GEMS 영상과 기계학습을 이용한 산불 연기 탐지

Detection of Wildfire Smoke Plumes Using GEMS Images and Machine Learning

Abstract

산불의 발생과 강도는 기후 변화로 인하여 증가하고 있다. 산불 연기에 의한 배출가스 대기질과 온실 효과에 영향을 미치는 주요 원인 중 하나로 인식되고 있다. 산불 연기의 효과적인 탐지를 위해서는 위성 산출물과 기계학습의 활용이 필수적이다. 현재까지 산불 연기 탐지에 대한 연구는 구름 식별의 어려움 및 모호한 경계 기준 등으로 인한 어려움이 존재하였다. 본 연구는 우리나라 환경위성 센서인 Geostationary Environment Monitoring Spectrometer (GEMS)의 Level 1, Level 2 자료와 기계학습을 이용한 산불 연기 탐지를 목적으로 한다. 2022년 3월 강원도 산불을 사례로 선정하여 산불 연기 레이블 영상을 생성하고, 랜덤 포레스트 모델에 GEMS Level 1 및 Level 2 자료를 투입하여 연기 픽셀 분류 모델링을 수행하였다. 훈련된 모델에서 입력변수의 중요도는 Aerosol Optical Depth (AOD), 380 nm 및 340 nm의 복사휘도 차, Ultra-Violet Aerosol Index (UVAI), Visible Aerosol Index (VisAI), Single Scattering Albedo (SSA), 포름알데히드, 이산화질소, 380 nm 복사휘도, 340 nm 복사휘도의 순서로 나타났다. 또한 2,704개 픽셀에 대한 산불 연기 확률(0≤p≤1) 추정에서 Mean Bias Error (MBE)는 -0.002, Mean Absolute Error (MAE)는 0.026, Root Mean Square Error (RMSE)는 0.087, Correlation Coefficient (CC)는 0.981의 정확도를 보였다.

The occurrence and intensity of wildfires are increasing with climate change. Emissions from forest fire smoke are recognized as one of the major causes affecting air quality and the greenhouse effect. The use of satellite product and machine learning is essential for detection of forest fire smoke. Until now, research on forest fire smoke detection has had difficulties due to difficulties in cloud identification and vague standards of boundaries. The purpose of this study is to detect forest fire smoke using Level 1 and Level 2 data of Geostationary Environment Monitoring Spectrometer (GEMS), a Korean environmental satellite sensor, and machine learning. In March 2022, the forest fire in Gangwon-do was selected as a case. Smoke pixel classification modeling was performed by producing wildfire smoke label images and inputting GEMS Level 1 and Level 2 data to the random forest model. In the trained model, the importance of input variables is Aerosol Optical Depth (AOD), 380 nm and 340 nm radiance difference, Ultra-Violet Aerosol Index (UVAI), Visible Aerosol Index (VisAI), Single Scattering Albedo (SSA), formaldehyde (HCHO), nitrogen dioxide (NO₂), 380 nm radiance, and 340 nm radiance were shown in that order. In addition, in the estimation of the forest fire smoke probability (0 ≤ p ≤ 1) for 2,704 pixels, Mean Bias Error (MBE) is -0.002, Mean Absolute Error (MAE) is 0.026, Root Mean Square Error (RMSE) is 0.087, and Correlation Coefficient (CC) showed an accuracy of 0.981.

1. 서론

산불은 약 3억 5천만년 이상 동안 지구 표면과 대기에 영향을 미치는 중요한 인자였다(Doerr and Santín, 2016). 산불 발생으로 인하여 생기는 여러 문제들에 대해서는 앞선 연구들을 통해 많이 밝혀져 있다. 산불은 인간과 생태환경 모두에게 악영향을 미치며, 산불 발생이 인간 건강에 미치는 영향은 오랜 연구를 통해 입증되었다. 유럽인의 사망에 대한 산불 연기의 기여도에 대한 보수적인 추정은 연간 최소 40,000명의 사망으로 설명된다. 또한 식생 연소로 인하여 발생 및 배출은 인간의 호흡기 및 심혈관 건강에 부정적인 영향을 미친다(Sigsgaard et al., 2014; Carolyn et al., 2017; Knorr et al., 2017). 산불로 생긴 연기 속에 포함된 에어로졸은 구름 응결핵의 역할을 하고, 복사 강제력을 변화시키며, 눈, 바람 등의 지역적 기상, 기후에 영향을 미치기도 한다. 또한 에어로졸로 인한 식생의 덮개 역할 감소는 토양의 흐름을 증가시켜 산사태 발생에 영향을 미친다(Prosser and Williams,1998; Daniel and Michacl, 2008).

산불은 가스, 입자, 물 및 열의 방출을 통하여 다양한 시공간 규모의 대기 조건에 영향을 줄 수 있다. 산불은 많은 양의 대기오염 물질을 방출하게 되고, 이때 발생되는 대기오염 물질은 기후변화의 원인이 된다. 산불로 인하여 방출되는 대표적인 대기오염 물질에는 이산화탄소, 일산화탄소, 산화질소, 유기탄소 등이 있다. 이때, 다양한 탄소 화합물들은 대기 복사를 산란시키고 흡수하는 에어로졸이다. 이러한 에어로졸의 증가는 복사 강제력의 변화를 야기하고 기온, 습도, 바람의 후속적인 변화를 초래한다. 또한 동시에 온실가스(Green House Gases, GHGs)인 이산화탄소는 지표-대기 시스템에서 방출되는 대기 장파 복사를 흡수하므로 지구 온난화의 주요 요인이 된다(Urbanski et al., 2008; Liu et al., 2014).

이러한 산불의 활동은 기후변화에 대응하여 빈도, 강도 및 계절성이 변하고 있으며, 동시에 산불의 연소 시간과 연소 영역 또한 증가하고 있다(Zhang et al., 2019). 전세계에서 동시다발적으로 대형 산불들이 발생하고 있는데, 2019~2021년 사이에 역대 최악의 피해를 입힌 산불들이 시베리아, 호주, 미국의 캘리포니아 등에서 발생되었다. 또한 국내에서도 산불이 증가하는 추세로, 우리 나라는 연평균 481건의 크고 작은 산불들이 발생하고 있다(Korea Forest Service, 2022). 최근 2022년 3월 울진에서 발생한 산불은 대한민국 역사상 가장 큰 규모의 산불로 많은 피해를 남겼다. 따라서 산불의 2차적인 피해를 막고 효과적으로 대처하기 위하여 다양한 산불 및 산불로 인한 대기오염 탐지 연구들이 수행되고 있다.

국내외 연구들에서 다양한 수치모델들을 활용하여 산불 탐지를 수행하였다. 주로 사용되는 수치모델로는 Weather Research and Forecasting model coupled to Chemistry (WRF-Chem) 모델과 Goddard Earth Observing System model coupled to Chemistry (GEOS-Chem)이 있다.WRF-Chem 모델은 National Oceanic and Atmospheric Administration (NOAA)에서 개발한 화학수송모델로 미량 기체와 에어로졸의 배출, 수동, 혼합을 모의할 수 있고, GEOS-Chem 모델의 경우, 기상자료를 기반으로 하여 대기 조성을 모의하는 3차원 모델이다. Sessions et al. (2011)은 WRF-Chem 모델을 활용하여 화재 연기의 이동 시뮬레이션을 수행하였고 그 결과, 2008년 7월 4일의 연기가 8일에 확산됨을 확인할 수 있었다. Wang et al.(2021)은 해양 생태계에 에어로졸의 영향을 확인하기 위하여 WRF-Chem 모델을 활용하였다. 이를 통해 해양으로 향하는 에어로졸 수송 과정을 조사하였고, 그 결과로 연기 에어로졸이 퇴적되어 해양 표면에 용해되면 식물성 플랑크톤과 Particulate Organic Carbon (POC)가증가하고 이를 통해 산불로 인한 연소 방출은 해양 생산성과 해양 탄소 순환에 중요한 영향을 미칠 수 있다는 것을 밝혔다. Qi and Wang (2019)은 GEOS-Chem 모델을 사용해 Black Carbon을 측정하였고, 지역별로 바이오매스 연소로 인한 기여를 확인하였다.

수치 모델을 통한 경험적인 연기 탐지 연구가 효과적인 경우도 있지만, 산불 연기의 경우 여러 기상현상에 영향을 많이 받으므로 그 변동성이 크다. 따라서 다양한 극궤도 및 정지궤도 위성들을 활용하여 직접적인 연기 탐지가 가능함을 보이는 연구들이 최근 증가하고 있다. 위성 센서를 활용하여 대형화재로부터 발생하는 NO_X, CO, CO₂, CH₄, PM_2.5, PM₁₀, HCHO 등의 대기오염 물질을 추정하는 연구에서, Ichoku and Kaufman (2005)는 Moderate Resolution Imaging Spectroradiometer (MODIS) 자료와 에어로졸 배출 속도 사이의 직접적인 선형 관계를 계산하고 바람장과 화재 주변의 에어로졸 공간 분포에 대한 MODIS 측정값을 분석하여 새로운 배출 계수 생성하였다. Ramo et al. (2021)은 Sentinel-2의 MSI 센서의 고해상도 관측을 통해 전 세계 연소 면적 추정치의 증가 및 탄소 배출량 증대 확인하였다. Pribadi and Kurata(2017)은 MODIS 위성 자료와 다양한 배출량 추정 기법들을 활용하여 인도네시아의 토지 및 산불 배출량의 정량적 평가 수행하였다.

또한, 위성을 활용하여 산불 연기나 연기의 이동을 탐지하는 연구들이 있다. 이때, 대부분의 연구에서 활용인자의 변동성과 비선형성에 강점을 가지는 기계학습기법을 접목하여 연구를 수행하였다. 산불 연기는 연기 경계면의 모호함, 구름과 연기 구분의 어려움, 급변하는 기상 등의 문제들로 인한 오탐지 가능성이 있기 때문에 발전된 기계학습의 활용은 효과적이다. Hsu et al. (1996)은 Total Ozone Mapping Spectrometer (TOMS) 위성을 활용하여 연기 탐지를 수행하였다. Hsu는 자외선 파장대에서 연기의 분광 특성을 발견하였고, 380 nm 반사도와 340 nm 반사도의 차이가 연기의 존재에 민감하게 반응함을 이용하여 연기 민감도를 산출하였다. Li et al. (2001)은 Advanced Very High Resolution Radiometer (AVHRR) 위성 자료를 활용하여 신경망 기반의 산불 연기 탐지 기법 개발하였다. NN 기법을 활용함으로써 연기, 구름 또는 맑은 배경으로 분류할 뿐만 아니라 이러한 객체의 혼합 부분을 나타내는 연속 출력을 생성하였다. Li et al.(2015)는 MODIS 위성 자료를 기반으로 Back-Propagation Neural Network (BPNN)를 활용한 산불 연기 탐지를 수행하였다.

최근 전세계적으로 산불 발생이 증가하고 산불로 인한 다양한 문제가 입증되고 있다. 기존 연구에서는 다양한 모델과 위성 자료를 활용하여 산불 탐지를 수행하였지만, 효과적인 연기 탐지 모델의 생성에 한계가 존재하고, 우리나라를 배경으로 한 연구는 더욱 부족한 실정이다. 따라서 본 연구에서는 대형 화재로 인한 재난 감시 및 예측을 위해 기계학습 기법 및 Geostationary Environment Monitoring Spectrometer (GEMS) 자료를 활용하여 산불 연기 탐지 모델 생성을 목적으로 한다. Fig.1에서는 연구의 진행 과정을 나타내고 있다.

Fig. 1. Research flow chart (separated into data collection / data preprocessing / regression).

2. 연구 자료

본 연구에 사용되는 위성자료는 국립환경과학원에서 운영중인 GEMS를 활용하였다. 정지궤도 복합위성GEO-KOMPSAT 2B (GK-2B) 호에 탑재된 환경 탑재체인 GEMS는 지구 대기 환경을 지속적으로 관측하는 초분광 영상기로, 자외선 및 가시광선 파장대(300–500nm)를 관측한다. 기존에 극궤도위성에서만 관측되었던 대기오염물질을 정지궤도에서 관측하며, 기후변화 유발물질, 에어로졸, 미세먼지의 전구물질인 이산화질소(NO2), 이산화황(SO2), 포름알데히드(HCHO) 등 화학물질 20여 가지를 포착하는 특징이 있다(Kim et al., 2020).관측 영역은 인도차이나반도부터 일본 동부, 인도네시아 북부부터 몽골의 남부까지 동아시아 지역으로, 약5,000 km × 5,000 km 영역을 30분씩 하루 평균 8회 관측하며 넓은 영역에 대하여 높은 시공간적 해상도로 대기오염물질의 정보를 생산한다. 따라서 대형 산불 탐지를 목적으로 하는 본 연구의 특성을 봤을 때 높은 시간해상도를 가진 자료를 활용함으로써 감시 및 탐지의 효율성을 높인다. Table 1에서는 본 연구에 사용되는 모든 변수를 요약하고 있다.

Table 1. Summarizes the Data Used in the Study

1) Level 1C 데이터

GEMS는 자외·가시광선 파장대를 초분광 해상도로 관측한다. 관측 파장대는 300–500 nm 사이이고, 분광해상도는 0.2 nm를 가진다. 선행 연구를 토대로 산불 연기가 340 nm와 380 nm의 반사도 차이에서 비정상적인 반사 특성을 가짐을 확인하였으므로(Hsu et al., 1996), GEMS Level 1C 자료로부터 340 nm와 380 nm 영역에서 일정한 간격의 파장을 산출하였다. 산출된 340 nm와 380 nm 복사휘도 값을 이용하여 380 nm와 340 nm의 복사휘도 차(380 nm – 340 nm) 자료를 생성하였다. 따라서Level 1C로부터 총 세 가지의 입력자료(380 nm와 340nm의 복사휘도 차영상, 380 nm영상, 340 nm영상)가 생성되었다. 이후 3개 영상에 False Color Composite (FCC)기법을 적용하여 산불 연기 식별에 효과적인 시각화 자료를 생성하고 FCC 영상을 통하여 산불 연기 레이블 영상을 생성하였다.

2) Level 2 데이터

GEMS는 세계 최초의 정지궤도 환경위성으로, 기존에 극궤도위성에서만 관측되고 있던 대기오염물질 및 기후변화 유발물질 약 20여종을 관측한다. 산불 발생으로 인하여 방출되는 가스와 에어로졸은 매우 광범위하게 존재하며, 대표적인 물질로는 CO₂, CO, CHCH, NO_X, SO₂ 등이 있다(Andreae and Merlet, 2001). 본 연구에서는 GEMS Level 2 자료 중 Aerosol Optical Depth (AOD), Ultra-Violet Aerosol Index (UVAI), Visible Aerosol Index (VisAI), Single Scattering Albedo (SSA), HCHO, NO₂, SO₂, CHOCHO를 랜덤 포레스트 모델의 입력자료로 활용하였다.

AOD는 대기 중의 존재하는 부유입자로부터 빛이 산란 또는 흡수되어 생기는 현상에 대하여 그 정도를 나타내는 지표로 광학 깊이라는 용어가 사용된다. 즉 AOD는 대기의 에어로졸의 양을 정량화할 수 있는 값으로 지역별 대기질을 이해하는 것에 있어서 중요한 지표로 인식된다(Wei et al., 2019). 따라서 AOD는 산불 발생시에 생성되는 에어로졸의 정량적 평가에 매우 중요한 인자로 평가된다. UVAI와 VISAI는 에어로졸의 흡수율과 입자의 크기를 평가하는 지표로(Higurashi and Nakajima, 2002), 두 지수를 적절히 활용하여 에어로졸 유형 분류에 활용할 수 있다(Torres et al., 2002). GEMS의 경우 300–500 nm 사이 반사도를 활용하여 비흡습성물질 및 Dust 유형, High Absorbing Fine (HAF)로 구분한다. SSA는 단일 산란 알베도 값으로 총 소산계수 값에서 산란에 의해 소산되는 정도를 비율로 나타내는 값이다. 그 중 에어로졸에 의한 단일 산란 알베도는 에어로졸로 인한 산란을 평가하여 대기 중의 에어로졸의 분포를 파악하는 것에 활용된다. 또한, SSA의 변화탐지는 복사 강제력 추정에 효과적이다(Srivastava et al., 2011).

3) 레이블 영상

본 연구에 활용된 Label 자료는 Level 1C 영상의 FCC 영상으로부터 생성되었다. Label 영상은 Adobe Photoshop에서 제공하는 Magic Wand 기능을 활용하여 생성하였다. Adobe Photoshop은 Adobe Inc.가 개발한 래스터 그래픽 편집기이다. Magic Wand tool은 이미지 영상으로부터 유사한 색상이나 특징들을 손쉽게 선택할 수 있게 하고(Zhang et al., 2014), 이후 영상 속 원하는 특징 개체를 선택함으로써 영역이 표시된다(Lehr et al., 1997). Fig. 2는 FCC 영상과 해당 영상을 이용하여 생성된 Label 자료이다.

Fig. 2. Label data generated using magic wand: (a) FCC image, (b) label data.

4) 연구지역

2022년 3월 4일 경상북도 울진군의 한 야산에서 원인불명의 산불이 발생하였다. 해당 산불은 대한민국 역사상 가장 큰 규모의 산불로, 이로 인하여 약 21,000 ha의 피해 구역과 대량의 미세먼지와 대기오염 물질이 발생하였다. 본 연구에서는 이때 발생된 연기에 대한 탐지를 수행하였다. 연구 영역은 33.5–38.5°N, 125.6–132.5°E로, 해당 영역은 발화 지점으로부터 연기가 날아간 곳까지의 영역이다(Fig. 3). 연구에 활용되는 자료의 기간은 2022년 3월 4일부터 3월 8일까지이다.

Fig. 3. Study area (Red dot: point source of fire).

3. 연구 방법

1) Random Forest

랜덤 포레스트는 다중 결정 트리를 형성하여 예측을 수행하는 앙상블 기계학습 알고리즘이다. 해당 모델은 2001년 Leo Breiman이 제안한 지도 학습 알고리즘 중 하나로, 지금까지 여러 예측 분야에서 활발히 활용되고 있는 방법이며 분류 모델과와 회귀모델 모두 여러 분야에서 효과적인 성능을 보여준다.

최근에는 Long Short-Term Memory (LSTM), 딥러닝 등 예측력이 뛰어난 다양한 모델이 생겨나고 있다. 그러나 결과를 뒷받침할 설명력이 부족하거나 데이터의 사이즈가 작은 경우에는 예측 성능이 눈에 띄게 줄어드는 한계가 존재한다. 따라서 본 연구에 사용된 자료가 비교적 작은 양임을 감안할 때, 랜덤 포레스트 모델을 사용할 경우 긍정적인 예측 성능을 보일 것으로 사료된다(Lee and Lee, 2020).

해당 모델은 비교적 데이터 세트의 양에 구애받지 않고 효과적으로 처리할 수 있다는 장점이 존재한다. 또한 하이퍼파라미터를 쉽게 조정할 수 있으며 일반적으로 높은 정확도를 얻을 수 있다(Biau and Scornet, 2016). 하나의 예측 모델을 사용하기 보다 여러 모델 결과를 평균화함으로써 효과적인 예측을 수행하는 방법으로, 랜덤 포레스트는 각 디시즌트리를 통하여 예측된 결과를 앙상블하여 최적의 예측 값을 도출한다. Bagging은 Bootstrap Aggregation의 약자로 원본 데이터와 동일한 크기의 데이터 세트를 재구성하여 예측하고, 이 샘플 데이터 세트에서 예측된 결과를 평균화하여 예측 값을 결정하는 것이다(Sug, 2002). Bagging 기반 모델은 모든 설명변수를 추출하는 것이 아닌 제한된 수의 설명변수만 추출하여 데이터 세트를 구성하기 때문에 과적합에 강하다는 특징이 있다. 또한, 여러 데이터 세트에서 예측을 수행하고 결과를 통합 및 계산하므로 분산이 줄어들어 예측 성능 향상에 기여한다.

본 연구에서는 모델을 구성할 때 5-fold cross-validation 방법을 사용하여 데이터 세트를 구성하고, ntree=50, mtry=n/3으로 설정한 하이퍼 파라미터로 랜덤 포레스트 모델링을 수행하였다. 또한, 예측 결과의 정확도를 검증 통계량으로 표현하였다.

2) False Color Composite (FCC)

FCC는 이미지 시각화 시, 영상의 RGB 구성 요소로 실제 가시영역의 RGB 값 이외의 밴드나 영상을 사용하여 생성된 다중 스펙트럼 이미지를 나타내는 기법이다. FCC 기법을 사용하면 인간의 눈이 볼 수 없는 파장들을 시각화할 수 있다는 장점이 있다. 한 예시로 Near Infrared(NIR)와 Red, Green 밴드로 만들어진 FCC 영상은 모든 식물들에 뚜렷한 붉은 색을 부여하여 사람의 눈으로 주변 환경과 더 쉽게 구별할 수 있도록 한다.

효과적인 다중 스펙트럼 합성은 컴퓨터 비전, 원격감지, 감시, 의료 영상 분석, 표적 탐지 및 군사 분야들의 발전에 기여할 것으로 예상하고 있다(Sun et al., 2007). 최근에는 많은 위성 센서들이 등장하고 그에 따른 다양한 산출물들이 제공된다. 이로 인하여 사용자가 부정적인 기상 상황이나 조명 조건 속에서도 여러 스펙트럼 밴드를 조합하여 장면에 대하여 새로운 정보를 제공받을 수 있다(Toet, 1996).

4. 결과 및 토의

1) FCC 영상 합성 결과

본 연구에서는 FCC 기법을 활용하여 Red 밴드에 380 nm와 340 nm의 복사휘도 차이 값 영상, Green 밴드에 380 nm 영상, Blue 밴드에 340 nm 영상을 병합하였다(Fig.4~7). FCC 영상에서 산불 연기의 경우 주황색으로 청천의 경우 암청색으로 구름의 경우 흰색으로 표현된다. FCC 기법을 활용하여 영상을 생성할 때, 산불 연기 탐지가 효과적으로 수행되는 것을 알 수 있고, 동시에 구름과 연기의 구분도 효과적으로 표현됨을 볼 수 있다. 따라서 FCC 영상을 랜덤 포레스트 모델의 입력변수로 활용 시 연기 탐지에 좋은 성능을 보일 것으로 예상된다.

Fig. 4. Image made through FCC (March 4th case; smoke: orange, blue sky: dark blue, cloud: white).

Fig. 5. Image made through FCC (March 5th case; smoke: orange, blue sky: dark blue, cloud: white).

Fig. 6. Image made through FCC (March 6th case; smoke: orange, blue sky: dark blue, cloud: white).

Fig. 7. Image made through FCC (March 8th case; smoke: orange, blue sky: dark blue, cloud: white).

2) Random Forest Regression 결과

이후 준비된 입력자료를 활용하여 랜덤 포레스트 모델링을 2번 수행하였다. 첫 번째 모델링은 가용한 모든 입력변수를 사용하였다. 두 번째 모델링은 첫번째 모델링 결과로부터 낮은 변수 중요도를 가지는 변수를 제외하고 모델링을 수행하였다.

(1) Experimental RF Model

가용한 모든 입력변수를 활용한 모델링의 결과를 나타내었다. 모델링에 사용된 변수는 Minus (380 nm–340 nm), 380 nm, 340 nm, GEMS AOD, GEMS UVAI, GEMS VISAI, GEMS CHOCHO, GEMS HCHO, GEMS SSA, GEMS NO₂, GEMS SO₂로 총 11개이며, 학습된 데이터의 양은 2,704건이었다.

모델링을 통해 계산된 변수중요도는 Table 2에 나타내었다. 변수중요도 평가결과 GEMS AOD 자료가 1위로 28.7%를 차지하였고, 2위는 380 nm–340 nm 복사휘도 차로 25.1%의 중요성을 보였다. 이후 GEMS UVAI 변수, GEMS VISAI, GEMS SSA 등이 위치하였다. 이를 통해 산불 연기 탐지에 있어 2차 산출물보다 에어로졸 및 복사휘도 값의 특성이 효과적으로 사용됨을 알 수 있다.

Table 2. Experimental model variable importance

또한 본 연구에서는 예측된 픽셀에 대한 산불 연기 확률(0≤p≤1)을 추정하여 여러 검증통계량으로 정확도 수준을 평가하였다. Table 3은 experimental RF model의 검증통계량을 나타낸다. MAE는 0.026으로 실제 연기인 픽셀에 대하여 연기일 확률의 오차가 0.02 수준으로 낮음을 알 수 있다. 상관계수 값은 0.981로 예측 값이 실제 산불 연기 픽셀의 경향성을 매우 잘 따름을 확인할 수 있다.

Table 3. Experimental model verification statistics values

(2) Empirical RF Model

두 번째 모델은 앞선 변수 중요도 평가에서 하위 5개(NO₂, 380 nm, 340 nm, SO₂, CHOCHO) 변수를 제외하고 모델링을 수행하였다. 학습에 활용된 데이터의 수는2,704건으로 동일하다.

모델링 결과로 산출된 변수 중요도를 Table 4에 나타내었다. 34.4%의 중요도를 가지는GEMS AOD가 가장 큰 비중을 차지하는 변수임을 알 수 있다. 두 번째 중요변수는 Experimental RF 모델과 달리 GEMS UVAI로19.9%를 차지하였다. 이는 하위 항목 삭제로 인하여 380 nm와 340 nm 복사휘도 값을 이용한 비교 분석의 어려움에서 기인한 결과로 사료된다. 이후 380 nm–340 nm 복사휘도 차가 18.6%를 차지한다. HCHO와 같은 2차 산출물은 최하위에 위치하므로 연기 픽셀 예측에 있어 큰 역할을 하지 못하는 것으로 평가된다.

Table 4. Empirical model variable importance

마지막으로 모델 예측 결과에 대하여 검증통계량을 산출한 결과를 Table 5에 표현하였다. 변수의 수를 줄였음에도 모델의 예측 정확도가 앞선 모델과 큰 차이를 보이지 않았으며 MAE 0.023, 상관계수는 0.979로 효과적인 예측 성능을 보여준다. 이를 통하여 성공적으로 변수의 최적화를 수행하였음을 알 수 있다.

Table 5. Empirical model verification statistics values

5. 결론

산불은 한번의 발생으로도 인간과 지구환경에 큰 영향을 미치며 이로 인하여 발생되는 다양한 어려움들이 있다. 범지구적으로 또한 한국내에서도 산불 발생 빈도는 증가하고 더 많은 피해들이 축적되어가지만 국내에서 산불 탐지에 노력을 기울이는 연구들은 찾아보기가 힘들다. 본 연구는 세계최초의 정지궤도 환경 위성을 활용하여 산불 발생 및 연기의 이동성 탐지와 더 나아가 새로운 산불 관련 산출물 생성 및 감시를 목적으로한다.

이를 위하여 현재 대두되는 기계학습 기법을 기반으로 GEMS로부터 산출되는 여러 대기오염관련 산출물과 복사휘도 값을 활용하여 산불 연기 탐지 연구를 수행하였다. 연구에는 2022년 3월 발생한 재앙적인 울진·삼척 산불 사례를 사용하였다. 랜덤 포레스트 모델링 결과는 MAE 0.023, 상관계수 0.979로 효과적인 예측이 가능함을 확인하였다.

이를 바탕으로 앞으로의 연구의 발전을 통하여 동아시아 전체 영역에 대한 동시적인 관측으로 자연재해 감시 및 예측 시스템의 자체적 개발의 가능성을 확인하였다. 하지만 본 연구는 고농도 미세먼지와 산불 연기 구분이 어렵다는 한계가 존재한다. 향후에는 이 한계를 보완하여 새로운 산불 산출물 생성을 위한 연구 및 이를 활용한 오염가스 배출량 산출 등과 같은 기술이 발전될 것이다.