위성영상과 자기조직화 분류기법을 이용한 산림생태계교란 탐지: 우박 피해지와 매미나방 피해지의 사례연구

Detection of Forest Ecosystem Disturbance Using Satellite Images and ISODATA

Abstract

최근 기후변화가 심각해지고 이상기상 현상이 빈번해짐에 따라 산불, 산사태 이외에도 우박, 매미나방과 같은 흔치 않은 형태의 산림생태계교란이 발생하고 있다. 이 논문에서는 RapidEye와 Sentinel-2 영상에 ISODATA(Iterative Self-organizing Data Analysis Technique Algorithm)를 적용하여, 2017년 화순의 우박 피해지와 2020년 치악산의 매미나방 피해지를 분석하였다. 우박 피해지의 경우, 본연구의 6월 영상분석과 선행연구의 7월 현장조사를 종합해볼 때, 우박에 의해 수목에 외상이 생긴 후에 가뭄이 겹치면서 6월에서 7월로 갈수록 피해의 심각성이 보다 더 증가한 것으로 분석되었다. 2020년 치악산의 매미나방 피해지에서는 6월 영상에서 상당한 나뭇잎 피해가 발견되었으며, 원주시에 인접한 낮은 고도의 사면에서 주로 피해가 발생한 것으로 나타났다. 기후변화에 의해 유발된 다양하고 특이한 산림생태계교란을 탐지함에 있어 위성원격탐사는 매우 효과적인 방법임에 틀림없으며, 우리나라에서 2024년 발사 예정인 농림업중형위성은 이와 같은 산림생태계교란을 감시하는 데 적극적으로 활용될 수 있을 것으로 기대된다.

Recent severe climate changes and extreme weather events have caused the uncommon types of forest ecosystem disturbances such as hails and gypsy moths. This paper describes the analysis of the forest ecosystem disturbances using ISODATA (Iterative Self-organizing Data Analysis Technique Algorithm) with the RapidEye and Sentinel-2 images, regarding the cases of the hail damages in Hwasun in 2017 and the gypsy moth damages in the Chiak Mountain in 2020. In the case of hail damages, the comparison of the June image of this study and the July field survey of the previous study showed that the damage severity increased from June to July as the drought overlapped after the trees were injured by the hails. In the case of gypsy moths, significant leaf damages were found from the image of June, and the damages were mainly distributed at the low-altitude slope near Wonju City. We made sure that satellite remote sensing is a very effective method to detect various and unusual forest ecosystem disturbances caused by climate change. Also, it is expected that the Korean Medium Satellite for Agriculture and Forestry scheduled to launch in 2024 can be actively utilized to monitor such forest ecosystem disturbances.

1. 서론

산림생태계교란은 산불, 산사태, 기상재해, 병해충과 같은 자연적 요인, 그리고 개발이나 환경오염 등 인간 활동에 의해서 산림생태계의 구조와 기능이 악화되는 것을 말한다. 산불은 자연적 또는 인위적으로 발생하는 가장 주된 교란으로서, 온도가 높고 습도가 낮을수록, 그리고 일사량이 많은 경사면과 주풍 방향으로 뻗는 지형에서 산불이 발생할 위험성이 높고 진행속도도 빨라져 큰 불이 되기도 한다(Son et al., 2016). 산불 피해지의 공간범위를 파악하기 위한 현장조사에는 많은 시간과 비용이 소요되기 때문에, 원격탐사를 통한 산불피해지 탐지가 상대적으로 효과적인 방법으로 인식되어 왔다. 이에, 많은 연구들이 고해상도 영상분석을 통한 산불 피해지 탐지를 수행하였는데, 불탄 산림과 정상 산림의 분광특성 차이에 기초한 NDVI (Normalized Difference Vegetation Index) (Chen et al., 2011), NBR (Normalized Burn Ratio) (Escuin et al., 2008), BAI (Burn Area Index)(Filipponi, 2018), FBI (Fire Burn Index) (Lee et al., 2017), FWI (Forest Withering Index) (Park et al., 2018) 등 다양한 지수가 개발 및 활용되었다.

그러나, 이러한 지수에 임계치를 설정하여 몇개의 클래스로 구분하는 방법(threshold partitioning)은, 분석하는 사례에 따라 임계치가 변동되어야 하는 경우가 많고 임계치 표준화가 어렵기 때문에 매우 적합한 방법은 아닌 것으로 평가된다(Miller and Thode, 2007; Kontoes et al., 2019). 이와는 다른 접근법으로, 무감독분류 기법을 사용하여 AOI(Area of Interest)를 피해상황에 맞게 적절히 분류 및 재분류하는 연구들이 다수 수행되었는데, K평균군집화(K-means clustering)나 ISODATA(Iterative Self-organizing Data Analysis Technique Algorithm) 등이 산불 피해지 분석에 주로 활용되었다. 두 기법 모두 클래스 내 동질성 및 클래스 간 이질성을 최대화하는 기법이며, K평균군집화는 사용자가 지정한 클래스 개수로 분류가 이루어지고, ISODATA는 매 반복단계에서 군집의 삭제, 분리, 병합을 통해 자기조직화를 수행하여 가장 적합한 군집의 개수를 찾아주는 특징이 있다(Memarsadeghi et al., 2007). 산불피해지 탐지에 있어서는 K평균군집화를 사용한 연구보다(Won et al., 2014; PérezSánchez et al., 2109) ISODATA 기반의 연구가 훨씬 더 많이 수행되었는데, 적정 개수의 클래스를 생성한 후 이를 재분류하여 정산 산림과 피해 산림으로 양분하거나(Roldán-Zamarrón et al., 2006; Alencar et al., 2011; Axel, 2018), 피해등급을 3-4단계(very high, high, moderate, and low)로 구분하고(Miller and Yool, 2002; Won et al., 2019; Lasaponara and Tucci, 2019), 현장조사자료를 이용하여 분류결과의 정확도 통계량을 산출하는 방식이 주류를 이루었다.

최근 우리나라에서는 산불, 산사태 이외에도 우박이나 매미나방과 같은 산림생태계교란이 종종 발생하기 때문에, 이러한 산림재해 피해지 분석을 위한 원격탐사 연구도 수행되었다. 산사태 피해지 탐지에는 ASTER(Advanced Spaceborne Thermal Emission and Reflection Radiometer) 영상과 점토광물의 분광특성을 이용하거나(Nam et al., 2014), ALOS-2(Advanced Land Observing Satellite-2) SAR(Synthetic Aperture Rader) 영상과 토사의 편광특성을 이용한(Kim et al., 2019) 연구가 있었다. 소나무 재선충병 감염목 탐지로는, 항공사진의 객체기반 분류(Park et al., 2019), 무인항공기 영상의 감독분류(Lee et al., 2019), 항공 초분광영상의 식생지수에 임계치를 적용하는(Kim et al., 2015) 연구 등이 수행된 바 있다.

최근에는 기후변화가 심각해지고 이상기상 현상이 빈번해짐에 따라, 산불, 산사태 이외에도 흔치 않은 형태의 산림생태계교란이 발생하고 있다. 유럽과 미국에서는 과거에 비해 우박의 발생빈도가 급증하고 있으며, 우리나라의 경우에는 영서지방이나 서해안지방에서 상층과 하층의 대기순환이 활발해지는 기상조건에서 간혹 우박이 발생한다(Lee et al., 2005). 2017년 5월 31일 전라남도 화순 일대에서는 0.5∼5.0 cm 크기의 강한 우박이 내렸으며, 이로 인해 대규모의 농작물 피해 및 소나무 고사 피해가 발생하였다. 우박에 의해 소나무에 외상이 생긴 이후에 병원균에 감염되거나 가뭄이 수반되면 고사의 피해가 더욱 커지는 것으로 알려져 있다(Lim et al., 2017). 또한 2020년 6월 우리나라 중부지방에서는 매미나방 대발생으로 많은 산림이 피해를 입었다. 우리나라 기상관측 이래로 2019년 겨울이 가장 따뜻한 기온을 기록하였고, 매미나방 유충이 따뜻한 겨울을 나면서 평소보다 더 많이 살아남아 그 다음해인 2020년 대번식을 하게 된 것이다(National Institute of Forest Science, 2020). 특히 치악산에서는 매미나방 개체수가 급증하면서 낙엽송 잎을 갉아먹어, 잎이 갈변한 산림이 광범위하게 나타났다.

이 논문에서는 2017년 화순의 우박 피해나 2020년 치악산의 매미나방 피해와 같이, 기후변화와 함께 앞으로 더 많이 발생할 것으로 보이는 새로운 형태의 산림생태계교란을 탐지하기 위하여, 위성영상에 클러스터링 기법을 적용하고 그 탐지결과에 대하여 논의하고자 한다. 2017년 화순의 우박 피해의 사례에는 RapidEye 영상을 사용하였고, 2020년 치악산의 매미나방 피해 사례에는 Sentinel-2 영상을 사용하였으며, 피해지를 탐지하기 위한 클러스터링 기법으로는 ISODATA를 적용하였다.

2. 자료와 방법

1) 연구지역과 자료처리

연구지역은 2017년 우박 피해지인 화순 일대와 2020년 매미나방 피해지인 치악산 일대이며(Fig. 1), 화순 지역은 2017년 6월 16일에 촬영된 RapidEye 영상을 사용하였고, 치악산 지역은 2020년 6월 15일에 촬영된 Sentinel-2 영상을 사용하였다. 상용위성인 RapidEye는 2008년 8월에 발사되어 19분 간격으로 두고 동일한 궤도를 도는 5기의 위성군으로 5개의 분광밴드를 가지고 있으며, 관측폭은 77 km이다(Planet, 2020). ESA(European Space Agency)의 Sentinel-2는 동일한 제원의 2A와 2B 위성이 2015년과 2017년에 발사되어 각각 5일 간격의 재방문주기를 가지며, 관측폭은 290 km이다(ESA, 2020). 두 위성에 탑재된 센서의 분광밴드 구성은 Table 1과 같다.

Table 1. Spectral bands of Sentinel-2 and RapidEye

Fig. 1. Study area: Hwasun and Chiak Mountain.

2017년 5월 31일과 6월 1일에 전라남도와 경상북도 일부에서 이상기상 현상의 일종인 우박이 매우 심하게 발생하였으며, 대표적인 피해지역인 전라남도 화순군 동복면 일대를 대상으로 RapidEye 영상을 이용한 피해 지역 탐지 및 피해강도를 분류를 수행하였다. 이 지역은 소나무를 포함한 침엽수림이 우세하며, 활엽수림과 혼효림이 일부 분포하고 있다. 우박 발생 이후의 영상 중에서 구름이 적은 6월 15일의 RapidEye 영상을 입수하여 ERDAS Imagine의 ATCOR 모듈을 이용하여 대기보정을 수행하였다. 이 과정에서 계절 옵션은 중위도–여름으로 설정하였고, 가시거리 옵션은 연구지역인 화순과 가까운 거리에 위치한 기상청 광주관측소의 해당 일시 시정거리를 기준으로 설정하였다.

또한, 치악산의 매미나방에 의한 피해지를 분석하기 위하여, 대기 보정된 Sentinel-2 영상을 환경부 토지피복도와 중첩하여 산림지역 AOI를 설정하였다. 2020년 6월 16일 Sentinel-2 영상에는 다소 구름이 존재하기 때문에, 영상내 포함된 구름의 신뢰도 정보(confidence level)를 이용하여 구름 화소를 제거하였고, 이 과정에서 제거되지 않은 구름 경계부근 화소는 직접 제거하였다. 원주시 남쪽의 매봉산과 백운산 일대에서도 매미나방에 의한 산림피해가 산발적으로 발생하였으나, 이 지역은 구름으로 가려져 분석대상에서 제외하였고, 청천 화소가 대부분인 치악산 일대를 AOI로 설정하였다.

2) 분석 방법

위성영상을 이용한 산림생태계교란 탐지를 위해서는 정상 산림과 피해 산림을 구분하는 영상분할 또는 영상 분류 기법을 활용할 수 있다. 다양한 지역의 현장조사 자료를 이용하는 감독분류(supervised classification)가 정확한 분석방법이지만, 우박 피해지나 매미나방 피해지와 같이 자주 발생하지 않는 산림생태계교란의 경우에는 현장조사 자료가 충분히 갖추어져 있지 않기 때문에, 정상 산림과 피해 산림의 분광특성 차이를 이용하는 무감독분류를 통해 신속하게 피해지를 탐지하는 것이 보다 합리적이다. 이에 본 연구에서는 무감독분류기법으로 가장 널리 활용되는 ISODATA를 사용하였으며(Fig. 2), SAGA(System for Automated Geoscientific Analyses) GIS 소프트웨어로 실험을 수행하였다. ISODATA는 자기조직화 분류기법 또는 클러스터링 기법의 일종으로서 화소 특성에 따른 군집 분석을 통해서 영상을 n개의 클래스로 분류한다(Dhodhi et al. 1999). 첫 번째 단계에서는 지정한 군집 수만큼 초기의 임의 평균 벡터를 할당하고, 개개의 화소를 각 군집 평균값과 비교하여 유클리드 거리가 가장 가까운 평균값에 할당한다. 두 번째 단계에서는 각 군집에 대한 새로운 평균 벡터가 계산되고 각 군집의 분할 및 통합이 이루어진다. 그리고 새로운 군집 평균 벡터를 기준으로 각 화소는 새로운 군집에 재할당된다. 이러한 군집의 분할 및 통합을 반복하는 과정은 클래스가 거의 변화가 없을 때까지 또는 사용자가 정한 최대 반복수에 도달할 때까지 계속된다(Memarsadeghi et al., 2007).

Fig. 2. A basic concept of ISODATA classification (Rajyalakshmi, 2016).

이 논문에서는 식생활력도를 기준으로 산림생태계교란을 판별하기 위하여, 광학센서에서 식생활력도를 표현할 때 주로 사용되는 근적외선(near-infrared, NIR) 밴드와 적색 밴드, 그리고 클로로필에 민감하게 반응하는 적색경계(red edge) 밴드의 반사도를 추출하였다. ISODATA는 n차원 공간에 분포하는 자료에 대한 클러스터링을 수행하기 때문에 세가지 밴드 반사도를 이용하여 1차원, 2차원, 3차원의 입력자료를 구성하였다. 1차원 입력자료는 NDVI, 2차원 입력자료는 적색 밴드와 근적외선 밴드 반사도, 3차원 입력자료는 적색, 적색경계, 근적외선 반사도로 구성한 뒤 각각 클러스터링을 수행하여 정성적으로 분석한 결과, 적색 밴드와 근적외선 밴드 반사도를 이용한 2차원 클러스터링이 세가지 방법 중 피해지 분포와 가장 유사하게 표현되었다. ISODATA 수행시에 최대 클래스 개수를 20으로 설정하여 그 이내에서 최적 클래스 개수가 결정되도록 하였으며, 이를 재분류하여 심각/보통/경미/없음의 4개 등급으로 설정하였고, 이 과정에서 천연색(R-G-B) 및 위색(R-NIR-G)영상과 비교하여 가장 유사한 분포를 가지도록 재분류 구성을 조정하였다. 우리나라에서 비교적 흔히 발생하는 산불의 경우, 수관전소(extreme), 수관열해(high), 지표화(low)로 구분하는 경우가 많으나(Won et al., 2019), 우박이나 매미나방과 같이 흔치 않은 산림생태계교란의 경우에는 아직 피해등급에 대한 공통적인 기준이 마련되지 않았다. 또한 위성영상 분석에 의한 반자동화된 피해등급 분류에 있어서, 통상적으로 현장조사자료에 잘 부합하도록 재분류 구성을 조정해야 하지만(Fig. 3), 우박이나 매미나방과 같은 산림생태계교란의 경우에는, 현장조사 시기와 영상취득 시기가 일치하지 않거나 현장조사가 이루어지지 못하는 경우도 있다. 본 연구에서는 가용한 현장조사 자료가 없었기 때문에, 재분류 구성에 있어서 정성적인 방법에 의존해야 하는 한계가 존재한다.

Fig. 3. The insect-induced tree mortality using on-site inspection data: (a) (Verbesselt et al., 2009) and (b) (Meigs et al., 2015).

3. 결과 및 토의

1) 2017년 화순 지역의 우박 피해

환경부의 중분류 토지피복도를 참조하여 산림에 해당하는 지역을 AOI로 설정하고, 적색 밴드와 근적외선 밴드 반사도를 입력자료로 하여 ISODATA 클러스터링 수행하고 그 결과를 천연색 영상, 위색 영상(R-NIR-G)과 비교하였다(Fig. 4). 천연색 영상에서는 짙은 녹색을 띠는 정상산림과 달리 우박 피해지가 짙은 청색 계열로 나타나며, 위색 영상에서는 밝은 녹색의 정상산림과 대조적으로 우박 피해지가 어두운 녹색으로 표현되는 것을 확인할 수 있다. 이를 참조하여 피해지를 분류한 결과, ISODATA에서 생성된 12개 클러스터를 심각/보통/경미/없음의 4등급으로 구분한 경우에 피해상황을 가장 잘 표현하는 것으로 나타났다. 심각 등급의 피해지는 99.58 ha, 보통 등급은 408.67 ha, 경미 등급은 122.95ha로서, 총 피해면적이 631.2 ha로 추정되었다. 선행 연구로서, Lim et al. (2017)은 현장조사와 영상분석을 병행하여 피해목을 추출하고 등급지도를 작성하여 피해면적을 622 ha로 제시한 바 있다(Table 2). 두 결과는 상당히 유사하지만, 본 연구에서는 보통이나 경미한 피해가 많은 부분을 차지하는 반면 Lim et al. (2017)의 연구에서는 보통이나 심각한 피해가 많은 것으로 나타났는데, 이는 조사시점의 차이 때문인 것으로 사료된다. 본 연구의 RapidEye 영상은 2017년 6월 16일에 촬영되었고, Lim et al. (2017) 연구에서는 7월 11일~31일의 기간 동안 현장조사가 실시되었다. 따라서 시간이 지남에 따라 가뭄의 영향으로 수목의 고사가 보다 더 진행되어(Lim et al., 2017), 전반적으로 피해가 더 심해졌을 가능성이 있는 것으로 해석된다. 전체적인 공간분포 패턴은 두 결과가 매우 유사한데, 본 연구의 RapidEye 영상은 5 m 해상도로서 충분히 세밀한 분석이 가능함을 알 수 있다(Fig. 5). 2024년에 발사 예정인 우리나라 농림업중형위성이 RapidEye와 거의 동일한 센서를 가지므로, 이와 같은 산림생태계교란 탐지에 적극적으로 활용될 수 있을 것으로 예상된다.

Table 2. Classification of hail-damaged areas in Hwasun, 2017

Fig. 4. Atmospherically corrected true-color (a) and false-color (R-NIR-G) (b) images for Hwasun area, June 15, 2017. 

Fig. 5. Detection of the hail-damaged areas in Hwasun by this study (a) and Lim et al.(2017) (b).

2) 2020년 치악산 지역의 매미나방 피해

여름철에는 청천 영상의 획득이 어렵기 때문에 연구 지역 중 구름에 가려진 부분을 제외하고 피해가 심각했던 것으로 알려진 원주시 부근의 치악산 서쪽 사면을 중심으로 분석이 이루어졌다. 적색 밴드와 근적외선 밴드 반사도를 입력자료로 하여 ISODATA 클러스터링 수행한 후, 천연색 영상, 위색(R-NIR-G) 영상과 비교분석한 결과(Fig. 6), ISODATA에서 생성된 12개 클러스터를 심각/보통/경미/없음의 4등급으로 재분류하였을 때 피해지 탐지가 가장 적절하게 이루어진 것으로 사료된다. 매미나방에 의한 산림생태계교란은 예기치 못한 현상이고 중부지방 여러 곳에 광범위한 피해가 발생한 탓에, 치악산 지역의 피해상황에 대한 관계당국의 공식적인 수치 발표나 현장조사 자료가 없었기 때문에 재분류의 최적 구성은 정성적인 방법으로 수행하였고, 정확도 통계량은 산출할 수 없었다. 그러나 본 연구지역에 국한해서 볼 때, 심각 등급 218.31 ha, 보통 등급 275.64ha, 경미 등급 343.15 ha로 산출되어 총 837.1 ha의 피해를 입은 것으로 추정된다(Fig. 6). 매미나방 유충은 다양한 활엽수와 침엽수의 잎을 먹고 자라기 때문에, 침엽수림과 혼효림이 대부분인 치악산에서도 상당히 광범위한 피해가 있었던 것으로 보인다.

Fig. 6. Atmospherically corrected True-color (a) and false-color (R-NIR-G) (b) images for Chiak Mountain area, June 16, 2020.

매미나방은 낮은 고도의 도시지역이나 산림지역에 알을 낳는 특성이 있으며, 4월경 부화된 유충이 6월 중순까지 나뭇잎을 갉아먹고 성장한 후, 6월 중순에서 7월 초순에 나뭇가지나 잎에 매달려 번데기가 된다. 치악산 피해지의 공간분포도 원주시 인접한 서쪽사면에 집중되어 있는 것으로 나타났으며, 6월 15일 영상에서 상당한 나뭇잎 피해를 발견할 수 있었다(Fig. 6). 또한 고도별 피해강도의 분포를 살펴보면, 총 피해면적의 67.7%가 200~400 m의 낮은 고도에 분포하며 높은 고도에서는 상대적으로 피해가 적은 것으로 나타났다(Table 3).

Fig. 7. Detection of the damaged area by gypsy moths in Chiak Mountain, June 16, 2020.

Table 3. Forest damages by gypsy moths according to elevation in Chiak Mountain area, June 16, 2020

Table 4. Classification of forest damages by gypsy moths in Chiak Mountain area, June 16, 2020

4. 결론

최근 특이기상이 빈번해짐에 따라 산불, 산사태 이외에도 우박, 매미나방과 같은 흔치 않은 형태의 산림생태계교란이 발생하고 있다. 이 논문에서는 RapidEye와 Sentinel-2 영상에 ISODATA를 적용하여, 2017년 화순의 우박 피해지와 2020년 치악산의 매미나방 피해지를 분석하였다. 본 연구에서 6월 16일의 영상을 통해 분석한 결과와 Lim et al. (2017)의 연구에서 7월 11일~31일 현장조사를 토대로 분석한 결과를 종합해 볼 때, 우박에 의해 수목에 외상이 생긴 후에 가뭄이 겹치면서 6월에서 7월로 갈수록 피해의 심각성이 보다 더 증가한 것으로 추정된다. 2020년 치악산의 매미나방 피해지는 원주시에 인접한 낮은 고도의 사면에 집중되었던 것으로 나타났으며, 6월 15일 영상에서 상당한 나뭇잎 피해가 발견되었는데, 이는 매미나방 유충이 주로 낮은 고도의 도시 및 산림에서 6월 중순까지 다양한 침엽수와 활엽수의 나뭇잎을 갉아먹고 성장하는 일반적인 서식특성과 일치하였다. 갑작스러운 대규모 우박이나 매미나방의 유래 없는 대번식은 상당히 특기할 만한 사건이며, 이는 기후변화에 의한 산림생태계교란이 시공간적으로 더욱 예측하기 어려워질 수 있음을 시사하는 것이다. 이러한 산림생태계교란 탐지의 신뢰도가 더욱 향상되기 위해서는 사면방향과 경사에 따라 위성영상에 발생할 수 있는 그림자 효과 등을 처리할 수 있도록 DSM(Digital Surface Model)과 지형보정 알고리즘의 활용이 반드시 추가되어야 할 것이다. 다양하고 특이한 산림생태계교란을 탐지함에 있어 위성원격탐사는 매우 효과적인 방법임에 틀림없으며, 우리나라에서 2024년 발사 예정인 농림업중형위성은 이와 같은 산림생태계교란을 감시하는 데 있어 핵심적인 역할을 수행할 수 있을 것으로 기대된다.