1. 서론
2022년 3월 초 강릉과 울진 등 동해안 지역을 중심으로 발생한 대규모의 산불은 약 2만 헥타르에 달하는 산림 면적을 태워 막대한 산림 자원의 손실을 일으켰다 (Korea Forest Service, 2022a). 최근 20년간 산불의 발생 빈도와 규모가 증가하고 있으며, 지구 기온의 증가와 함께 산불의 피해가 미래에도 점점 증가할 것으로 예측되고 있다(Son et al., 2021). 산림 생태계는 스스로 피해를 복구하고 회복할 수 있는 뛰어난 능력을 갖추고 있다(Jones et al., 2018). 하지만 반복적으로 발생하는 산불은 산림 생태계가 스스로 회복할 수 있는 충분한 시간을 주지 않음으로써 그 피해가 누적되고 있다. 산림은 그 자체로 다양한 사회적 경제적 가치를 담고 있으며 지역의 물과 에너지 균형을 유지하여 인간이 안정적으로 거주하고 생활할 수 있도록 보장하는 소중한 자원이다. 산불은 산림을 파괴할 뿐만 아니라 빠르게 확산하여 지역 주민의 건강과 생명 역시 위협할 수 있다. 따라서 산불은 신속히 진화하여 그 피해를 최소화해야 하며 피해를 정확히 기록하고 관리하여 미래에 더 나은 예방 및 대응 전략을 취할 수 있도록 해야 한다.
산림청은 산림보호법을 통해 산불 예방과 진화를 위한 규정을 관리하고 있으며 온라인 지도 서비스인 실시간 산불정보를 통해 보고된 산불 위치와 진행 현황을 공개하고 있다. 산불의 최종 피해 기록은 산림보호법과 유관 법령에 의해 산불전문조사반이 직접 조사하여 산불피해대장에 산불 발생 장소와 지속 기간, 발화 원인 및 피해 면적을 기록하고 있다(Korea Forest Service, 2022b). 산불의 정확한 피해 범위에 대한 정보는 피해가 큰 대형 산불의 진화와 대피, 사후 피해 복구 등에 매우 유용하게 활용될 수 있는 정보이다. 그러나 산불 조사단계에서 산불전문조사반이 목측, 실측 또는 항공사진과 지형도를 사용하여 산출하고 기록되는 피해 면적은 그 범위를 파악하지 않고는 산정할 수 없음에도 불구하고 피해 범위에 대한 정보는 별도로 관리되고 있지 않다(Ministry of Government Legislation, 2021). 산불피해 범위 정보는 산불 조사단계에서 수집한 자료를 이용하여 얻을 수도 있다. 이 경우 직접조사를 통한 신뢰도 높은 자료를 사용할 수 있다는 장점이 있으나 산불이 진화되기 전까지는 산불로 인한 위험이 존재하여 해당 지역에 접근하기 어렵고 상대적으로 많은 시간과 비용이 소모된다는 단점이 존재한다. 원격탐사 기법을 활용하면 직접 산불 발생 지역에 접근하지 않고도 산불의 피해 면적 정보를 추출하고 기록할 수 있으므로 더 효율적으로 산불정보를 취득할 수 있다.
산불피해 범위와 면적 추출의 중요성으로 인해 다양한 기법을 사용한 연구가 시도되었다. 원격탐사 기법을 활용하여 산불피해 범위와 면적을 추출한 연구는 그 방법에 따라 세 가지 유형으로 나눌 수 있다. 첫째는 산불 발생자료를 이용하여 산불피해 범위를 추정하는 방법이다. 이 경우 감지된 픽셀 정보를 직접 더하거나(Oliva and Schroeder, 2015) 위치 정보를 모은 후 Convex Hull 기법을 사용하여 산불피해 범위로 변환하여 추정한다(Briones-Herrera et al., 2020; Kim and Choi, 2020). 이렇게 산출되는 산불피해 범위에 피해 범위에 해당하지 않는 지점이 Convex Hull 안에 포함되면 정확도가 낮아질 수 있다. 둘째는 변화탐지 기법을 이용하여 산불의 피해 범위를 추출하는 방법이다. 산불피해 범위는 전통적으로 산불 전후의 영상에 드러나는 정규식생지수(NDVI)와 정규탄화지수(NBR) 등의 지수나 적색·근적외선·단파장적외선 등의 분광 파장대의 반사도처럼 식생의 상태변화를 잘 나타낼 수 있는 값이나 피복 유형 자체에 발생한 차이를 구분하여 정한다(Song et al., 2006; Choi et al., 2017; Youn and Jeong, 2019; Liu et al., 2020). 이 방법은 간단한 연산을 통해 비교적 쉽게 결과를 얻을 수 있다는 장점이 있다. 그러나 값을 구분하는 기준을 정하는 것이 어려워 그 결과가 실제 현상을 잘 반영하지 못할 수 있다는 한계가 존재한다(Hussain et al., 2013). 셋째는 다양한 분류기법을 사용하여 위성 영상에서 산불과 그 영향 지역을 추출하는 방법이다. 분류기법은 특정 지수를 분류하는 것에 초점을 두어 변화탐지의 후속 절차로 활용할 수도 있으나(Chen et al., 2016; Ongeri and Kenduiywo, 2020), 분광 특성을 고려하여 직접 산불 피해 지역을 추출할 수도 있다. 최대우도법을 활용하여 산불 피해지를 추출하는 연구(Kang et al., 2010)는 잘 알려져 있으므로 방법론에 대한 접근성이 높으나 훈련 자료를 지정하는 과정에서 연구자의 주관이 깊게 개입되어 결과 정확도에 큰 영향을 미칠 수도 있다. Random forest(RF)와 Support Vector Machine (SVM) 등 머신러닝을 활용한 연구(Ramo and Chuvieco, 2017; Lestari et al., 2020) 와 AI의 딥러닝을 활용한 연구(Pinto et al., 2020; Pinto et al., 2021)는 인간이 구분하지 못하는 차이나 패턴을 인식하고 구분할 수 있어 분류 정확도가 상대적으로 높다. 하지만 이 방법을 적용하는 데 필요한 훈련 데이터의 양이 많고 높은 컴퓨팅 성능을 요구하여 모든 환경에서 쉽게 적용하기 힘들다. 반면 무감독 분류를 사용하는 경우 자료를 분광 특성에 따라 단순히 기계적으로 분류하기 때문에 정확도는 딥러닝을 적용한 것에 비해 낮게 나타난다. 그러나 분류 과정에서 연구자의 주관이 개입될 여지가 적으며 필요한 컴퓨팅 성능도 높지 않아 ISODATA·ISOSEG 등의 알고리즘을 활용한 다양한 연구가 수행되었다(Lee et al., 2020; Shimabukuro et al., 2020). 산불의 피해 범위를 구분하고 추출하는 경우 추출된 정보는 정확해야 하므로 일반적으로 Landsat과 Sentinel 위성 이상의 공간 해상도인 영상 자료가 주로 사용된다. 하지만 실시간 혹은 준실시간으로 연소 지역을 구분하기 위해 공간 해상도는 상대적으로 낮으나 높은 시간 해상도를 가지는 moderate resolution imaging spectroradiometer (MODIS) 위성 자료를 사용한 연구 역시 활발히 진행되었다(Giglio et al., 2009; Giglio et al., 2018). 2012년 이후 MODIS 위성 영상보다 공간 해상도가 높은 visible infrared imaging radiometer suite (VIIRS) 위성영상이 등장하여 MODIS의 산불 관련 산출물을 계승하면서 정확도를 개선하였다(Schwert et al., 2016; Urbanski et al., 2018). MODIS와 VIIRS 자료는 1일 1회 이상 동일지역을 방문하는 높은 시간 해상도를 가지므로 산불 발생을 신속하게 모니터링할 수 있어 산불 연구에서 유용하게 활용될 수 있다(Giglio et al., 2009; Libonati et al., 2015).
따라서 본 연구에서는 공간 해상도와 시간 해상도가 고르게 높은 VIIRS 위성 영상 자료를 사용하여 산불의 실시간 및 준실시간 피해 범위 정보를 추출하는 방법을 제시하고자 하였다. 이를 위해 동해안 산림에 큰 피해를 준 2022년 3월 대형 산불이 관측된 한반도의 VIIRS 영상을 확보하였다. 산불을 추출하기 위해서 계산 시간이 짧고 많은 양의 자료를 요구하지 않으면서도 그에 비해서 높은 정확도를 보이는 무감독 분류기법 중 하나인 ISODATA 기법을 사용하여 영상을 분류하였다. 분류 결과는 연소 지역과 화염 위치의 관계를 이용하여 산불피해 범위로 변환하였다. 산불피해 범위 추출 결과는 VIIRS 산불 발생자료인 VNP14IMG 자료에서 추정한 산불피해 범위와 고해상도 위성 영상인 Sentinel-2 위성 영상에서 도출한 산불피해 범위와 함께 비교 및 평가하였다.
2. 데이터 및 분석 방법
1) VIIRS 자료의 전처리
본 연구에서는 피해 범위를 추출하기 위한 대형 산불의 사례로 2022년 3월 발생한 경북 울진군 북면 산불과 강원도 강릉시 옥계면 산불을 선택하였다. 이에 더해 동일한 시기에 발생한 중형 및 소형 산불인 대구광역시 달성군 가창면 산불과 안산시 상록구 장상동 산불을 선택하여 그 피해 범위를 추출하고 결과를 비교하고자 하였다. Table 1은 피해 범위를 추출한 네 가지 산불의 발생 장소와 발생 일시, 진화일시 및 피해 면적의 합계를 나타낸 것으로, 두 대형 산불은 수일 동안 지속되어 약 2만 헥타르에 달하는 면적의 산림에 피해를 준 것을 확인할 수 있다.
Table 1. Forest fire damage register information under study
산불피해 범위를 추출하기 위한 자료인 VIIRS 영상 자료는 NASA Earthdata에서 취득한 VIIRS 자료로부터 변환하여 생성하였다. 수집한 VIIRS 자료는 VNP02IMG, VNP02MOD, VNP03IMG, VNP03MOD 데이터셋을 포함한다. 데이터셋의 이름에서 VNP는 NASA에서 배포하는 S-NPP 위성에서 관측한 VIIRS 자료이며 02는 실제 위성 관측 자료, 03은 관측 자료를 보조하는 위치 자료임을 뜻한다. IMG는 375 m 해상도인 I 밴드 데이터셋이고 MOD는 750 m 해상도인 M 밴드 데이터셋을 의미한다. 본 연구에서는 위의 자료 중 산불이 발생한 시점인 2022년 3월 4일 오전부터 산불이 진화된 시점 직후인 같은 해 3월 15일 오후까지 한반도가 포함된 부분만을 수집하였다. VIIRS의 밴드별 파장과 위성의 직하점인 Nadir에서의 공간 해상도 정보는 Table 2에 정리하였다.
Table 2. VIIRS wavelength and spatial resolution (NASA, 2021)
VNP02 및 VNP03 자료는 직접적으로 영상을 포함하지 않는 MODIS L1B 자료와 동일한 형식의 VIIRS L1B 형식이므로 영상으로 변환하여 분석하기 위해서는 추가 전처리 과정이 필요하다. VIIRS L1B 자료는 위성이 궤도를 따라 진행하면서 회전하는 센서에서 감지한 순서대로 저장한 관측 자료를 별도의 좌표계 적용 없이 network common data format version-4 (NetCDF4) 형식으로 구성한 자료이다(NASA, 2021). 따라서 VIIRS 자료는 기록된 픽셀값이 실제 지리적 위치에 맞도록 영상을 재투영 및 재배열해야 한다. 또한 VIIRS는 한번에 촬영하는 지표면 영역 폭이 3060 km로 매우 넓어 촬영 범위의 가장자리로 갈수록 해상도가 낮아지고 픽셀이 중복되는 Bow-tie 왜곡 효과가 발생한다. VIIRS는 왜곡 효과로 인한 영향을 줄이고 영상에서 중심 부분과 가장자리 부분의 실제 해상도 차이를 줄이기 위해 위성 자체에서 픽셀 삭제와 병합 과정을 진행하는데 그 영향이 VIIRS자료에 남아있게 된다(Gladkova et al., 2016).
Fig. 1(a)는 2022년 3월 5일 14시 30분에 촬영된 VIIRS 자료를 위치 보정이 적용되지 않은 원자료를 그대로 시각화한 것이다. 이 단계에서 VIIRS 자료는 자료의 좌표계와 투영법이 적용되어 있지 않아 기하학적으로 뒤틀려있고 위성에서 픽셀을 삭제한 흔적이 남아있어 분석에 사용하기 적절하지 않다. VNP02 자료는 공간 속성 자료인 VNP03 자료와 함께 사용해서 리샘플과 재투영, 재배열 등의 방법으로 위치 보정 하여야 일반적으로 사용하는 위성 영상의 형식인 GeoTIFF 형식의 영상자료로 변환할 수 있다. Fig. 1(b)는 동일한 자료를 리샘플 및 재배열하여 위치 보정 하여 지리 좌표계 형식으로 전체 자료를 표현한 것으로, 그림을 통해 VIIRS 자료의 기본적인 위치 보정 효과가 어떻게 나타나는지 파악할 수 있다.
Fig. 1. Two images with same original data: (a) Original VIIRS swath image without geolocation, (b) Geolocated VIIRS image.
VIIRS 자료는 Python 기반의 컴퓨팅 환경에서 오픈 소스로 개방되어 있고 NASA VIIRS 등 다양한 위성 자료에 적용 가능한 Pytroll 프로젝트의 일부인 Satpy 패키지를 사용하여 GeoTIFF 파일로 변환하였다(Raspaud et al., 2018). 먼저 Satpy 패키지의 Scene 모듈을 사용하여 관측 및 공간 자료를 불러온 후 한반도 범위에 해당하는 UTM52N 좌표계와 투영법 등의 정보를 작성하였다. 작성한 정보를 바탕으로 가장 기본적인 리샘플링 기법으로 제시되어 있는 Nearest Neighbor 리샘플러를 사용하여 리샘플링 한 후 GeoTIFF 파일을 작성하여 최종적으로 VIIRS 자료를 지리적 분석에 적합한 형태로 변환하였다. 이때 750 m의 공간 해상도를 가진 M 밴드 영상은 375 m의 공간 해상도를 가진 I 밴드 영상과 함께 시각화하여 사용하기 위해 픽셀값이 바뀌지 않는 조건에서 픽셀의 크기만 375 m의 크기로 나누어지도록 리샘플링하였다.
2) 산불 피해 범위 추출 방법
산불피해 범위 및 위치 정보는 먼저 전처리 완료한 VIIRS 영상을 대형 산불이 발생한 행정구역 수준의 공간적 범위만 포함하도록 추출하였다. 이후 영상을 필요에 따라 다양하게 조합하여 ISODATA 분류기법을 사용하여 무감독 분류한 후 재분류하여 추출하였다. 산불피해 범위를 추출하는 세부적인 진행 과정은 Fig. 2와 같다. 먼저 산불 발생 지역이 나타난 VIIRS 영상에서 구분할 수 있는 산불 관련 사상의 유형은 화염과 연기, 연소 지역이다. 화염과 연소 지역은 현재 혹은 아주 가까운 과거에 산불의 화염으로 인해 지표의 피복이 타고 있거나 타버린 직접적인 피해 지역을 의미하며 본 연구에서 가장 중요한 정보를 제공한다. 연기는 진행 중인 산불의 증거로 발견할 수 있는 부수적 산출물에 해당한다. 영상에 나타나는 연기는 산불의 진행 양상과 풍향 및 풍속에 대한 간접적인 정보를 얻을 수 있으므로 추후 산불 확산 위험 지역 추정 등 유용하게 활용할 가능성이 있는 보조적인 정보이다.
Fig. 2. Process of generating forest fire damage area information from VIIRS image data.
화염은 지표 위에서 고온의 연소 반응이 진행되어 높은 열에너지를 발산하므로 Fig. 3(a)의 왼쪽 그림과 같이 중파장 및 장파장의 열적외선 채널에서 큰 값이 나타난다. 따라서 화염은 VIIRS I 밴드 자료 중 열적외선 에너지를 감지하는 채널인 I4 채널(중파장적외선)과 I5채널(장파장적외선)에서 높은 값이 나타나는 지역에서 찾을 수 있다. Single Gain 형식인 I4 채널과 I5 채널은 쉽게 큰 값이 나타날 수 있기 때문에 해당 채널만 사용할 경우 오분류의 가능성이 존재한다. M 밴드의 중파장적외선 파장대를 다루는 M13 채널은 Dual Gain 형식으로 실제 큰 산불이 발생하지 않는다면 값의 포화가 일어날 가능성이 거의 없다(NASA, 2016). 따라서 해당 채널을 함께 사용하면 I4 채널과 I5 채널을 사용하여 추출한 최초 화염 추정 지역을 Fig. 3(a)의 오른쪽 그림과 같이 더 정확한 최종 화염 추정 지역으로 변환할 수 있다.
Fig. 3. VIIRS images that were zoomed in Uljin-Samcheock region were taken on 2022/03/05 12:48pm: (a) images of flames (M13-I4-I5), (b) images of burned area (M11-I3-I1), (c) images of smoke (I3-I2-I1).
연소 지역은 화염으로 인해 식생 등의 피복이 타고난 후 재를 남긴 지역이다. 산불로 인해 푸른 식생이 탄 지역은 영상에서 Fig. 3(b)의 왼쪽 그림과 같이 주변보다 더 어둡고 검거나 갈색빛으로 나타난다. 근적외선과 단파장 적외선은 산불로 인해 식생이 제거되거나 재가 쌓인 것을 잘 구분할 수 있으면서 대기의 영향을 상대적으로 덜 받고 일정 수준의 연기를 투과하여 볼 수 있다(Christnacher et al., 2015; Eva et al., 1998; Malliniset al., 2016; Pereira et al., 1999). 특히 Sentinel-2 위성 영상에서 적색과 두 개의 단파장적외선 채널(B4-B11-B12)만을 이용하여 효과적으로 산불을 시각화하고 활성화된 화염과 함께 산불 피해 지역을 효과적으로 구분할 수도 있었다(Hu et al., 2021). VIIRS 영상에서도 단파장 적외선에 해당하는 채널의 영상을 적색 채널과 함께 사용했을 때(I1-I3-M11) 어둡게 나타나는 탄 지역과 그렇지 않은 산림 식생을 구분할 수 있었다. 하지만 실제 연소 지역은 실제로 식생이 탄 피복과 토양 등과 같이 산불로 인한 연소의 영향이 잘 드러나지 않는 피복이 혼재한다. VIIRS 영상은 공간 해상도가 그것들을 구분할 만큼 높지는 않기 때문에 산불로 인해 탄 곳과 다른 토양수분이 많거나 다른 이유로 어둡게 나타나는 피복들이 잘 구분되지 않을 수 있다. 이때 산불의 연소 지역은 현재 혹은 과거의 화염 위치와 겹치거나 인접해있으므로 이 정보를 이용하여 Fig. 3(b)처럼 산불피해 범위를 후보 지역으로부터 분리하여 추출할 수 있다.
연기는 산불이 발생하여 산림 식생 등을 태울 때 불완전 연소가 발생하여 생기는 입자와 기체가 혼합되어 희거나 검게 나타나는 것으로 Fig. 3(c)의 왼쪽 그림에서 나타나는 것처럼 구름과 유사하게 가시광선 파장대에서 지표를 가린다. 이때, 지표 피복 위에 연기가 존재한다는 것이 꼭 그 아래 지표 피복이 연소되었음을 의미하는 것은 아니므로 주의해야 한다. 공기를 따라 퍼진 연기의 형상은 대기 상태에 대한 정보를 줄 수 있고 연기가 생성되는 곳에 화염이 존재할 것임을 알려준다. 연기는 가시광선 파장대만으로는 구름과 구분하기 어려우나 단파장 적외선처럼 옅은 수준의 연기를 투과하는 채널을 포함하는 다른 태양광 반사 밴드와 함께 이용하면 쉽게 구분하여 Fig. 3(c)의 오른쪽 그림과 같이 추출할 수 있다.
산불의 진행 단계에 따라 초기 단계에는 화염과 연기가 많은 부분을 차지하는 대신 연소 지역으로 드러나는 화소의 수는 적으나 말기 단계로 갈수록 활성화된 화염과 연기는 줄어드는 대신 많은 수의 연소 지역 화소들이 드러나게 된다. 산불의 발달 단계에 따른 지표 피복의 특징을 고려하여 VIIRS 영상 자료를 조합하고 시각화하면 연기나 화염, 연소 지역 등 산불 관련 사상을 식별할 수 있고 직접적으로 분류하는 자료로 사용하여 최종적으로 산불피해 범위를 추출할 수 있다. 화염과 연소 지역, 연기를 추출하기 위해 VIIRS 자료를 각각 I4-I5&M13 밴드와 I1-I3-M11 밴드, 그리고 전체 태양광 반사 밴드로 구성하였다. 구성한 VIIRS 자료는 ERDAS IMAGINE 9.1 프로그램에서 ISODATA 기법을 사용하여 무감독 분류하였다. 분류 클래스의 수는 100개로 하고 최대 반복 횟수는 50회, 수렴 임계값은 0.990으로 설정하여 시군 수준의 작은 면적의 영상에 대해서도 일정하게 잘 분류할 수 있도록 하였다. 최초로 분류된 결과 자료는 VIIRS 영상 조합을 통한 시각적인 정보와 기타 참고자료를 활용하여 화염과 연소 후보 지역, 연기로 재분류하였다.
ISODATA의 최초 분류 결과는 입력 자료의 분광 특성에 따른 반사 및 방출값이 낮은 것부터 높은 것까지 특성이 유사한 픽셀들을 100개의 클래스에 지정한 자료로 얻을 수 있다. 화염과 연기는 대체로 가시적으로 밝거나 붉게 나타나므로 최초 분류 결과 자료에서 픽셀값이 높은 클래스 중 일부를 선택하여 식별된 픽셀들이 대부분 포함되었을 때 각각 화염과 연기로 재분류하였다. 연소 지역의 경우 I1-I3-M11 밴드 조합에서 가장 가시적으로 잘 식별할 수 있으며 주변의 다른 식생 피복보다 어두운 색상으로 나타난다. 해당 밴드 조합을 ISODATA 분류한 최초 결과는 연소 지역뿐 아니라 수역의 영향 등으로 인해 연소 지역 및 그와 유사하게 나타나는 지역이 Fig. 4(a) 및 Fig. 4(b)와 같이 동일 클래스에 배정되어 나타난다. 우선 Fig. 4(c)와 같이 연소 지역이 모두 포함되도록 선택한 클래스를 연소 후보지역으로 재분류한 후, GIS SW의 Majority 필터를 이용하여 일반화하였다. 가공한 연소 후보지역 레이어는 벡터형식의 폴리곤으로 변환한 후 Fig. 4(d)와 같이 화염의 위치와 중첩되거나 인접한 폴리곤만을 선택하여 Fig. 4(e)에서 연소지역 레이어로 최종 변환하였다. 화염과 연기 및 연소 지역 레이어를 모두 병합한 레이어는 Fig. 5(a)로 VIIRS 산불 분류지도를 생성하였고 연소 지역과 화염만을 병합한 레이어는 Fig. 5(b)와 같이 산불 피해범위 레이어로 추출하여 저장하였다.
Fig. 4. The process of extracting the burned area layer from the cluster layer: (a) a layer that has class id as pixel values, (b) possible burned area layer with different color, (c) smoothed burned area candidate layer, (d) fire pixels layer, (e) extracted burned area layer.
Fig. 5. VIIRS image classification results map in Uljin-Samcheock region (a) and damaged area map (b) (March 5, 2022).
VIIRS 영상을 분석하여 추출한 산불피해 범위 정보는 Sentinel-2 영상을 사용하여 만든 검증자료와 VIIRS의 375 m 자료 기반의 준 실시간 산불 발생자료인 VNP14IMG 자료에서 추출한 산불피해 범위와 함께 비교하였다. Sentinel-2 위성 영상은 NASA의 Earthexplorer를 통해 확보할 수 있었으며 2022년 3월 동해안 산불 진행 중에 촬영된 영상이 있다면 해당 영상을 선택하였다. 이때 선택된 영상은 진행 중인 산불의 특정한 단계를 포착한 순간의 영상이라는 특수성을 지니므로 라벨링이나 NBR(정규탄화지수)의 변화량을 이용한 방법을 적용하기에 적절하지 않았다. 그 대신 Sentinel-2 위성 영상은 10 m 및 20 m로 공간 해상도가 높으므로 산불의 공간적인 피해 범위를 가시적으로 명확하게 파악할 수 있다. 다양한 시각적 색상 조합 중 산불과 그 피해 범위를 잘 나타낼 수 있는 조합을 선택하여 직접 산불의 영향이 명확히 나타나는 영역을 디지타이징하여 검증자료를 생성하였다.
평가를 위한 비교자료는 VNP14IMG 데이터를 가공한 자료를 사용하였다. VNP14IMG는 본 연구에서 영상자료로 만들기 위해 사용한 것과 동일한 VIIRS L1B 데이터에 산불감지 알고리즘을 적용하여 NetCDF4 포맷으로 배포된 분류자료로 본 연구에서 사용한 영상자료와 동일한 시공간을 관측하여 생성된 자료이다. 이 자료는 산불이 감지된 픽셀의 위치와 해당 픽셀의 산불 신뢰도 정보를 추출하여 개별 산불에 해당하는 VNP14IMG 점 데이터로 변환하였다. 변환한 점 데이터의 외곽선을 이어 면으로 변환하는 Convex Hull 기법을 사용하면 VIIRS 및 MODIS 같은 중해상도의 위성영상에서 생성된 산불 감지자료를 수용 가능한 정확도의 산불피해 범위로 변환할 수 있다(Briones-Herrera et al., 2020; Kim and Choi, 2020). 본 연구에서도 동일한 방법을 사용하여 비교자료를 생성하였다.
3. 분석 결과 및 논의
VIIRS 영상에서 추출한 산불피해 범위와 Sentinel-2 영상에서 추출한 피해 범위를 비교한 결과는 Table 3과 같다. Sentinel-2 영상 기반 추출 결과 대비 VIIRS 자료 기반 산불피해 범위의 면적비는 대형 산불에 해당하는 3월 5일 울진 산불의 경우 약 97.85%로 나타났다. VNP14IMG 점 자료 기반의 면적 변환 자료의 경우 Sentinel-2 기반 자료와의 면적비가 약 148.55%로 나타났다. 3월 10일 영상에서도 VIIRS 자료와 VNP14IMG 자료에서 추출한 산불피해 범위의 면적비가 각각 약 95.79%와 약 121%로 나타나 앞선 비교 결과와 유사하였다. 3월 13일 산불이 진화된 이후 촬영된 3월 15일 영상을 비교하였을 때 역시 VIIRS 자료와 VNP14IMG 기반 결과가 약 111.48%와 약 127.3%로 나타났다(Fig. 6).
Table 3. Comparison of forest fire damage areas extracted from VIIRS images and Sentinel-2 images and VNP14IMG data
Fig. 6. Forest fire damaged area extraction results in Uljin-Samcheock region: (a) 2022/03/05, (b) 2022/03/10, (c) 2022/03/15.
강릉 산불의 경우 Fig. 7과 같이 3월 5일 영상에서는 VIIRS 영상 기반 면적비가 약 178.2%, VNP14IMG 자료 기반 면적비가 약 183.68%로 나타나 두 자료 모두 Sentinel-2 영상을 기반으로 추출한 검증 자료와의 면적비와 큰 차이를 나타냈다. 3월 10일 영상에서는 VIIRS 영상 기반 산불 범위의 Sentinels 자료와의 면적비가 약 108.75%로 나타났고, VNP14IMG 자료 기반 산불 범위의 면적비는 약 125.18%로 나타나 여전히 VIIRS 영상기반의 추출 결과가 전체적으로 더 우수하였다.
Fig. 7. Forest fire damaged area extraction results in Gangneung-Donghae region: (a) 2022/03/05, (b) 2022/03/10.
중형 및 소형 산불의 경우 VIIRS 영상에서 추출한 범위 정보는 검증 자료보다 과장되는 경향이 나타났으며 반대로 VNP14IMG 자료에서 변환한 결과는 축소되는 경향이 나타났다. 3월 15일 대구광역시 달성군 가창면 산불 추출 결과 VIIRS 영상 기반 결과의 Sentinel 자료 대비 면적비는 약 160.8%로 나타났고 VNP14IMG 기반 면적비는 약 61.38%로 나타났다. 3월 8일 경기도 안산시 상록구 장상동 산불 추출 결과는 VIIRS 영상 기반 면적비가 142.4%, VNP14IMG 기반 면적비는 51.4%로 나타났으며 그 결과는 Fig. 8에서 나타낸 것과 같다.VNP14IMG 산불 발생자료에서 추출한 중형 및 소형 산불피해 범위가 검증 자료 대비 과소 추정된 것은 산불 발생 위치를 나타내는 픽셀을 점으로 대체한 자료들의 외곽선을 잇기 때문에 실제 그 자료가 의미하는 영역보다 훨씬 작은 영역으로 변환되기 때문이다. VIIRS 영상자료를 분류하여 추출한 중형 및 소형 산불피해 범위가 검증 자료 대비 과대추정된 것은 영상의 공간 해상도의 한계와 분류 방식의 특징으로 인한 것으로 볼 수 있다.
Fig. 8. Forest fire damaged area extraction results in (a) Daegu gachang-myeon region (2022/03/15) and (b) Ansan jangsang-dong region (2022/03/08).
VIIRS 영상자료를 분류하여 다양한 규모의 산불피해 범위를 추출하고 그 결과를 검증 자료와 비교한 결과를 정리하면 다음과 같다. Fig. 6과 Fig. 7에서 확인한 바와 같이 대형 산불의 경우 VIIRS 영상 자료에서 분류하여 추출한 결과가 VNP14IMG 점 기반 자료에서 추정하여 변환한 범위보다 검증 자료와 피해 면적뿐만 아니라 산불피해 범위의 공간적 형상이 더 유사한 경향이 나타났다. VNP14IMG 자료를 이용하는 것은 위성에서 감지한 산불의 위치를 이용해 전체 피해 범위를 추정하는 방식이므로 복잡한 산불의 공간적 형상이 단순화되었다. 반면 VIIRS 영상 자료를 생성 후 분류하여 추출한 산불의 피해 범위는 영상의 분광 특성 및 화염과 연소지역 위치의 관계를 이용한다는 특징으로 인해 산불의 공간적 확산을 더 잘 모사하고 있었다. 소형 산불의 경우 자료의 픽셀 하나가 차지하는 면적이 약 14.0625 헥타르에 달하고 분류기법의 특징에 따라 최소한 여러 개의 픽셀이 하나의 클래스로 포함되어야 하므로 그 결과가 대형 산불의 사례만큼 유사하지는 않은 경향이 나타났다. 매우 규모가 작은 산불은 영상에서 연소 지역과 그렇지 않은 지역이 가시적으로 식별되지 않았으며 잘 분류되지 않았다. 따라서 대형 산불에 대해 본 연구에서 제시한 방법을 이용하면 산불의 정확한 위치와 공간 정보를 추출할 수 있을 것이다. 이 정보는 추후 산불피해 대장과 같은 다른 정보와 결합할 수 있으므로 산불 연구에서 활용할 수 있을 것으로 기대된다.
4. 결론
본 연구는 VIIRS 영상 자료를 분류하여 산불의 피해 범위를 추출하고 그 결과를 쉽게 다른 정보와 결합할 수 있도록 자료를 구축하는 방법을 제시하고자 하였다. 이를 위하여 2022년 3월 초에 발생한 두 건의 초대형 산불과 그와 동일한 시기에 발생한 중형 및 소형 산불을 사례로 선택하여 해당 기간에 한반도를 촬영한 VIIRS 자료인 VNP02 자료와 VNP03 자료를 수집하였다. VIIRS 자료는 Satpy 패키지를 사용하여 분석에 활용할 수 있도록 GeoTIFF 형식의 공간 자료로 변환하는 전처리를 진행하였다. 전처리를 완료한 VIIRS 영상자료는 산불의 직접적 피해 지역에 해당하는 화염 및 연소 지역과 간접적인 정보로써 이용 가능한 연기를 추출하기 위해 각각 열 방사 채널과 단파장 적외선, 가시광선 채널로 구분하였다. 각각 구분한 영상자료는 ISODATA 무감독 분류기법을 사용하여 분류한 뒤 VIIRS 영상자료의 시각적인 분광 특성과 참고자료를 활용하여 화염과 연소지역, 연기로 재분류하고 통합하여 산불피해 범위 정보를 생성하였다.
산불피해 범위를 추출하기 위해 VIIRS 영상자료를 분류한 결과는 VNP14IMG 점 자료에서 변환한 산불피해 범위자료와 Sentinel-2 영상에서 추출한 산불피해 범위자료와 함께 비교하였다. 그 결과 VIIRS 영상자료를 이용해 분류하여 산불 범위를 추출한 것이 대형 산불에서 VNP14IMG 점 자료를 변환한 산불피해 범위자료보다 피해 면적과 공간적 형상에서 전반적으로 더 정확한 결과를 나타내는 것으로 확인되었다. 중형 및 소형 산불의 경우 자료의 해상도의 한계로 인하여 VIIRS 영상 자료를 이용한 추출 결과가 실제보다 과장되는 결과가 나타났으나 VNP14IMG 자료 기반 변환 결과는 점들의 외곽선을 잇는 과정에서 오히려 과소 추정되어 역시 한계를 나타냈다.
VIIRS 영상자료를 분류하여 산불피해 범위를 추출하는 방법은 직접 지표 피복들의 분광 특성을 고려한 기계적 분류가 이루어졌다는 점에서 위성에서 감지한 산불 발생자료의 위치를 표현한 점의 최외곽선을 이어 산불피해 범위를 추출하는 방법보다는 정확하게 나타났다. 하지만 절대적인 공간 해상도가 높지 않은 자료를 무감독 분류하여 산불을 추출한 만큼 산불의 규모와 강도가 작으면 분류가 잘 이루어지지 않거나 산불의 공간적 형상이 잘 드러나지 않는 경우가 존재한다는 한계가 존재하였다. 또한 분류된 결과를 화염이나 연소지역으로 구분하는 기준이 명확하지 않으면 분류 결과가 부정확해질 수 있기에 더욱 명확하고 일정한 기준을 확립할 필요가 있다.
본 연구에서는 VIIRS를 이용하여 화염, 연소지역, 연기의 복합적 정보를 이용하여 산불피해 범위를 추출하는 방법을 제시하였다. VIIRS 영상 자료와 ISODATA 분류기법을 활용해 구축한 산불피해 범위 추출 방법은 향후 산불피해 모니터링 등 산불 관리와 대응을 위해 활용할 수 있는 유용한 정보를 생성하는 데 활용될 수 있을 것이다. 나아가 추출 과정을 자동화하고 산불 피해 지역의 추출 속도와 그 정확도를 더 높인다면 재난관리와 지역 산림 자원 관리 등을 위한 준실시간 산불모니터링에 활용 가능할 수 있을 것으로 기대된다.
사사
이 논문은 행정안전부 지능형 상황관리 기술개발사업의 지원을 받아 수행된 연구임(2021-MOIS37-003).
References
- Briones-Herrera, C.I., D.J. Vega-Nieva, N.A. MonjarasVega, J. Briseno-Reyes, P.M. Lopes-Serrano, J.J. Corral-Rivas, E. Alvarado-Celestino, S. ArellanoPerez, J.G. Alvarez-Gonzalez, A.D. Ruiz-Gonzalez, W.M. Jolly, and S.A. Parks, 2020. Near RealTime Automated Early Mapping of the Perimeter of Large Forest Fires from the Aggregation of VIIRS and MODIS Active Fires in Mexico, Remote Sensing, 12(12): 2061. https://doi.org/10.3390/rs12122061
- Chen, W., K. Moriya, T. Sakai, L. Koyama, and C.X. Cao, 2016. Mapping a burned forest area from Landsat TM data by multiple methods, Geomatics, Natural Hazards and Risk, 7(1): 384-402. https://doi.org/10.1080/19475705.2014.925982
- Choi, J.W., H.L. Park, N.H. Park, S.H. Han, and J.H. Song, 2017. Deforestation Analysis Using Unsupervised Change Detection Based on ITPCA, Korean Journal of Remote Sensing, 33(6): 1233-1242 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.6.3.7
- Christnacher, F., S. Schertzer, N. Metzger, E. Bacher, M. Laurenzis, and R. Habermacher, 2015. Influence of gating and of the gate shape on the penetration capacity of range-gated active imaging in scattering environments, Optics Express, 23(26): 32897-32908. https://doi.org/10.1364/OE.23.032897
- Eva, H. and E.F. Labmin, 1998. Burnt area mapping in Central Atrica using ATSR data, International Journal of Remote Sensing, 19(18): 3473-3497. https://doi.org/10.1080/014311698213768
- Giglio, L., L. Boschetti, D.P. Roy, M.L. Humber, and C.O. Justice, 2018. The Collection 6 MODIS burned area mapping algorithm and product, Remote Sensing of Environment, 217: 72-85. https://doi.org/10.1016/j.rse.2018.08.005
- Giglio, L., T. Loboda, D.P. Roy, B. Quayle, and C.O. Justice, 2009. An active-fire based burned area mapping algorithm for the MODIS sensor, Remote Sensing of Environment, 113: 408-420. https://doi.org/10.1016/j.rse.2008.10.006
- Gladkova, I., A. Ignatov, F. Shahriar, Y. Kihai, D. Hillger, and B. Petrenko, 2016. Improved VIIRS and MODIS SST Imagery, Remote Sensing, 8(1):79. https://doi.org/10.3390/rs8010079
- Hu, X., Y. Ban, and A. Nascetti, 2021. Sentinel-2 MSI data for active fire detection in major fire-pronebiomes: A multi-criteria approach, International Journal of Applied Earth Observation and Geoinformation, 101: 102347. https://doi.org/10.1016/j.jag.2021.102347
- Hussain, M., D. Chen, A. Cheng, H. Wei, and D. Stanley, 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches, ISPRS Journal of Photogrammetry and Remote Sensing, 80: 91-106. https://doi.org/10.1016/j.isprsjprs.2013.03.006
- Jones, H.P., P.C. Jones, E.B. Barbier, R.C. Blackburn, J.M. Rey Beayas, K.D. Holl, M. McCrackin, P. Meli, D. Montoya, and D.M. Mateos, 2018. Restoration and repair of Earth's damaged ecosystems, Proceedings of the Royal Society B: Biological Sciences, 285(1873): 20172577. http://doi.org/10.1098/rspb.2017.2577
- Kang, J.M., C. Zhang, J.K. Park, and M.K. Kim, 2010. Forest Fire Damage Analysis Using Satellite Images, Journal of the Korean Society of Survey, Geodesy, Photogrammetry, and Cartography, 28(1): 21-28 (in Korean with English abstract).
- Kim, T.H. and J.M. Choi, 2020. The Method of Linking Fire Survey Data with Satellite Image-based Fire Data, Korean Journal of Remote Sensing, 36(5): 1125-1137 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.10
- Korea Forest Service, 2022a. Statistical Yearbook of Forest Fire of 2021, Korea Forest Service, Daejeon, South Korea.
- Korea Forest Service, 2022b. Forest Fire Damage Register, https://huyang.forest.go.kr/kfsweb/kfi/kfs/frfr/selectFrfrStatsNow.do?mn=NKFS_02_02_01_05, Accessed on Jun. 6, 2022.
- Lee, S.J. and Y.W. Lee, 2020. Detection of WildfireDamaged Areas Using Kompsat-3 Image: A Case of the 2019 Unbong Mountain Fire in Busan, South Korea, Korean Journal of Remote Sensing, 36(1): 29-39 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.1.3
- Lestari, A.I., D.L. Luhurkinanti, H.I. Fitriasari, R. Harwahyu, and R.F. Sari, 2020. Machine Learning Approaches for Burned Area Identification Using Sentinel-2 in Central Kalimantan, Journal of Applied Engineering Science, 18(2): 207-215. https://doi.org/10.5937/jaes18-25495
- Libonati, R., C.C. DaCamara, A.W. Setzer, F. Morelli, and A.E. Melchiori, 2015. An Algorithm for Burned Area Detection in the Brazilian Cerrado Using 4 μm MODIS Imagery, Remote Sensing, 7(11): 15782-15803. https://doi.org/10.3390/rs71115782
- Liu, S., Y. Zheng, M. Dalponte, and X. Tong, 2020. A novel fire index-based burned area change detection approach using Landsat-8 OLI data, European Journal of Remote Sensing, 53(1): 104-112. https://doi.org/10.1080/22797254.2020.1738900
- Mallinis, G., I. Mitsopoulos, and I. Chrysafi, 2017. Evaluating and comparing Sentinel 2A and Landsat8 Operational Land Imager (OLI) spectral indices for estimating fire severity in a Mediterranean pine ecosystem of Greece, GIScience & Remote Sensing, 55(1): 1-18. https://doi.org/10.1080/15481603.2017.1354803
- Ministry of Government Legislation, 2021. Forest Protection Act, https://elaw.klri.re.kr/kor_service/lawView.do?hseq=53816&lang=ENG, Accessed on Aug. 16, 2022.
- NASA, 2016. Visible Infrared Imaging Radiometer Suite (VIIRS) 375m Active Fire Detection and Characterization Algorithm Theoretical Basis Document 1.0, https://viirsland.gsfc.nasa.gov/PDF/VIIRS_activefire_375m_ATBD.pdf, Accessed on Aug. 16, 2022.
- NASA, 2021. NASA Visible Infrared Imaging Radiometer Suite Level-1B Product User Guide, https://ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/viirs/NASA_VIIRS_L1B_UG_August_2021.pdf, Accessed on Aug. 16, 2022.
- Oliva, P. and W. Schroeder, 2015. Assessment of VIIRS 375m active fire detection product for direct burned area mapping, Remote Sensing of Environment, 160: 144-155. https://doi.org/10.1016/j.rse.2015.01.010
- Ongeri, D. and B.K. Kenduiywo, 2020. Burnt Area Detection using Medium Resolution Sentinel 2 and Landsat 8 Satellites, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 43(5): 131-137. https://doi.org/10.5194/isprs-archives-XLIII-B5-2020-131-2020
- Pereira, J.M.C., A.C.L. Sa, A. Sousa, J.M.N. Silva, T.N. Santos, and J. Carreiras, 1999. Spectral characterisation and discrimination of burnt areas, In: Chuvieco, E. (eds), Remote Sensing of Large Wildfires, Springer, Berlin, Heidelberg, Germany, pp. 123-138. https://doi.org/10.1007/978-3-642-60164-4_7
- Pinto, M.M., R. Libonati, R.M. Trigo, I.F. Trigo, and C.C. DaCamara, 2020. A deep learning approach for mapping and dating burned areas using temporal sequences of satellite images, ISPRS Journal of Photogrammetry and Remote Sensing, 160: 260-274. https://doi.org/10.1016/j.isprsjprs.2019.12.014
- Pinto, M.M., R.M. Trigo, I.F. Trigo, and C.C. DaCamara, 2021. A Practical Method for High-Resolution Burned Area Monitoring Using Sentinel-2 and VIIRS, Remote Sensing, 13(9): 1608. https://doi.org/10.3390/rs13091608
- Ramo, R. and E. Chuvieco, 2017. Developing a Random Forest Algorithm for MODIS Global Burned Area Classification, Remote Sensing, 9(11): 1193. https://doi.org/10.3390/rs9111193
- Raspaud, M., D. Hoese, A. Dybbroe, P. Lahtinen, A. Devasthale, M. Itkin, U. Hamann, L.O. Rasmussen, E.S. Nielsen, T. Leppelt, A. Maul, C. Kliche, and H. Thorstiensson, 2018. Pytroll: An Open-Source, Community-Driven Python Framework to Process Earth Observation Satellite Data, Bulletin of the American Meteorological Society, 99(7): 1329-1336. https://doi.org/10.1175/BAMS-D-17-0277.1
- Schwert, B., C. Albury, J. Clark, A. Schaaf, S. Urbanski, and B. Nordgren, 2016. Implementation of a near real-time burned area detection algorithm calibrated for VIIRS imagery, U.S. Department of Agriculture, Forest Service, Remote Sensing Applications Center, Salt Lake City, UT, USA.
- Shimabukuro, Y.E., A.C. Dutra, E. Arai, V. Duarte, H.L.G. Cassol, G. Pereira, and F.S. Cardozo, 2020. Mapping Burned Areas of Mato Grosso State Brazilian Amazon Using Multisensor Datasets, Remote Sensing, 12(22): 3827. https://doi.org/10.3390/rs12223827
- Son, R.H., H.J. Kim, S.Y. Wang, J.H. Jeong, S.H. Woo, J.Y. Jeong, B.D. Lee, S.H. Kim, M. LaPlante, C.G. Kwon, and J.H. Yoon, 2021. Changes in fire weather climatology under 1.5℃ and 2.0℃ warming, Environmental Research Letters, 16(3): 034058. https://doi.org/10.1088/1748-9326/abe675
- Song, Y.S., H.G. Sohn, and S.W. Lee, 2006. Analysis of Forest Fire Damage Using LiDAR Data and SPOT-4 Satellite Images, KSCE Journal of Civil and Environmental Engineering Research, 26(3D): 527-534 (in Korean with English abstract). https://doi.org/10.12652/KSCE.2006.26.3D.527
- Urbanski, S., B. Nordgren, C. Albury, B. Schwert, D. Peterson, B. Quayle, and W.M. Hao, 2018. A VIIRS direct broadcast algorithm for rapid response mapping of wildfire burned area in the western United States, Remote Sensing of Environment, 219: 271-283. https://doi.org/10.1016/j.rse.2018.10.007
- Youn, H.J. and J.C. Jeong, 2019. Detection of Forest Fire and NBR Mis-classified Pixel Using Multitemporal Sentinel-2A Images, Korean Journal of Remote Sensing, 35(6-2): 1107-1115 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.6.2.7