Detection of Forest Fire Damage from Sentinel-1 SAR Data through the Synergistic Use of Principal Component Analysis and K-means Clustering

Sentinel-1 SAR 영상을 이용한 주성분분석 및 K-means Clustering 기반 산불 탐지

Abstract

Forest fire poses a significant threat to the environment and society, affecting carbon cycle and surface energy balance, and resulting in socioeconomic losses. Widely used multi-spectral satellite image-based approaches for burned area detection have a problem in that they do not work under cloudy conditions. Therefore, in this study, Sentinel-1 Synthetic Aperture Radar (SAR) data from Europe Space Agency, which can be collected in all weather conditions, were used to identify forest fire damaged area based on a series of processes including Principal Component Analysis (PCA) and K-means clustering. Four forest fire cases, which occurred in Gangneung·Donghae and Goseong·Sokcho in Gangwon-do of South Korea and two areas in North Korea on April 4, 2019, were examined. The estimated burned areas were evaluated using fire reference data provided by the National Institute of Forest Science (NIFOS) for two forest fire cases in South Korea, and differenced normalized burn ratio (dNBR) for all four cases. The average accuracy using the NIFOS reference data was 86% for the Gangneung·Donghae and Goseong·Sokcho fires. Evaluation using dNBR showed an average accuracy of 84% for all four forest fire cases. It was also confirmed that the stronger the burned intensity, the higher detection the accuracy, and vice versa. Given the advantage of SAR remote sensing, the proposed statistical processing and K-means clustering-based approach can be used to quickly identify forest fire damaged area across the Korean Peninsula, where a cloud cover rate is high and small-scale forest fires frequently occur.

산불은 지표 에너지 균형, 사회 및 환경에 중대한 위협을 미치며, 사회경제적 손실을 일으킨다. 한편, 현재까지 널리 사용되고 있는 다중분광 위성 영상 기반 산불 피해 탐지 알고리즘은 구름으로 인한 반사도 오염으로 인해 시의적절한 산불 정보를 얻기 어려운 문제가 있다. 따라서 본 연구에서는 구름에 영향을 받지 않는 유럽우주국의 Sentinel-1 SAR (Synthetic Aperture Radar) 자료로부터 2019년 4월 초에 발생한 남한 강원도의 강릉·동해, 고성·속초 및 인접한 북한의 두 산불 발생 지역을 대상으로 주성분분석(Principal Component Analysis; PCA)을 포함하는 일련의 전 처리 및 K-means clustering을 이용하여 산불 피해 면적을 탐지하였다. 추정된 산불 면적은 국립산림과학원에서 남한의 두 산불에 대해 제공한 산불 피해 면적 및 강도 참조자료 및 산불 피해 탐지에 널리 사용되는 dNBR (differenced Normalized Burn Ratio)을 사용하여 검증하였다. 국립산림과학원의 참조자료 기반 검증에서 강릉·동해와 고성·속초 산불에 대해 평균 약 86%의 정확도를 보였다. dNBR을 사용한 검증에서는 남한 및 북한의 지역 모두에 대해 평균 약 84%의 정확도를 보였다. 이때, 산불 강도가 강할수록 산불 면적 탐지 성능이 높고 반대로 산불 강도가 약할수록 산불 면적 탐지 성능이 낮은 것을 확인할 수 있었다. 본 연구를 통해 검증된 SAR 영상을 이용한 PCA 및 K-means clustering 기반 탐지 알고리즘이 추후 구름의 영향이 크고 작은 산불이 빈번하게 발생하는 한반도에 대하여 신속한 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다.

1. 서론

산불은 전 세계적으로 환경과 기반시설에 중대한 위협을 일으키며(Brownet al., 2018) 전 지구적 생태계 수준에서 산불 발생을 통한 식물의 손실은, 탄소순환, 지표의 에너지 수지에 영향을 미친다(Bowmanet al., 2009; SchimelandBaker, 2002). 또한, 산불은 지역적 수준에서 인명피해 및 주택 소실과 같은 사회경제적 손실을 일으킨다(IllandTephens, 2013). 특히 남한에서는 최근 10년간(2011-2020) 연평균 474건의 산불건수, 1,120 ha의 피해면적, 657억 원의 피해금액 등 전체적으로 그 피해규모가 증가하는 추세를 보이고 있다(KoreaForestService, 2021). 그 뿐만 아니라, 인접국가인 북한 또한 산불로 인한 피해가 상당한 것으로 파악되고 있으며, 북한의 산불이 남한 지역으로 전파되는 경우도 보고된 바 있다(M. Wonet al., 2012). 따라서 신속하고 적절한 산불 피해 복구계획 수립을 위해서 산불 피해에 대한 정확하고 시의적절한 정보 취득이 필수적이다(LasaponaraandTucci, 2019).

산불 피해 정보는 다양한 방법을 통해 얻을 수 있다. 현장관측 기반의 산불 피해 강도의 추정은 많은 인적, 물적자본과 시간을 필요로 하여,  적시에 산불 피해 정보를 얻는데 한계가 있다. 반면,  위성 원격탐사 자료는 주기적인 관측을 통해 산불 피해지역에 직접 방문하지 않고, 현장관측보다 손 쉽게 산불 피해를 탐지할 수 있는 장점이 있다(Brownet al., 2018; Royet al., 2013). 다중 분광 원격탐사 기반의 정규탄화지수(NormalizedBurnRatio; NBR)는 정규식생지수(NormalizedDifferenceVegetation Index, NDVI)와 유사한 방식으로 계산되며,  산불 피해 지역에 대해 단파적외선(ShortwaveInfrared,  SWIR)의 반사도가 증가하고 근적외선(NearInfrared, NIR)의 반사도가 감소하는 특징을 이용하여 계산되는 분광지수이다(KeyandBenson, 2006). dNBR(differenced 0불 발생 이후의 NBR의 차이를 이용해 계산되며,  Landsat-8 및 Sentinel-2와 같은 위성자료로 계산된 dNBR이 현장관측 기반의 산불 피해 자료와 유의미한 관계가 있음이 다수의 선행연구를 통해 입증되었다(Malliniset al., 2018; Milleret al., 2009; Parkset al., 2014; Saulinoet al., 2020). 그러나 다중분광 위성 원격탐사 자료는 구름, 구름 그림자 또는 산림이 연소할 때 발생하는 연기로 인한 반사도 오염 문제 때문에, 적시에 산불 피해 면적 분석이 제한되는 한계가 있다(Royet al., 2013). 또한 구름으로 인해적시에 dNBR이 계산되지 못했을 때, 생물계절학적차이로 인해서 dNBR의 값에 오류가 증가할 수 있다(Chenet al., 2020).

이러한 한계를 극복하기 위해 SAR(SyntheticAperture Radar) 기반의 위성 원격탐사 자료를 이용해 산불 피해에 대한 정량적인 분석을 시도하는 연구가 최근 진행되고 있다(AddisonandOommen, 2018; Saulinoet al.,  2020; Tanaseet al., 2020). SAR 기반의 위성 원격탐사 자료는 주로 산불 발생 후 연소로 인해 야기된 식생구조에 따른(eg, 수관 및 하층 식생의 제거) 후방산란계수의 변화를 통해 산불 피해에 대한 정보를 얻을 수 있다(Tanaseet al., 2010; Tariqet al.,  2021). 그러나 SAR 자료는 영상의 취득 방식의 특징에서 기인하는 영상 내 잡음(speckle)으로 인해서 산불의 강도 또는 면적을 탐지하는 데 어려움이 있고, 이를 해결하기 위해interferometry,  polarimetric decomposition,  기계학습 등의 기법이 적용된 바 있다(Banet al., 2020; Engelbrechtet al., 2017; Junget al.,  2018). 특히 최근 연구에서는 기계학습 또는 통계적 기법을 통하여 SAR 기반 위성 원격탐사 자료에서 산불 피해 면적 또는 산불 피해 강도에 대한 정보를 추출하려는 노력들이 진행되었다(Simet al., 2020). DeLucaet al. (2021)은 포르투갈 및 이탈리아 지역을 대상으로 Sentinel-1 SAR 영상을 이용하여 산불피해면적을 산출하고 평가하였다. 이때, SAR영상의 잡음을 제거하고 불필요한 정보를 제거하여 필요한 정보만을 추출하기 위해 다시 기평균 및 PCA(PrincipalComponentAnalysis)와 같은 통계적처리를 적용한 뒤 생산된 자료를 바탕으로 기계학습 알고리즘 중 비지도학습 알고리즘의 하나인 K-means clustering 기법을 적용하여 산불 면적을 추정 및 평가하였다.

본 연구에서는 위와 같은 논의를 바탕으로 환경 및 지형 특성이 다른 우리나라에 최근 선행연구에서 제시된 SAR 위성영상을 이용한 PCA 및 K-means clustering 기반 산불 피해면적 탐지 알고리즘의 적용 가능성을 살펴보았다. 남한 강원도 지역에 발생한 두 사례의 산불에 대해 산불 발생 전후 각각 2주 이내의 다시기S entinel-1 SAR 영상을 사용하여 SAR 기반 PCA 및 K-means clustering을 통해 산불 피해 면적을 추정한 뒤 dNBR 및 국립산림과 학원(National Institute of Forest Science; NIFOS)의 전문가 기반 산불 피해 자료를 사용해 정확도를 평가하였다. 추가적으로 산불 피해 강도에 따른 알고리즘의 정확도 분석을 수행하였고, 해당 알고리즘을 미계측지역인 북한 지역에 발생한 두 사례의 산불에 적용한 뒤d NBR과 비교하여 적용 가능성을 평가하였다.

2. 연구지역 및 자료

1) 연구지역

본 연구는 한반도의 남한 강원도 지역과 북한 강원도 지역의 동일한 날짜에 발생한 네 개의 산불 사례를 대상으로 실험되었다(Fig. 1). 첫 번째 산불 사례는 강릉·동해(GNDH; 경도 129.041°E,  위도 37.589°N 부근)에서 2019년 4월 4일에 발생하였으며, 약 1260 ha의 산림이 소실되었다. 두 번째 사례는 고성·속초(GSSC; 경도128.534°E, 위도38.22°N부근)에서 발생한 산불로 약 1266 ha가 소실되었으며, GSSC 지역은 GNDH 지역에 비해 지형이 복잡하며, 특히 향(Aspect)이 복잡한 특징을 나타낸다. 두 사례 모두 산불이 도심지까지 확산되면서, 많은 인명과 재산피해를 일으켜 특별 재난 구역으로 지정되기도 하였다(M. Wonet al.,  2019). 세 번째와 네 번째 사례는 북한 지역의 산불로 국내의 GNDH 및 GSSC 사례와 동일하게 4월 4일에 발생한 산불이다. 남한 지역의 산불보다 피해면적은 비교적 작고, 북한에 속해 있는 강원도 지역의 경도 127.695°E,  위도 39.031°N 지역(NK1) 및 경도 128.789°E, 위도 38.954°N (NK2) 지역에서 발생하였다.

Fig. 1. Four study sites used in this study. (a), (b), (c), and (d) indicates Gangneung·Donghae (GNDH), Goseong·Sokcho (GSSC), North Korea 1 (NK1), and NK2 forest fire cases, respectively. The background true color composite images were derived from Sentinel-2 data. The burn severity maps provided by National Institute of Forest Science were superimposed in (a) and (b).

2) Sentinel-1 및 Sentinel-2 위성자료

본 연구에서는 산불 피해를 입은 산림의 면적을 추정하기 위해 산림의 수관 등에 대한 정보들을 활용할 수 있는Sentinel-1 위성자료를사용하였다(Addisonand Oommen, 2018; LasaponaraandTucci, 2019). 2014년 4월에 유럽우주국(EuropeanSpaceAgency; ESA)에서 발사 한 Sentinel-1A 위성은 C-band (5.405 GHz) SAR를 탑재하였고, 동일한 센서를 탑재한, 2년 뒤에 발사된 Sentinel- 1B 위성과 함께 군집위성 궤도를 돌며 자료를 제공하고 있다. 한국지역에 대해서는 IW(Interferometricwide)모드로 10 m 해상도의 GRD(GroundRangeDetected) VH (VerticaltransmitandHorizontalreceive)와 VV(Vertical transmitandVerticalreceive) 이중편광 영상을 약 12일 간격으로 제공하며, 이는 NASA Earthdata에서 취득할 수 있다(Geudtneret al., 2014). 산불 피해를 입기 전과 후의 차이를 비교하기 위해 산불 발생일을 기준으로전, 후 각각 2주 동안의 자료를 사용하였다. 또한, ascending 자료인 Sentinel-1A와 descending 자료인 Sentinel-1B, 모두를 활용하였다(Table1).

Table 1. Summary of Sentinel-1 and Sentinel-2 data used to examine the four forest fire cases (GNDH, GSSC, NK1 and NK2) in this study

본 연구에서는 Sentinel-1을 이용한 산불 면적 탐지와 기존의 dNBR 기반 산불 면적 탐지 성능을 비교하기 위해 Sentinel-2 영상을 이용하였다. Sentinel-2A 위성은 2015년 6월에 ESA에서 발사된 다중분광 센서MSI(Multi SpectralImager)를 탑재한 위성으로, 2017년 3월 발사된 동일 센서를 탑재한 Sentinel-2B 위성과 함께 군집 위성궤도를 돌고 있다. 가시광선, 근적외선, 단파적외선 영역에 대하여 각각 10 m, 20 m,  60 m의 공간해상도를 가진다. 본 연구에 사용된 밴드 8a(B8a)는 0.865 µm의 중심파장대와 20 m의 공간해상도를 가지며, 밴드12(B12)는 2.190 µm의 중심 파장대와 20 m의 공간해상도를 가진다. Sentinel-2 개별 위성당 10일의 재방문주기를 가지며, Sentinel-2A 및 2B 위성을 동시에 활용할 경우 5일의 시간해상도를 갖는다(Druschet al.,  2012). Sentinel-2 위성의 자료는 대기 상층 반사도 자료인 L1C자료를 사용하였으며, 산불이 발생한 시점을 기준으로 구름의 영향을 받지 않은 가장 가까운 시기의 영상을 취득하여 사용하였다(Table1).

3) 참조자료

본 연구의 참조자료는 2019년 남한 강원도의 GNDH, GSSC산불을 대상으로 항공우주연구원(KoreaAerospace ResearchInstitute; KARI)에서 운용중인 다목적실용위성 3호(KOMPSAT-3)와 다목적실용위성 2호(KOMPSAT-2)의 NDVI의 산불 전후차이인 dNDVI(differencedNDVI) 및 ISODATA 알고리즘을 사용하여 생산된 산불피해강도 자료를 사용하였다. 해당 자료는 NIFOS로부터 제공받아 사용하였으며 2.8 m의 공간해상도를 가진다. 참조 자료는 경피해(Lowseverity), 중피해(Moderateseverity), 그리고 심피해(Highseverity)의 세 단계의 산불 피해 강도로 구분되어 있다. 참조자료는 비록 현장관측을 통해 피해 강도가 평가되지는 않았지만, 신뢰할 수 있는 전문가로부터 생산된 자료이며, 산림청에서 제시한 산불 피해자료와 비교하여 높은 정확도를 나타낸 바 있다(M. Wonet al.,  2019). NIFOS의 산불 피해 참조자료는 연구결과와의 비교분석을 위해 산불 피해및 미 피해로 재분류(Reclassification)하여 사용하였다.

3. 연구방법

본 연구의 흐름도는 Fig. 2와 같다. SAR 영상을 이용한 PCA와 K-means clustering 기반 산불 피해 면적 추정 알고리즘의 결과는 산불 피해 및 미피해의 이진 영상으로 재분류된 NIFOS의 참조자료와 미국 지질조사국(UnitedStateGeologicalSurvey; USGS)에서 제시한 임계값을 통해 이진 영상으로 재분류된 dNBR을 통해 비교 분석하였다(KeyandBenson, 2006). 연구 결과의 정량적인 비교분석을 실시하기 위해 본 연구에서 실험한 산불 추정 알고리즘의 결과, 재분류된 dNBR, 그리고 NIFOS의 참조자료를 20 m의 공간해상도로 재배열(Resample)하였다.

Fig. 2. The process flow diagram of the approach used in this study.

1) SAR영상을 이용한 주성분분석 및 K-means clustering기반 산불 면적 탐지

본 연구의 산불 면적 추정은 산불 전후 각각 1개월의 Sentinel-1 SAR 영상을 이용해 유럽의 포르투갈 및 이탈리아 지역을 대상으로 실험된 DeLucaet al. (2021)의 알고리즘을 적용하였다. 해당 알고리즘은 SAR 영상의 다시기 평균 및 잡음 필터링을 이용해 영상 내 잡음을 최소화한 뒤 이를 SAR 영상 기반의 지수를 통해 산불 피해지역과 미 피해지역에 대한 신호의 대비를 강화하였다. 이에 추가적으로 GLCM(GrayLevelCo-occurrence Matrix) 질감 분석을 이용해 영상 내의 산불 피해지역 및 미피해지역에 대한 대비를 강조하였다. GLCM 질감분석의 결과로 얻어진 다수의 레이어에 PCA를 적용하여 필요한 정보를 손실하지 않은 채 불필요한 정보를 최소화하고 잡음을 제거하였다(Gimenoet al., 2003). 마지막으로, K-means clustering 알고리즘을 PCA의 결과로 얻어진 레이어에 적용해 통해 산불 면적을 추정하였다. 이때,  K-means clustering에 사용될 최적의 클래스 수를 결정하기 위해 Silhouette score를 통한 분석이 진행되었다. 각 과정의 자세한 내용은 다음과 같다.

(1) SAR 전처리: 전처리 과정은 Copernicus에서 제공하는 SNAP(Sentinelapplicationplatform)의 함수를 사용하였으며, 위성 궤도정보 적용, 열잡음을 제거, 복사 보정, 지형 평탄화, 지형 보정, 및 lee filter를 사용한 다시기 잡음 필터와 같은 처리가 진행되었다.

(2) 시계열 평균: 전처리를 거친 산불 전후의 VV 및 VH 편광 SAR 영상을 각각 시계열 평균하여, 산불 전 VH, 산불 전 VV, 산불 후VH, 산불 후 VV자료를 얻었다.

(3) SAR 지수: 산불 탐지에 관련된 6개의 SAR 기반 지수, VV 및 VH 편광의 RBD(RadarBurnDifference), VV 및 VH 편광의 LogRBR(Logarithmic Radar Burn Ratio), RVI(Radar Vegetation Index)를 이용한 ΔRVI, 그리고 DPSVI(Dual PolarizationSARVegetationIndex)를 이용한 ΔDPSVI가 계산되었으며, 이 지수들의 계산식은 다음과 같다:

\(\begin{aligned} R B D_{x y}=& \text { fire TimeAverage }_{x y}[\text { post }-\text { fire }]-\\ & \text { fireTimeAverage }_{x y}[\text { pre }-\text { fire }] \end{aligned}\)       (1)

\(\log R B R_{x y}=\log 10\left(\frac{\text { fireTimeAverage }_{x y}[\text { post }-\text { fire }]}{\text { fireTimeAverage }_{x y}[\text { pre }-\text { fire }]}\right)\)       (2)

\(R V I_{z j}=4 * \frac{\text { TimeAverageVH }}{\text { TimeAverageVV }+\text { TimeAverageVH }}\)       (3)

\(D P S V I_{z j}=\frac{\text { TimeAverageVV }+\text { TimeAverageVH }}{\text { TimeAverageVV }}\)       (4)

\(\Delta R V I=R V I_{\text {post }}-R V I_{\text {pre }}\)       (5)

\(\triangle D P S V I=D P S V I_{p o s t}-D P S V I_{p r e}\)       (6)

이때, TimeAverage는 산불 전 또는 후 영상들의 시계열 평균을 의미한다. 식(1) 및(2)의 아래첨자 _xy는 SAR 영상의 편광(VV또는 VH)을 의미하며, 식(3) 및(4)의 아래첨자_zj는 산불 발생 전 또는산불 발생 후를 의미한다. 예를 들어,  DPSVI_post는 산불 발생 후의 시계열 평균 VV 편광 영상과 시계열 평균 VH 편광 영상을 더한 뒤 이를 다시 산불 발생 후의 시계열 평균 VV 편광 영상으로 나 누어 주는 방법으로 계산된다.

(4) GLCM 질감 분석: 계산된 SAR 지수로부터, 산불 피해지역과 미 피해지역에 대해 대비를 강화하고 추가적인 영상의 질감 정보를 추출하기 위해 GLCM 분석을 실시하였다. GLCM 질감 분석으로부터 얻어진 자료는 분류 문제를 해결하는데의 정확도를 향상시키는데에 도움을 준다고 알려져 있다(Kimet al.,  2010). (3)에서 얻어진 6개의 지수로부터 GLCM mean, GLCM Variance, GLCM Correlation, GLCM entropy, GLCM Dissimilarity를 Table2와 같이 계산하여 총 30개의 레이어를 생산하였다.

Table 2. The feature name and equation of GLCM (Gray Level Co-occurrence Matrix) texture analysis used in this research. P_{i, j}means the probability of values iand joccurring in adjacent pixels in the original image within the window defining the neighborhood. Iand j indicate the columns and rows of the GLCM: irefers to the pixel value of a target pixel, and jis the pixel value of its immediate neighbor. μis the GLCM mean and σmeans the standard deviation calculated by GLCM variance

(5) 주성분분석: 전 단계에서 얻어진 GLCM 산출물 레이어를 0-1로 정규화하여 주성분분석을 수행하였다. 각각의 산불 사건 별로 얻어진 주성분들 중 누적 설명된 분산(cumulativeexplainedvariance)이 99%가 되는 주성분 수 까지를 사용하였다. 누적 설명된 분산이 99%까지 도달하기까지의 주성분들을 사용하여 영상 내의 다양한 특성이 다양한 클래스로 분류될 수 있도록 하였다 (DeLucaet al., 2021).

(6) Silhouette score: Silhouette score는 비지도학습 분류 문제에서 최적의 클래스 수 결정을위하여 사용될 수 있는 지수로써, 각 클래스가 얼마나 효율적으로 분리되어 있는가를 나타낸다(Rousseeuw,  1987). (5)에서 얻어진 주성분들을 입력으로 하여 그 중 임의의 샘플 10,000개를 사용하여 K-means clustering을 수행한 뒤, Silhouette score를 계산하였다. Silhouette score의 계산은 다음 식과 같다:

\(\text { Silhouette score }=\frac{b-a}{\max (a, b)}\)       (7)

이때, b는 분류된 격자가 갖는 클래스와 다른 클래스들 사이의 평균 거리이고, a는 분류된 격자가 갖는 클래스와 동일한 클래스를 갖는 격자의 평균거리이다. max는 a와 b 중 최대값을 선택한다는 의미이다.

(7) K-means clustering: 각각의 산불 사례에 대하여 (5)에서 얻어진 주성분과 (6)에서 얻어진 최적의 클래스 수를 바탕으로 K-means clustering을 수행하여 산불 피해지역을 탐지하였다(Al-Rawiet al., 2001; Won, M. et al., 2014). K-means는 전체 자료들을 k개의 클래스로 분류하는 알고리즘으로, 각각의 클래스 내의 자료들이 갖는 분산을 최소화하는 방식으로 작동한다.

기존 연구에서는 산불 전후 각각 1개월 간의 영상 즉, 총 2개월의 영상을 사용하여 산불 면적을 추정하였으나, 본 연구에서는 산불 전후 2주간의 영상을 이용하여 산불 면적을 추정하였고, 이를 참조자료를 통해 평가하였다. 또한 연구지역이 더 좁기 때문에 Silhouette score 계산에 사용된 임의의 샘플 수를 원저자의 100,000개 대신 10,000개만 사용하였다.

2) 광학영상 및 분광지수 기반 산불 면적 추정

본 연구에서 실험한 SAR 기반 산불 면적 추정 알고리즘과의 비교를 위해 Sentinel-2 다중분광 영상을 다음과 같이 처리하였다. 먼저 Sentinel-2 L1C 대기상층 반사도 자료를 Sen2Cor 프로그램을 통한 대기보정을 진행하여 L2A 지표반사도 자료를 획득하였다. 계산된 지표 반사도 자료를 바탕으로 다음의 식을 통해 산불 발생 전, 후의 NBR 및 dNBR을 계산하였다(Navarroet al.,  2017; RizkiniaandSudiana, 2021):

\(N B R=\frac{B 8 a-B 12}{B 8 a+B 12}\)       (8)

\(d N B R=N B R_{p r e}-N B R_{p o s t}\)       (9)

이때, NBRpre는 산불 피해 전의 NBR, NBRpost는 산불 피해 후의 NBR을 의미한다. 계산된 dNBR은남한 및 북한의 산불 피해면적 비교를 위해 USGS의 산불 피해 강도 분류 임계값을 적용하여 분류한 뒤 사용되었다. USGS는 현장관측 자료와 dNBR의 비교분석을 통해 dNBR 기반 피해 면적 및 피해 강도 탐지를 위한 임계값을 제시하였고, 이는 Table3과 같다. 산불 피해면적 탐지를 위해 0.1 보다 낮은 dNBR값을 가지는 격자는 미피해(Unburned), 0.1 보다 높은 dNBR 값을 가지는 격자는 산불 피해지역으로 재분류하였다(DeLuca et al.,  2021; YounandJeong, 2019).

Table 3. The ranges of differenced Normalized Burn Ratio (dNBR) by fire severity level suggested by United States Geological Survey (USGS)

3) 평가지표

산불 피해 면적 평가에 사용된 지표는 실제 산불 발생을 산불 발생으로 예측한 TP(TruePositive),  실제 산불 발생을 산불미 발생으로 예측한 FN(FalseNegative), 실제 산불 미발생을 산불 발생으로 예측한 FP(False Positive), 실제 산불 미발생을 산불 미발생으로 예측한 TN(TrueNegative)의 4가지이며,  이를 종합하여 OA(Overall Accuracy; 총 정확도)를 구한 뒤 혼동행렬(Confusion Matrix)를 통해 제시하였다(Binet al., 2019). OA의 계산식은 식(10)과 같다:

\(O A=\frac{T P+F N}{T P+F N+F P+T N} \times 100\)       (10)

4. 연구결과 및 토의

1) SAR 영상을 이용한 주성분분석 및 K-means clustering 기반 산불 면적 탐지 결과

4개의 산불 사례에 대하여 SAR전처리, 시계열 평균, SAR 지수 계산, 그리고 GLCM 질감 분석의일 련의 처리를 거친 레이어를 PCA를 수행하였다. 그 결과, Fig. 3(a)에서와 같이 GNDH, NK1, 그리고 NK2 산불의 경우 14번째의 주성분에서 누적 설명된 분산이 99%가 되었고, GSSC 산불의 경우에만 16번째 주성분에서 누적 설명된 분산이 99%에 도달하였다. 이로써 각 산불 사례 별로 누적 설명된 분산이 99%에 도달한 수만큼의 주성분을 K-means clustering에 입력자료로 사용하였다. 4개 의 산불 사례별 최적의 K-means 클래스(class) 수를 얻기 위해 PCA 결과를 바탕으로 10000개의 임의로 선택된 자료를 통해 Silhouette score를 분석하였고 Fig. 3(b)는 그 결과를 나타낸다. NK2 산불을 제외한 모든 산불에서, 클래스수가 가장 작은 2개에서 가장 높은 Silhouette score를 나타냈으며, NK2 산불은 클래스 수가 3일 때, 가장 높은 Silhouette score를 나타냈다. 각 산불 별 최적의 class 수를 결정하기 위해 클래스 수가 2개 이상일 때, 가장 높은 Silhouette score 값을 가지는 클래스 수를 이용해 K-means clustering을 수행하여 산불 면적을 탐지하였다 (DeLucaet al.,  2021). Fig. 3(b)의 붉은색 수직선은 각 산불사례에서의 최적의 클래스 수를 나타내며, 이 때 각각의 Silhouette score는 GNDH는 0.428, GSSC는0.315, NK1은 0.379, 그리고NK2는 0.352를 나타냈다.

Fig. 3. (a) The cumulative variance explained by the principal components (PCs) for each forest fire case. The red line indicates the cumulative variance of 99%. (b) Silhouette scores with the increasing number of classes (from 2 to 20) for each forest fire case. The vertical red line indicates an optimal number of classes for K-means clustering in this study.

Silhouette score 분석을 통해 얻어진 각 산불 별 최적의 클래스 수를 사용해 K-means clustering 결과를 도출하였고, 각 산불에서 3개의 클래스를 가지는 산불 피해 면적 지도를 작성하였다(Fig. 4). K-means clustering의 결과를 할당하는 클래스의 평균 위치가 초기화되는 조건 이 달라짐에 따라 K-means clustering의 결과로 나타나는 클래스의 값은 달라질 수있 으며(VassilvitskiiandArthur, 2007), 본 연구의 K-means clustering 결과에서, GNDH는 클래스0, GSSC는 클래스1, NK1은 클래스2, 그리고 NK2는 클래스1이 산불 정보를 가지고 있는 것을 확인할 수 있었다(Fig. 1). 추정된 산불 피해 면적 결과에 대해 정량적인 평가를 진행하기 위해 NIFOS에서 제공받은 GNDH 및 GSSC의 산불 피해지역 참조자료 및 Sentinel-2 기반의 산불 피해 발생 및 미발생의 이진 자료로 분류된 dNBR을 이용해 비교분석을 진행하였다.

Fig. 4. The results of K-means clustering for (a) GNDH, (b) GSSC, (c) NK1 and (d) NK2 forest fire cases.

2) 국립산림과학원 참조자료 기반 평가

이전 절에서 확인한 대로, 추정된 산불 피해 면적 결과를 재분류하여 SAR 기반 산불 피해면적 지도를 작성한 뒤, 이를 NIFOS에서 제공한 산불 피해 참조자료와 공간적으로 비교하였다. Fig. 5(a)와 (c)에서 볼 수 있듯, SAR 기반 산불 피해면적 지도는 GNDH 및 GSSC의 산불 면적을 비교적 잘 탐지하는 것을 확인할 수 있으며, 특히 산불 피해가 발생하지 않은 미피해(unburned)지역에 대한 탐지가 잘 수행된 것을 확인할 수 있었다. 또한, 심한 피해를 입은 심피해(Highseverity) 지역 대해민감하게 탐지하는 특징을 나타냈다. 반면 산불 피해가 심하지 않은 지역에 대해서는 산불 면적 탐지가 민감하게 이루어 지지 않은 것을 확인할 수 있었다. 이는 NIFOS의 참조자료가 산불 발생일인 2019년 4월 4일으로부터 15일 이후에 작성된 자료이며(Shinet al., 2019), 본 연구에 4월 19일 이후 SAR 영상은 4월 21일 및 4월 22일의 자료 2장만이 사용되었기 때문에, 이 정보를 모두 취득하기 부족한 것일 수 있다. 반면 Fig. 5(c)에서 확인할 수 있듯, GSSC 산불에 대해서는 산불 미피해 지역에 대해서도 산불 피해가 발생했다고 탐지하는 과추정이 이루어진 것을 확인할 수 있었다.

Fig. 5. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using the forest fire reference data provided by National Institute of Forest Science (NIFOS). (a) and (b) show the validation results using NIFOS reference data and the reference severity map for GNDH, respectively. (c) and (d) show the same as (a) and (b) for GSSC. (e) and (f) document the confusion matrices for GNDH and GSSC, respectively.

위 논의를 정량적으로 분석하기 위해 혼동행렬을 작성하였고 이는 Fig. 5(e) 및 (f)와 같다. 혼동행렬에서도 동일하게 TF 및 TN의 값이 높은 것을 확인할 수 있었고, GSSC 산불에 대하여 산물 미피해를 피해로 탐지한 FP가 높은 것을 확인할 수 있었다. 두 지역의 정확도를 비교하였을 때, GNDH의 OA는 약91%였고, GSSC의 OA는 약82%로 차이가 큼을 확인할 수 있었다. 일반적으로 레이더 신호는 지형에 따른 입사각의 차이로 인해 값이 크게 바뀌는 것으로 알려져 있으며(Imperatoreet al., 2017), 지형이 복잡한 GSSC 지역의 경우 레이더 시그널의 한계로 인해 산불 탐지 알고리즘의 성능이 더 낮았을 수 있을 것으로추정된다(Bayeret al.,  1991). GNDH 및 GSSC의 평균 OA를 확인한 결과, SAR 기반 산불 피해면적 알고리즘은 약 86%의 OA를 나타냄을 확인할 수 있었다.

Fig. 5(a) 및 (c)에서 확인한 산불 피해 강도 별 SAR 기반 PCA 처리 및 K-mean clustering 알고리즘의 산불 탐지 정확도를 정량적으로 확인하기 위해, 각 산불에 대해 TP 값을 사용해 막대그래프를 작성하였다(Fig. 6). Fig. 5(a) 및 (c)에서 확인한 공간적 분포 분석과 동일하게, 높은 산불 강도에서, TP의 비율이 높은 것을 확인할 수 있었으며, 산불 강도가 약해짐에 따라 TP의 비율이 낮아지는 것을 확인할 수 있었다. 이는 GNDH 및 GSSC 산불 모두에서 동일하게 확인할 수 있는 패턴이었다. 가장 높은 TP의 비율은 GNDH에서 확인할 수 있었고 그 값은 0.97이었다. 반대로 가장 낮은 경우는 GSSC에서 확인할 수 있었으며 0.4의 TP 비율을 보였다.

Fig. 6. The ratio of True Positive (TP) by severity for GNDH and GSSC fire cases.

3) dNBR 기반 평가

SAR 영상을 이용한 PCA 및 K-means clustering기반 산불 면적 탐지 알고리즘의 미계측지역 적용가능성을 확인하기 위해 dNBR 기반의 산물 면적 탐지 결과와 비교 분석을 실시하였다(Fig. 7). 이때, GNDH의 경우 Sentinel-2의 4월 8일 관측에 미관측지역이 존재하여 해당 지역을 비교분석에서 제외하였다. dNBR은 많은 연구에서 산불 피해를 탐지하는데 사용되는데(Francoet al.,  2020; Quintanoet al., 2018), dNBR의 값은 식생 종과 같은 지역적 조건에 따라 상이한 산불 피해강도 탐지 특성을 나타낸다고 알려져 있다(Milleret al.,  2009; MillerandThode, 2007). 따라서, 본 연구에서는 산불 면적 탐지에 한정하여 사용하였다. Fig. 5(a) 및 (c)와 유사하게 산불 피해 면적의 공간적 비교의 경우, 본 연구의 결과는 dNBR과 전체적으로 높은 일치를 보이는 경향을 확인할 수 있었다. 흥미롭게도, 다중분광영상 기반 자료인 dNBR 기반 산불탐지에서 나타나는 해양에서의 잡음들이 본 연구의 산불 면적 추정 결과에서 비교적 적게 나타나는 점을 확인할 수 있었다. 육지의 경우, GNDH 사례를 제외하고 모든 산불 사례에서 SAR영상을 이용한 통계적 처리 및 K-means 알고리즘의 잡음이 큰 것을 확인할 수 있었다.

Fig. 7. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using dNBR data for four forest fire cases. (a), (b), (c) and (d) are the validation results using the dNBR-based burned area as reference for GNDH, GSSC, NK1 and NK2 fire cases, respectively. (e), (f), (g), and (h) are the confusion matrices for GNDH, GSSC, NK1 and NK2, respectively.

혼동행렬의 결과에서도 본 연구의 산불 면적 추정결과는 GNDH, GSSC, NK1, 그리고 NK2에서 약 86%, 80%, 89%, 84%의 OA를 나타내며 전체적으로 dNBR과 높은 일치를 보임을 확인할 수 있었다. 네 산불 지역에 대해 SAR 영상을 이용한 PCA 및 K-means clustering 기반 산불 면적 탐지의 결과를 dNBR로 평가한 정확도를 평균했을 때, 약 84%의 OA를 나타냄을 확인할 수 있었다.

5. 결론

본 연구는 SAR 영상을 이용한 PCA 및 K-means clustering 기반 산불 면적 탐지 알고리즘을 한반도 지역에 적용하였다. 연구결과는 NIFOS의 산불 피해 참조자료 및 dNBR을 통해 얻어진 산불 피해면적 자료를 통해 평가하였고, 잡음이 많은 SAR 영상을 사용했음에도, NIFOS 참조자료 및 dNBR과 비교적 높은 일치를 보임을 확인하였다. 본 연구 결과를 통해, 구름으로 인한 반사도 오염이 자주 발생하는 한반도의 지역적 특성에도 불구하고, 신속하고 비교적 정확하게 산불을 탐지하여 시의적절한 산불 피해 대응이 가능하게 될 것으로 기대된다. 또한 미계측지역인 북한에 대해서도 적용가능성을 확인하여, 한반도 산림 전반에 대해 산불피해 분석이 가능할 것으로 기대된다.

본 연구에서는 산불 발생 전후 각각 2주간의 영상을 사용하여 산불 탐지를 진행하였다. 그러나 원저자와 동일하게 산불 발생 전후 각각 한달 간의 영상을 사용했을 때에는 탐지 성능이 더 낮게 나타났다. 이에 산불 탐지 성능이 낮았던 이유에 대한 추가적인 분석이 이루어져야 할 것이다. 한편, 본 연구에서 신뢰할 만한 산불 피해 강도 참조자료와 SAR영상 및 K-means clustering을 통한 산불 탐지 알고리즘의 결과를 평가하였을 때, 산불 피해강도가 낮을수록 산불 피해 탐지 성능이 낮음을 확인할 수 있었다. 추후 추가적인 알고리즘 개선 통해 낮은 산불 피해강도에 보다 나은 분류 정확도를 얻는 노력이 필요할 것으로 사료된다. 예를 들어, 주성분분석과 K-means clustering이외에 개선된 통계적 알고리즘 또는 분류 알고리즘을 적용하였을 때 더 높은 정확도를 얻을 가능성이 있을 것이다.