1. 서론
원격탐사 영상을 이용한 재난 피해 평가는 광범위한 지역에 대한 피해 정보를 효율적으로 취득함으로써, 피해 복구를 위한 신속한 의사결정을 지원할 수 있다. 특히, 고해상도(Very High Resolution; VHR) 위성영상을 이용한 재해재난 피해 평가는 세부적인 피해 정보를 추출 가능하다는 이점을 지닌다(Kim et al., 2017). 하지만 재난 발생 전 VHR 위성영상 취득은 일반적으로 제한되며, 이러한 재난 발생 전 영상의 부재는 피해 평가 결과의 정확도를 저하시킬 수 있다. 이에 따라 기존 선행연구에서는 VHR 광학 위성영상과 SAR (Synthetic Aperture Radar) 위성영상과 같은 이종 센서 데이터를 융합하거나(Jung et al., 2018), 다종 플랫폼에서 취득된 VHR 광학 위성영상을 함께 이용하여(Chung et al., 2020) 재난 피해 분석 연구를 수행한 바 있다. 하지만 다종 출처의 데이터 를 융합하는 과정에서는 센서 간의 차이에 의한 오차를 최소화하기 위한 정교한 영상 전처리 과정이 요구되며, 광학 위성영상의 경우, 안개, 구름 등 기상조건에 의해 분석에 적합한 재난 발생 전 영상 수급 자체가 제한될 수 있다. 반면, GIS (Geographic Information System) 데 이터는 사전 구축된 지표면 정보를 가공된 형태로 제공함으로써, 재난 발생 전 VHR 영상 부재에 대한 효과적인 대안으로 활용될 수 있으며, 부가적인 재난 피해 속성 정보 또한 분석 가능하다.
GIS 데이터를 활용한 산불 피해 분석 연구는 주로 산불 발생 전후 위성영상과 수치지형도 또는 DEM (Digital Elevation Model) 데이터를 이용하여 산불 피해 지역의 지형적인 요소와 산불 발생 위험도 간의 상관관계를 분석하는 연구가 수행되었다(Pew and Larsen, 2001; Petropoulos et al., 2014). 관련 연구에서 광학 위성영상은 일반적으로 식생 지수 계산을 통해 산불로 인한 지표면 의 피해 특성 추출에 사용되었으며, 분석 지역의 규모에 따라 MODIS와 같은 저해상도 위성영상(Nami et al., 2018)부터 Landsat 등 중저해상도 위성영상(Petropoulos et al., 2014), 4 m 해상도(다중분광 영상 기준)의 IKONOS 위성영상(Bhandary and Muller, 2009) 등 다양한 해상도 의 광학 위성영상이 활용된 바 있다. 하지만 일반적으로 고해상도 위성영상에 부합하는 고해상도 GIS 데이터는 국가적인 단위의 데이터 구축에 비용적인 한계가 존재함에 따라 VHR 위성영상과 GIS 데이터를 직접적으로 융합한 산불 피해 분석 연구는 충분히 다루어지지 않았다.
국내에서는 국가공간정보정책 기본계획에 따라 토지이용, 지하, 환경, 농림, 해양 등 다양한 분야에 대한 GIS 데이터 구축 및 활용체계 구축이 활발히 추진되고 있다(MOLIT, 2010). 그 예로, 국내 환경부 환경공간정보 서비스(EGIS)에서 제공하고 있는 토지피복도의 경우, 대분류는 10년, 중분류는 5년, 세분류는 매년 주기로 갱신을 추진하고 있어 고해상도 영상 분석에 적합한 고해상도 GIS 데이터 구축이 지속적으로 수행되고 있다. 또한, 최근 국내 지역의 반복적인 대형 산불 발생 상황 을 고려하였을 때, 고해상도 광학 위성영상 및 GIS 데이터 등 가용 데이터를 종합적으로 활용한 다양한 산불 피해 분석 노력이 요구되고 있다. 따라서, 본 연구에서는 산불 발생 후 VHR 위성영상과 GIS 데이터를 이용하여 국내 산불 지역에 대한 산불 피해 평가 연구를 수행하였으며, 2019년 강원도 산불 지역에 대한 검증을 통해 제안된 산불 피해 지역 변화 탐지 기법의 활용성을 확인하였다.
2. 연구 지역 및 자료
연구 지역은 2019년 4월 4일 발생한 강원도 산불 피해 지역 중 강릉-동해 지역과 고성-속초 지역을 선정하였으며, 산불 발생 후 VHR 영상과 GIS 데이터를 이용하여 산불 피해 평가를 수행하였다. 산림청 현장조사 결과, 강릉-동해 지역과 고성-속초 지역은 각각 1,260 ha 와 1,227 ha의 피해 면적이 집계되었으며(Gangwon et al., 2019), Korea Forest Service (2020)에 따라 두 지역 모두 100 ha 이상의 대형산불 피해 지역에 해당한다. 강릉-동해 지역은 산악 지형에 위치하며, 지표의 대부분이 산림으로 구성된 한편, 고성-속초 지역은 보다 다양한 종류의 토지피복을 포함하였다(Fig. 1). 따라서, 본 연구에서는 상이한 지표 특징을 지닌 두 연구 지역에 대해 제안 기법의 활용 가능성을 확인하고자 하였다.
Fig. 1. Post-fire GeoEye-1 images acquired over(a) Gangneung-East Sea region and (b) Goseong-Sokcho region, displayed in false-color image with near-infrared (NIR), red, and green bands.
산불 피해 평가를 위한 데이터로는 산불 발생 후 취득된 GeoEye-1 (GE-1) 영상과 국가 토지피복도가 주요 분석 데이터로 사용되었다(Table 1). 환경부 환경공간정보서비스에서 제공하고 있는 전국 토지피복도는 현장 조사와 위성영상 및 항공영상 판독을 통해 작성되며 (EGIS), 7개 항목의 대분류, 22개 항목의 중분류, 41개 항목의 세분류 토지피복도로 구성된다. 이에 본 연구에서는 GE-1 다중분광(multispectral; MS) 영상의 2.0 m 해상도와 부합하도록 1.0 m 해상도로 작성된 세분류 (Level-3 classification) 토지피복도를 선택하였으며, 2019년 강원도 산불 발생 이전 생성된 2017년 세분류 토지피 복도를 이용하여 산불 피해 평가를 수행하였다.
Table 1. Description of data used in this study
3. 연구방법
제안 기법의 산불 피해 평가 과정은 크게 (1) 산불 발생 후 VHR 위성영상 전처리, (2) 산불 발생 전 NIR (nearinfrared)영상시뮬레이션,(3) NDVI(NormalizedDifference Vegetation Index) 상관도 기반의 변화 탐지 단계로 구성된다(Fig. 2). 본 연구에서는 신속한 재난 피해 평가를 위해 변형된 SLIC (Simple Linear Iterative Clustering) 영상 분할 기법을 통해 생성된 superpixel 기반의 학습 데이터 생성 및 변화 탐지를 수행하였으며, 이를 통해 superpixel 기반의 산불 피해 변화 탐지 결과를 산출하였다.
1) 산불 발생 후 VHR 위성영상 전처리
산불 피해 분석 과정에서는 GIS 데이터를 활용한 산불 피해 변화 탐지에 앞서 산불 발생 후 VHR 위성영상 에 대해 기하 보정 및 방사 보정 등 위성영상 전처리 과정이 수행되었다. 먼저 1:5000 축척의 수치지형도로부터 생성된 2 m 해상도 DEM과 영상 메타데이터의 RPC (Rational Polynomial Coefficients) 값을 이용하여 산불 발생 후 GE-1 영상에 대한 정사 보정을 수행하였으며, 토지피복도 자료와 좌표계를 통일함으로써, VHR 영상과 GIS 데이터가 정확하게 중첩될 수 있도록 하였다. 이 어서 방사 보정 과정에서는 영상 메타데이터에 포함된 변환 계수를 이용하여 영상의 DN (Digital Number) 값을 반사율 값으로 변환하였다. 또한, 지형 정규화 기법 적용을 통해 지형적인 영향에 의한 영상 내 밝기값 차이를 감소시키고자 하였다. 적용된 기법은 선행 연구 (Chung and Kim, 2020)에서 제안된 밴드별 최적 지형 정규화 기법 조합이 사용되었으며, RGB 밴드와 NIR 밴드에 대해 각각 empirical rotation 모델(Tan et al., 2010)과 Ccorrection 모델(Teillet et al., 1982)이 적용되었다. 각 지형 정규화 모델은 화재 발생 후 영상 상에 식생 피복과 연소된 식생 피복이 혼재하는 경우에 대하여 밴드 별 지형 효과 보정 성능 분석을 통해 식생 피복에서의 지형에 의한 밝기값 차이를 효과적으로 보정하는 동시에 연소된 식생 피복에 대한 오차를 최소화하는 기법을 선정하였다.
Fig. 2. Flowchart of the proposed study.
2) 산불 발생 전 NIR 영상 시뮬레이션
다음에서는 다시기 NDVI 기반의 산불 피해 변화 탐지를 위해 산불 발생 후 VHR 위성영상의 NIR 영상과 세분류 토지피복도를 이용하여 산불 발생 전 NIR 영상 시뮬레이션을 수행하였다. 먼저 산불 발생 후 GE-1 NIR 영상과 토지피복도를 중첩하여 각 세분류 토지피복에 해당하는 산불 발생 후 NIR 반사율 값의 분포를 확인하였다. 강릉-동해 지역의 경우, 식생 피복이 지표면의 대부분을 구성함에 따라 산림, 초지 등 식생에 해당하는 토지피복에서 영상 내 NIR 반사율 분포가 bimodal 분포를 나타내었다(Fig. 3). 이처럼 2개의 peak가 관찰된 세분류 토지피복은 활엽수림, 침엽수림, 혼효림, 기타 초지, 기타 나지의 5가지 토지피복이며, 각각의 토지피복 분류 코드(L3 code)는 311, 321, 331, 423, 623에 해당한다(Table 2). 이에 제안 기법에서는 2개의 peak가 관찰된 식생 피복의 NIR 반사율 히스토그램에서 높은 peak의 값이 미피해 지역의 NIR 반사율 값을 표현한다는 가정 하에 산불 발생 후 GE-1 NIR 영상 내 식생 피복의 값을 각 피복의 높은 peak의 값으로 대체하였다. 즉, 연구 지역 내 식생 피복에 대해 산불 발생 후 NIR 영상의 반사율 값이 높은 peak의 NIR 반사율 값으로 대체되었으며, 비식생 피복의 경우, 본 연구의 관심 피해 피복이 아님에 따라 산불 발생 후 NIR 영상과 동일한 값을 상정하여 최종적인 산불 발생 전 NIR 영상을 생성하였다. NIR 반사율 분포 내 peak 값 산출 과정에서는 0-10000의 반사율 값 범위에 대해서 50의 구간 너비를 지닌 히스토그램을 작성하였으며, MATLAB의 신호 처리 툴박스 내 자동화된 국소 최대값 탐색 함수를 활용하여 peak의 위치를 확인하였다. 단, 고성-속초 지역은 강릉-동해 지역보다 혼합된 토지피복 구성으로 인해 bi-modal 분포가 분명하게 나타나지 않음에 따라 강릉-동해 지역의 NIR 반사율의 peak 값과 동일한 값을 이용하여 산불 발생 전 NIR 영상 시뮬레이션을 수행하였다.
Fig. 3. NIR reflectance histograms of vegetational land covers on the Gangneung-East Sea region: (a) deciduous forest; (b) coniferous forest; (c) mixed forest; (d) grassland; (e) barren.
Table 2. NIR reflectance peak values from vegetational land covers on Gangneung-East Sea region
3) NDVI 상관도 기반의 변화 탐지
산불 피해 지역에 대한 변화 탐지 과정에서는 super pixel 기반의 영상 분석을 위한 영상 분할이 선행되었다. Superpixel은 영상 과분할을 통해 생성된 유사 픽셀의 클러스터로써, 영상의 복잡도를 낮추는 동시에 영상의 디테일을 보존할 수 있다는 점에서 영상 분석 시 이점을 지닌다. 본 연구의 영상 분할 기법으로는 변형된 SLIC기법(Kim et al., 2013; Chung et al., 2020)이 적용되었으며, 기존의 SLIC 기법(Achanta et al., 2012)과 비교하여 클러스터 중심 업데이트 과정에서 시그마 필터를 적용하였으며, 휘도 유사도에 대한 추가적인 클러스터링 조건 및 최소 superpixel 크기에 대한 조건이 추가적으로 고려되었다. 영상 분할 시 입력 영상으로는 산불 발생 후 NIRR-G 영상을 사용하였으며, 영상 분할 결과를 바탕으로 학습 데이터 위치 추출을 위한 다시기 NDVI 상관도(Wu et al., 2012)를 계산하였다(Equation 1). 산불 발생 전 NDVI 계산 과정에서는 앞서 생성된 산불 발생 전 NIR 영상과 산불 발생 후 Red 영상을 사용하였다. 이처럼 시뮬레이션된 산불 발생 전 NIR 영상과 산불 발생 후 Red 영상을 이용한 산불 발생 전 NDVI 계산은 산불로 인한 식생 연소 시 분광 반응의 변화가 주로 NIR 밴드에서 크게 나타나는 점을 반영하였으나, Red 밴드에 대한 연소 식생의 반응을 배제시킴으로써, NDVI 산출 시 일부 오차가 유입될 수 있다.
\(r_{t_{1}, t_{1}}=\frac{\sum_{i=1}^{m}\left(x_{t_{1}}^{i}-\mu_{t_{1}}\right)\left(x_{t_{2}}^{i}-\mu_{t_{2}}\right)}{\sqrt{\sum_{i=1}^{m}\left(x_{t_{1}}^{i}-\mu_{t_{1}}\right)^{2}} \sqrt{\sum_{i=1}^{m}\left(x_{t_{2}}^{i}-\mu_{t_{2}}\right)^{2}}}\) (1)
\(\begin{aligned} &\text { where } \mu=\text { mean NDVI values for superpixel } i \\ &\qquad \begin{aligned} x_{i}=& \text { mean NDVI values from the superpixels } \\ & \text { neighboring superpixel } i \\ m=& \text { number of neighboring superpixels with } \\ & \text { superpixel } i \end{aligned} \\ &t_{1}, t_{2}=\text { subscripts for pre-fire and post-fire } \end{aligned}\)
다시기 NDVI 상관도 r은 산불 발생 전후 NDVI의 지역적인 일관성을 나타내는 지표로써, -1부터 1 사이의 값을 지닌다. 즉, 상관도 r 값이 -1에 가까운 superpixel은 주변의 superpixel과 비교하여 NDVI 값이 변화했음을 의미하며, 상관도 r 값이 1에 가까운 값을 가질 경우, NDVI 값에 변화가 없음을 의미한다. 제안 기법에서는 0과 0.95의 임계치 설정을 통해 0보다 작은 r 값의 superpixel과 0.95 이상의 r 값의 superpixel에 대해 각각 학습에 사용될 “변화 지역”과 “미변화 지역”의 라벨을 부여하였으며, 나머지 superpixel은 학습에 사용되지 않는 “미분류 지역” 라벨을 부여하였다. 또한, 학습 데이터의 품질은 변화 탐지 결과의 정확도에 영향을 미치기 때문에(Chung et al., 2020) 추가적으로 dNDVI(differenced NDVI) 조건을 적용하여 학습 데이터를 정제하였으며, “변화 지역” 라벨이 부여된 superpixel의 dNDVI 값이 0.1보다 작은 경우, 해당 superpixel을 학습에서 제외하였다.
변화 탐지 과정에서는 일반적으로 널리 사용되고 있는 Support Vector Machine (SVM)과 Random Forest (RF)의 2가지 변화 탐지 알고리즘에 대해서 각각 변화 탐지 결과를 산출하였으며, 변화 탐지 알고리즘에 따른 정확도 영향을 확인하고자 하였다. SVM은 본디 이진 분류를 위해 고안된 알고리즘으로, 데이터의 분포 및 차원에 대한 강건성과 높은 일반화 능력(Cortes and Vapnik, 1995)을 특징으로 한다. RF 또한 널리 적용되는 머신 러닝 알고리즘으로, 개별적으로 학습된 결정 트리로부터 예측 결과를 출력함으로써 향상된 분류 정확도를 제시한 바 있다(Breiman, 2001). 변화 탐지를 위한 입력 feature로는 superpixel 기반의 분광 feature 및 텍스처 feature가 사용되었다. 분광 feature는 산불 발생 후 GE-1 영상의 4-band 영상 값을 superpixel 별로 평균하여 사용하였다. 또한, 텍스처 feature의 경우, 산불 발생 후 GE-1 NIR 영상의 GLCM (gray-level co-occurrence matrix)으로부터 계산된 텍스처 feature가 사용되었다. GLCM은 지표면의 텍스처 특징을 나타내는 대표적인 기법으로, 두 픽셀 간의 각도와 거리 관계(공간 관계)를 이용하여 특정 값을 가지는 픽셀 쌍의 등장 빈도를 바탕으로 행렬을 생성하고 통계적 측정값 추출을 통해 영상의 텍스처 특성을 표현한다(Haralick et al., 1973). GLCM은 지표면에 대한 높은 식별력을 나타냄에 따라 분류, 변화 탐지 등 다양한 분야에 활용되고 있다(Maillard, 2003; Gao et al., 2015). 본 연구에서는 변화 탐지를 위한 텍스처 feature로써 mean, variance, dissimilarity, homogeneity, contrast, entropy, angular second moment, correlation의 8가지 텍스처 feature를 추출하여 사용하였다. GLCM의 텍스처 feature는 7×7 크기의 moving window를 이용하여 계산되었으며, 4개 방향(0°, 45°, 90°, 135°)의 값을 평균함으로써, 방향에 의한 영향을 감소시키고자 하였다. 즉, 다시기 NDVI 상관도 분석으로부터 추출된 “변화 지역”과 “미변화 지역”의 superpixel에 대해 분광 및 텍스처 feature를 계산하여 변화 탐지 알고리즘의 입력 feature로 사용하였으며, (1) 4- band 값만을 이용한 경우, (2) GLCM feature만을 이용한 경우, (3) 4-band 값과 GLCM feature를 함께 이용한 경우의 3가지 입력 feature에 대해 산불 피해 지역 변화 탐지를 수행함으로써, 입력 feature에 의한 변화 탐지 정확도 차이를 분석하였다.
본 연구의 변화 탐지 기법은 GE-1과 PlanetScope 위성영상을 이용한 선행연구(Chung et al., 2020)에서 검증된 바 있으며, dNDVI 조건을 이용한 학습 데이터 정제 과정 추가를 통해 단일 시기 영상에도 적용 가능한 변화 탐지 알고리즘을 구성하였다.
4. 실험결과 및 분석
1) 산불 발생 전 NIR영상 시뮬레이션
산불 발생 전 NIR 영상 시뮬레이션 과정에서는 활엽수림, 침엽수림, 혼효림, 기타 초지, 기타 나지의 5가지 토지피복에 대해서 산불 발생 후 VHR NIR 영상의 값을 높은 peak의 NIR 반사율 값으로 대체하였다. 이를 통해 생성된 산불 발생 전 NIR 영상은 산불 발생 후 VHR Red 영상과 함께 산불 발생 전 NDVI 계산에 사용되었으며, 산불로 인한 식생의 분광 반응 차이가 적은 VHR Red 영상 사용을 통해 시뮬레이션된 산불 발생 전 NIR 영상에서 감소된 VHR 영상의 고해상도 디테일을 보완하고자 하였다(Fig. 4).
Fig. 4. Simulated pre-fire NIR images and NDVI images over (a), (b) Gangneung-East Sea region and (c), (d) GoseongSokcho region.
Table 3에서는 앞서 언급된 5가지 식생 토지피복에 대해 대체된 NIR 반사율 값과 실제 산불 발생 전 NIR 영상의 반사율 값 분포를 비교하였다. 산불 발생 전 영상으로는 PlanetScope 위성으로부터 취득된 3 m 공간해상도 영상을 수급하였으며, 강릉-동해 지역과 고성-속초 지역에 대해 각각 2019년 4월 4일, 3월 24-26일 영상을 이용하였다. 비교 분석 결과, 강릉-동해 지역의 활엽수림 피복과 고성-속초 지역의 기타 나지 피복과 같이 시뮬레이션 과정에서 사용된 NIR 반사율 값과 실제 NIR 반사율 분포의 peak 값의 차이가 크지 않은 경우도 존재 하였으나, 그 외의 피복에서는 실제보다 약 100-200 정도 높은 반사율(0-10000 사이의 값으로 스케일링됨) 값이 추정되었다. 이처럼 제안 기법을 통해 생성된 산불 발생 전 NIR 영상은 식생 피복의 반사율 값이 일부 과대추정됨에 따라 산불 발생 전후 NDVI 상관도를 이용한 학습 데이터 생성 및 변화 탐지 결과에 영향을 미칠 수 있으며, 이어지는 NDVI 상관도 기반의 변화 탐지 결과 분석 과정에서 다시기 영상 분석 결과와의 비교를 통해 피해 탐지 결과의 차이를 확인하였다.
Table 3. Comparison of estimated NIR reflectance values and distribution of actual NIR reflectance values from pre-fire PlanetScope images
2) NDVI 상관도 기반의 변화 탐지
본 연구의 변화 탐지 과정에서는 superpixel 기반의 NDVI 상관도를 통해 학습에 사용할 superpixel의 위치 정보를 추출하였다. Fig. 5는 시뮬레이션된 산불 발생 전 NIR 영상과 산불 발생 후 GE-1 영상을 이용한 다시기 NDVI 상관도와 임계치 적용을 통한 라벨링 결과를 제시하였다. 즉, NDVI 상관도를 기반으로 한 학습 데이터 라벨링을 통해 0보다 낮은 r 값을 나타낸 지역은 “변화지역”으로 라벨링되었으며, 그 외 지역은 r 값의 크기에 따라 “미변화 지역”과 “미분류 지역”으로 라벨링되었다. 또한, 산불 발생 전 NDVI 계산 과정에서 산불 발생 후 NIR 영상과 Red 영상의 값이 그대로 유지된 비식생 지역은 다시기 NDVI 상관도 값이 크게 나타남에 따라 비식생 지역에 해당하는 superpixel의 다수가 “미변화 지역”으로 분류되었다.
Fig. 5. Bi-temporal NDVI correlation images and location of training data over (a), (b) Gangneung-East Sea region and (c), (d) Goseong-Sokcho region.
산불 피해 변화 탐지 결과의 정확도 분석을 위해서는 오탐지율(False Alarm Rate; FAR), 미탐지율(Miss Rate; MR), Cohen’s Kappa 계수, 전체 정확도(Overall Accuracy; OA), F1-score의 5가지 평가 지표가 사용되었다. 정확도 평가를 위한 참조자료는 산불 발생 후 VHR 위성영상 판독을 통해 작성되었으며, 산불 피해 지역과 미피해 지역의 superpixel을 추출하여 superpixel 기반의 정확도 평가를 수행하였다. 또한, 변화 탐지 과정에서 산불 발생 후의 단일 시기 영상 feature를 이용하는 제안 기법의 활용성 평가를 위해 산불 전후 영상을 이용한 다시기 영상 분석 결과와 변화 탐지 정확도를 비교하였다. 산불 발생 전 영상으로는 앞서 산불 발생 전 NIR 영상 시뮬레이션 결과 분석 과정에서 언급된 PlanetScope 영상이 동일하게 사용되었다. 다시기 영상 분석의 경우, 단일 시기 영상 분석과 동일한 분석 과정을 수행하였으며, 변화 탐지 알고리즘에 대한 3가지 입력 feature로 다시기 영상 feature를 정규화된 차분값의 형태로 사용하였다.
변화 탐지 정확도 평가 결과(Table 4-5), 제안 기법은 두 연구 지역에 대해 모두 전반적으로 높은 탐지 정확도를 제시하였다. SVM 알고리즘의 경우, 입력 feature로 4-band 값만을 사용하였을 때, 30% 이상의 높은 오탐지율 및 낮은 Kappa 계수, 전체 정확도, F1-score를 통해 낮은 변화 탐지 성능을 나타내었다. 반면, GLCM feature를 이용한 결과에서는 두 연구 지역에서 모두 98% 이상의 전체 정확도와 0.96 이상의 F1-score 값을 제시하였으며, 이를 통해 단일 시기 영상 분석에서 GLCM feature가 4- band 값보다 변화 지역 식별에 효과적임을 확인하였다. 단, 다시기 영상 분석을 통한 SVM 탐지 결과의 경우, 4- band 값만을 이용하였을 때도 높은 탐지 정확도를 나타냄에 따라 다시기 영상 feature와 단일 시기 영상 feature의 성능 차이가 존재하였다. 이어서 RF 알고리즘을 이용한 변화 탐지 결과에서는 4-band 값을 입력 feature로 사용한 단일 시기 영상 분석 결과에서 97% 이상의 전체 정확도와 0.95 이상의 F1-score 수치를 제시하였다. 이처럼 RF 알고리즘은 단일 시기 영상을 이용한 3가지의 입력 feature에 대해서 모두 안정적인 변화 탐지 성능을 나타내었으며, SVM 알고리즘과 RF 알고리즘 모두 GLCM feature만을 이용하였을 때, 가장 높은 변화 탐지 성능을 제시하였다. 따라서, 제안 기법에 대한 변화 탐지 알고리즘별 최대 탐지 정확도 결과는 모두 GLCM feature만을 입력 feature로 이용한 경우에서 산출되었으며, 변화 탐지 알고리즘에 의한 수치적 차이는 크지 않음을 확인 하였다.
Table 4. Accuracy assessment results for the Gangneung-East Sea region
Table 5. Accuracy assessment results for the Goseong-Sokcho region
또한, 제안 기법은 상이한 토지피복 구성을 지닌 두 연구 지역에서 모두 높은 변화 탐지 정확도를 제시하 였다. 특히, 고성-속초 지역의 경우, 학습 데이터 생성을 위한 산불 발생 전 NIR 영상이 강릉-동해 지역의 NIR 반사율 peak 값을 이용하여 작성되었음에도 제안 기법은 효과적으로 산불 피해 지역과 미피해 지역을 구분 가능하였다. 단, 앞서 제시된 NIR 반사율 값 비교(Table 3)를 통해 대체된 NIR 반사율 값과 실제 산불 발생 전 NIR 영상의 반사율 값 간의 차이가 존재함에 따라 타 지역 및 영상에 대한 추가적인 검증이 요구된다. 즉, 토지피복별 분광값 분포의 식별이 어려운 지역에 대해 보다 심도 있는 분석을 통해 식생 피복별의 적절한 대표 값 추출 방법을 확보한다면 제한된 영상 수급 상황에서 본 산불 피해 평가 연구의 활용성이 크게 증대될 것으로 기대된다.
변화 탐지 결과에 대한 시각적인 분석을 통해 일부 superpixel이 산불 피해 지역으로 오탐지되었으나, 대부분 지역에서 산불 피해 지역이 지역 간 경계가 잘 보존된 형태로 탐지되었음을 확인하였다(Fig. 6). 제안 기법의 단일 시기 영상 분석 결과는 다시기 영상 분석 결과와 비교하여 상대적으로 산불 피해 지역을 다소 과대평가하는 경향이 존재하였으며, 이는 시뮬레이션된 산불 발생 전 NIR 영상의 값이 일부 과대추정됨(Table 3)에 따라 실제보다 산불 발생 전 NDVI 값이 높게 추정됨에 기인한 것으로 해석될 수 있다.
Fig. 6. Change detection results from SVM with GLCM features for the Gangneung-East Sea region using (a) proposed method; (b) bi-temporal image analysis and for the Goseong-Sokcho region using (c) proposed method; (d) bi-temporal image analysis.
3) GIS 데이터를 이용한 산불 피해 속성 정보 추출
GIS 데이터를 활용한 산불 피해 변화 탐지는 산불 발생 전 VHR 영상의 부재를 효과적으로 대체할 뿐만 아니라 탐지된 피해 지역에 대한 피해 지역의 토지피복 정보, 지형적인 특성(slope, aspect 등) 등 피해 지역에 대한 상세한 속성 산출 또한 가능하다. 이에 다음에서는 추가적인 GIS 데이터 활용 예시로써, GLCM feature 이용한 SVM 분류 결과를 GIS 데이터인 토지피복도와 중첩하여 산불 피해 지역의 토지피복별 피해 면적을 산출하였다(Table 6-7). 토지피복별 피해 면적 추정 결과, 주요 피해 피복은 국내 산림 구성의 높은 비중을 차지하는 침엽수림이 주를 이루었다. 두 연구 지역의 전체 피해 면적은 모두 산림청 현장조사에 의해 집계된 실제 피해 면적보다 약 10% 낮은 피해 면적을 제시하였으며, 다시기 영상 분석의 경우 약 20-25% 낮은 전체 피해 면적을 나타내었다. 이는 단일 시기 영상 분석 결과가 다시기 영상 분석 결과보다 일부 과대평가된 측면이 반영되었으며, 실제 피해 면적 집계 시 토양이 연소된 지역 등 식생 지수에 의해 탐지되기 어려운 피해 지역이 포 함되었기 때문으로 추정할 수 있다. 이 밖에도 피해 지역의 토지피복 분포 및 위치는 Fig. 7과 같은 시각화를 통해 피해 복구 대책 마련 등의 의사결정 과정에 활용될 수 있다.
Table 6. Damage estimation for each vegetational land cover on the Gangneung-East Sea region
Table 7. Damage estimation for each vegetational land cover on the Goseong-Sokcho region
Fig. 7. Visualization of damage estimation for each vegetational land cover on the (a) Gangneung-East Sea region and (b) Goseong-Sokcho region.
5. 결론
본 연구에서는 재난 발생 전 VHR 영상의 부재를 보완하기 위해 재난 발생 후 VHR 위성영상과 GIS 데이터를 이용하여 산불로 인한 피해 지역 변화 탐지를 수행 하였다. 산불 피해 평가 과정에서는 먼저 산불 발생 후 VHR NIR 영상의 반사율 분포를 바탕으로 각 식생 피복의 값을 미피해 식생 피복의 값(높은 peak의 NIR 반사율 값)으로 대체함으로써, 산불 발생 전 NIR 영상을 생성하였다. 시뮬레이션된 산불 발생 전 NIR 영상은 superpixel 기반의 다시기 NDVI 상관도 분석에 사용되었으며, 이를 통해 “변화 지역” 과 “미변화 지역”에 대한 학습 데이터 위치를 추출하였다. SVM과 RF 알고리즘을 이용한 변화 탐지 결과, GLCM feature를 입력 feature로 사용한 경우에서 가장 높은 정확도의 변화 탐지 성능을 나타내었으며, 두 연구 지역에서 모두 98% 이상의 높은 전체 정확도와 0.97 이상의 높은 F1-score 수치를 제시하였다. 제안 기법은 사전에 토지피복도가 구축된 지역에 대해 적용 가능하며, 변화 탐지 과정을 통해 사용자의 개입 없이도 산불로 인한 피해 지역을 높은 정확도로 추정 가능하였다. 단, 시뮬레이션된 산불 발생 전 NIR 영상의 정확도는 사용된 토지피복도와 실제 지표의 일치도에 영향을 받기 때문에 제안 기법을 이용한 재난 피해 분석 시, 토지피복도 구축 시점과 재난 발생 시점 간의 지표의 변화가 크지 않음이 전제되어야 한다. 최근 딥러닝 기법을 활용한 정교한 토지피복 분류 연구 (Zhang et al., 2018; Tong et al., 2020)가 활발히 수행됨에 따라 지속적인 토지피복도 갱신 및 갱신 주기 단축을 통해 제안 기법의 활용성이 확대될 수 있을 것으로 예상된다.
사사
본 과제는 행정안전부 재난안전 부처협력 기술개발사업의 지원을 받아 수행된 연구이며(20009742), 서울대학교 공학연구원의 지원에도 감사를 드립니다.
References
- Ministry of Land, Infrastructure and Transport(MOLIT), 2010. The 4th Basic Plan for National Spatial Information Policy (2010-2015), Ministry of Land, Transport and Maritime affairs, Sejong, KR (in Korean).
- Achanta, R., A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Susstrunk, 2012. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods, IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11): 2274-2282. https://doi.org/10.1109/TPAMI.2012.120
- Bhandary, U. and B. Muller, 2009. Land use planning and wildfire risk mitigation: an analysis of wildfire-burned subdivisions using high-resolution remote sensing imagery and GIS data, Journal of Environmental Planning and Management, 52(7): 939-955. https://doi.org/10.1080/09640560903181147
- Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
- Chung, M. and Y. Kim, 2020. Analysis on Topographic Normalization Methods for 2019 Gangneung-East Sea Wildfire Area Using PlanetScope Imagery, Korean Journal of Remote Sensing, 36: 179-197 (in Korean with English Abstract). https://doi.org/10.7780/kjrs.2020.36.2.1.7
- Chung, M., Y. Han, and Y. Kim, 2020. A Framework for Unsupervised Wildfire Damage Assessment Using VHR Satellite Images with PlanetScope Data, Remote Sensing, 12(22): 3835. https://doi.org/10.3390/rs12223835
- Cortes, C. and V. Vapnik, 1995. Support-Vector Networks, Machine Learning, 20(3): 273-297. https://doi.org/10.1007/BF00994018
- EGIS(Environmental Geographic Information Service). Production method for land cover map, https://egis.me.go.kr/intro/land.do, Accessed on Sep. 13, 2021 (in Korean).
- Gangwon, Research Institute for Gangwon, and Gangwon KOFST (Korean Federation of Science & Technology Societies), 2019. 1st Gangwon Province Disaster Prevention (Wildfire) Forum 2019, Research Institute for Gangwon, Kangwon, KR (in Korean).
- Gao, F., L. Zhang, J. Wang, and J. Mei, 2015. Change detection in remote sensing images of damage areas with complex terrain using texture information and SVM, Proc. of International Conference on Circuits and Systems, Paris, FR, Aug. 9-10, pp. 225-229.
- Haralick, R.M., K. Shanmugam, and I.H. Dinstein, 1973. Textural features for image classification, IEEE Transactions on Systems, Man, and Cybernetics, 6: 610-621.
- Jung, M., J. Yeom, and Y. Kim, 2018. Comparison of pre-event VHR optical data and post-event PolSAR data to investigate damage caused by the 2011 Japan tsunami in built-up areas, Remote Sensing, 10(11): 1804. https://doi.org/10.3390/rs10111804
- Kim, K.-S., D. Zhang, M.-C. Kang, and S.-J. Ko, 2013. Improved simple linear iterative clustering superpixels. Proc. of 2013 IEEE International Symposium on Consumer Electronics (ISCE), Hsinchu, TW, Jun. 3-6, pp. 259-260.
- Kim, Y., S.B. Lee, J. Kim, and Y. Park, 2017. Disaster Management Using High Resolution Optical Satellite Imagery and Case Analysis, Journal of the Korean Society of Hazard Mitigation, 17(3): 117-124 (in Korean with English Abstract). https://doi.org/10.9798/KOSHAM.2017.17.3.117
- Korea Forest Service, 2020. Comprehensive Plan for the Prevention of National Forest Fire 2020, Korea Forest Service, Daejeon, KR. https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardArticle.do?nttId=3141052&bbsId=BBSMSTR_1008&pageUnit=9&mn=NKFS_06_09_05, Accessed on Sep. 13, 2020 (in Korean).
- Maillard, P., 2003. Comparing texture analysis methods through classification, Photogrammetric Engineering & Remote Sensing, 69(4): 357-367. https://doi.org/10.14358/PERS.69.4.357
- Nami, M.H., A. Jaafari, M. Fallah, and S. Nabiuni, 2018. Spatial prediction of wildfire probability in the Hyrcanian ecoregion using evidential belief function model and GIS, International Journal of Environmental Science and Technology, 15(2): 373-384. https://doi.org/10.1007/s13762-017-1371-6
- Petropoulos, G.P., H.M. Griffiths, and D.P. Kalivas, 2014. Quantifying spatial and temporal vegetation recovery dynamics following a wildfire event in a Mediterranean landscape using EO data and GIS, Applied Geography, 50: 120-131. https://doi.org/10.1016/j.apgeog.2014.02.006
- Pew, K.L. and C.P.S. Larsen, 2001. GIS analysis of spatial and temporal patterns of human-caused wildfires in the temperate rain forest of Vancouver Island, Canada, Forest Ecology and Management, 140(1): 1-18. https://doi.org/10.1016/S0378-1127(00)00271-1
- Tan, B., R. Wolfe, J. Masek, F. Gao, and E.F. Vermote, 2010. An illumination correction algorithm on Landsat-TM data, Proc. of 2010 IEEE International Geoscience and Remote Sensing Symposium, Honolulu, HI, USA. Jul. 25-30, pp. 1964-1967.
- Teillet, P. M., B. Guindon, and D. G. Goodenough, 1982. On the slope-aspect correction of multispectral scanner data, Canadian Journal of Remote Sensing, 8(2): 84-106. https://doi.org/10.1080/07038992.1982.10855028
- Tong, X.Y., G.S. Xia, Q. Lu, H. Shen, S. Li, S. You, and L. Zhang, 2020. Land-cover classification with high-resolution remote sensing images using transferable deep models, Remote Sensing of Environment, 237: 111322. https://doi.org/10.1016/j.rse.2019.111322
- Wu, Z., Z. Hu, and Q. Fan, 2012. Superpixel-based unsupervised change detection using multidimensional change vector analysis and SVM-based classification. Proc. of ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Melbourne, AU, Aug. 25-Sep. 1, pp. 257-262.
- Zhang, P., Y. Ke, Z. Zhang, M. Wang, P. Li, and S. Zhang, 2018. Urban land use and land cover classification using novel deep learning models based on high spatial resolution satellite imagery, Sensors, 18(11): 3717. https://doi.org/10.3390/s18113717