, 주로 화재 피해 지역의 주변부에 해당하여 큰 변동이 발생하지 않음을 확인할 수 있었다.

Fig. 10. Histograms of cos i for each burn severity class of burn severity maps from (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2. 

5. 결론 

본 연구에서는 PlanetScope 영상을 활용하여 신속하고 정확한 산불 피해 평가를 위한 지형 정규화 기법 성능 비교 및 밴드 별 최적 기법 조합 분석을 수행하였다. 이를 위해 PlanetScope 영상과 함께 1:5,000 축척의 국내 수치지형도를 함께 사용하여 기존의 7가지 지형 정규화 기법을 구현하였으며 화재 전후 영상에 이를 적용함으로써 영상의 시점 별, 밴드 별 보정 효과를 분석 하였다. 분석 과정에서는 샘플 데이터의 선형 회귀를 이용하는 non-Lambertian 모델의 적용을 위한 식생 샘플 데이터 선별 과정이 포함되었다. 산불과 같이 화재 발생 후 영상 상에 식생 피복과 연소된 식생 피복이 복합적으로 존재하는 경우, 식생 피복에 대해 구축된 지형 보정 모델이 오차 요인으로 작용할 수 있다. 따라서, 식생 피복과 연소된 식생 피복에 대한 종합적인 보정 효과 분석을 통해 식생 피복에서의 밝기값 차이를 효과 적으로 보정하는 동시에 연소된 식생 피복에 대한 보정 오차를 최소화시킬 수 있는 기법을 선정하고자 하였다. 이러한 밴드 별 성능 비교 결과를 바탕으로 RGB 밴드는 Empirical rotation 모델, NIR 밴드는 C-correction과 SCS+C 모델이 상이한 피복 구성을 지닌 두 시기 영상에 모두 효과적으로 적용될 수 있음을 확인하였다. 각 밴드 별 최적의 지형 정규화 기법은 영상의 분류, 변화 탐지 성능에도 영향을 미쳤으며, 객체 기반 및 픽셀 기반 변화 탐지 방법에서 모두 본 연구에서 선별한 지형 정규화 기법 조합이 기존 영상에 비해 향상된 탐지 정확도를 나타내었다. 또한, SAVI 식생 지수를 이용한 화재 피해 심각도 매핑을 통해 지형적인 영향에 대한 방사 보정이 연속적인 밝기값 분포에 미치는 효과를 확인할 수 있었다. 식생 피복에 대한 짧은 갱신 주기의 사전 정보가 제공된다면 개별 피복에 대해 보다 정확한 지형 보정이 수행될 수 있을 것이며, 이처럼 단일 영상에 대해 다중 피복을 고려한 복합적인 보정 모델이 구축된다면 효율적인 영상 융합 전략이 필요할 것으로 예상된다.