산불은 산림의 주요 교란요소중의 하나로써 산림 구조와 기능에 매우 큰 영향을 미치며, 산불피해강도에 따라 피해 후 식생회복 과정이 달라질 수 있다. 산불피해지의 피해강도와 식생회복 과정을 파악하기 위해서는 많은 인력과 예산이 필요하다. 위성영상자료를 이용한 산불피해지의 피해량 분석은 신속한 정보는 물론 대규모 피해지의 객관적인 결과를 원격으로 신속하게 취득할 수 있다. 이에 본 연구에서는 충청남도 청양 예산 지역의 산불발생 전 후 위성영상을 이용한 분류 기법을 통해 연구대상 지역의 산불피해 정보를 산출하고자 하였다. 이를 위해 산불발생 전 후의 다 시기 Landsat 위성영상을 이용한 영상 분류를 통해 산불피해 지역의 면적을 산출하였으며 수치임상도와의 중첩분석을 통해 피해지역 삼림의 수종, 영급, 경급 및 수관밀도별 피해량을 효과적으로 산정할 수 있었으며 분류결과와 NDVI를 이용하여 식생회복을 모니터링 할 수 있었다.
산불은 산림의 주요 교란요소중의 하나로써 산림 구조와 기능에 매우 큰 영향을 미치며, 산불피해강도에 따라 피해 후 식생회복 과정이 달라질 수 있다. 산불피해지의 피해강도와 식생회복 과정을 파악하기 위해서는 많은 인력과 예산이 필요하다. 위성영상자료를 이용한 산불피해지의 피해량 분석은 신속한 정보는 물론 대규모 피해지의 객관적인 결과를 원격으로 신속하게 취득할 수 있다. 이에 본 연구에서는 충청남도 청양 예산 지역의 산불발생 전 후 위성영상을 이용한 분류 기법을 통해 연구대상 지역의 산불피해 정보를 산출하고자 하였다. 이를 위해 산불발생 전 후의 다 시기 Landsat 위성영상을 이용한 영상 분류를 통해 산불피해 지역의 면적을 산출하였으며 수치임상도와의 중첩분석을 통해 피해지역 삼림의 수종, 영급, 경급 및 수관밀도별 피해량을 효과적으로 산정할 수 있었으며 분류결과와 NDVI를 이용하여 식생회복을 모니터링 할 수 있었다.
Forest fire is one of the main factor disturbing the environment of forest, and it influences greatly the structure and function on forest. The process of vegetation recovery could be decided according to the extent of the damage. It is required a lot of man powers and budgets to understand born sev...
Forest fire is one of the main factor disturbing the environment of forest, and it influences greatly the structure and function on forest. The process of vegetation recovery could be decided according to the extent of the damage. It is required a lot of man powers and budgets to understand born severity and process of vegetation rehabilitation at the damaged area after large-fire. However, the analysis of born severity in the forest area using satellite imagery can acquire rapidly information and more objective results remotely in the large-fire area. In this study, the space sensors have been used to map area burned, assess characteristics of active fires. For classifying fire damaged area and analyzing severity of Cheongyang-Yesan fire in 2002, in this paper we use pre- and post-fire imagery from the Landsat TM and ETM+ to compute the evaluate large-scale patterns of burn severity, use the digital stock map to calculate the damaged condition about the forest fires damaged regions and use the NDVI to monitoring the situation of the revegetation.
Forest fire is one of the main factor disturbing the environment of forest, and it influences greatly the structure and function on forest. The process of vegetation recovery could be decided according to the extent of the damage. It is required a lot of man powers and budgets to understand born severity and process of vegetation rehabilitation at the damaged area after large-fire. However, the analysis of born severity in the forest area using satellite imagery can acquire rapidly information and more objective results remotely in the large-fire area. In this study, the space sensors have been used to map area burned, assess characteristics of active fires. For classifying fire damaged area and analyzing severity of Cheongyang-Yesan fire in 2002, in this paper we use pre- and post-fire imagery from the Landsat TM and ETM+ to compute the evaluate large-scale patterns of burn severity, use the digital stock map to calculate the damaged condition about the forest fires damaged regions and use the NDVI to monitoring the situation of the revegetation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 다 시기의 위성영상을 이용하여 산불 발생지역의 산불 피해량 및 식생회복 현황에 대한 분석을 통해 다음과 같은 결론을 얻었다.
제안 방법
본 연구에서는 영상의 분류를 위해 감독분류 방법을 사용하였으며 산불피해 전·후의 영상을 명확히 분류하기 위해 식생분류에 주로 사용되는 Landsat 4, 3, 2번 밴드를 조합한 적외선 컬러사진 즉, 위 색(False-color) 합성을 실시하였다. 조합한 영상의 경우 건강한 식생은 적외선을 강하게 반사하거나 방사하여 위색사진에서 밝은 적색으로 나타난다.
대한 식생분류를 수행하였다. 분류된 영상에 대하여 각 클래스 별 픽셀 수를 계산하고 1픽셀의 면적(90) 을 이용하여 각 클래스별 면적을 산출하였다. 표 2는 2001년 영상의 분류결과이며 그림 7은 분류결과 그래프를 나타낸다.
이용하였다. 수종(樹種), 영급(齡級), 경급 (徑級), 수관밀도(樹冠密度)에 대한 수치임상도를 이용하였으며 각 수치임상도를 산불피해지역으로 마스킹한 후 각 수치임상도 속성에 따라 도시하였다. 그림 12는 속성에 따른 수치임상도이며, 표 6~표 9는 피해지역의 속성별 현황을 나타내고 있다.
본 연구에서는 충청남도 청양 . 예산 지역의 산불피해분석에 대해 산불피해지 면적을 추출하였다. 이를 위해 산불 전·후의 Landsat 위성 영상 자료를 활용하였으며 Landsat TM, ETM+ 위성영상이 산불발생지 역을 탐지하는데 얼마나 유용하게 쓰일 수 있는지를 분석 검토하였다.
이를 위해 산불 전·후의 Landsat 위성 영상 자료를 활용하였으며 Landsat TM, ETM+ 위성영상이 산불발생지 역을 탐지하는데 얼마나 유용하게 쓰일 수 있는지를 분석 검토하였다. 이를 위해 20이년, 2002년, 2003년, 2004년의 다시기에 해당하는 Landsat 위성영상에 대하여 식생, 수계 및 기타의 클래스를 지정하여 최대우도법(Maximum Likelihood)을 적용, 영상의 분류를 실시하고 그 결과와 수치 임상 도를 통해 산불피해량을 산정하고 피해 전 . 후식생의 변화를 파악하였다.
예산 지역의 산불피해분석에 대해 산불피해지 면적을 추출하였다. 이를 위해 산불 전·후의 Landsat 위성 영상 자료를 활용하였으며 Landsat TM, ETM+ 위성영상이 산불발생지 역을 탐지하는데 얼마나 유용하게 쓰일 수 있는지를 분석 검토하였다. 이를 위해 20이년, 2002년, 2003년, 2004년의 다시기에 해당하는 Landsat 위성영상에 대하여 식생, 수계 및 기타의 클래스를 지정하여 최대우도법(Maximum Likelihood)을 적용, 영상의 분류를 실시하고 그 결과와 수치 임상 도를 통해 산불피해량을 산정하고 피해 전 .
이를 위해 20이년, 2002년, 2003년, 2004년의 다시기에 해당하는 Landsat 위성영상에 대하여 식생, 수계 및 기타의 클래스를 지정하여 최대우도법(Maximum Likelihood)을 적용, 영상의 분류를 실시하고 그 결과와 수치 임상 도를 통해 산불피해량을 산정하고 피해 전 . 후식생의 변화를 파악하였다. 그림 1은 연구 흐름도를 나타낸다.
대상 데이터
본 연구에서는 20이년, 2002년, 2003년, 2004년의 영상에 대한 식생분류를 수행하였다. 분류된 영상에 대하여 각 클래스 별 픽셀 수를 계산하고 1픽셀의 면적(90) 을 이용하여 각 클래스별 면적을 산출하였다.
본 연구에서는 Landsat 위성 영상을 이용한 산불분석을 위해 2002년 대규모 산불이 발생한 청양 . 예산 지역을 연구대상지로 선정하고 2001년 6월에서 2004년 6월까지 4시기의 영상을 이용하여 산불피해량을 산출하였으며, 식생회복을 모니터링 하고자 하였다.
본 연구에서는 자료처리를 위해 국가 수자원 관리종합정보 시스템에서 축척 1:25,000 수치지형도를 기반으로 작성한 충청남도 수치 임상도를 제공받았다. 수자원 관리종합정보 시스템은 임상도뿐만 아니라 유역, 오염, 수문, 홍수 지도 등 여러가지 지도서비스를 제공한다.
본 연구에서는 충청남도 청양 . 예산 지역의 산불피해분석에 대해 산불피해지 면적을 추출하였다.
2002년 대규모 산불이 발생한 청양 . 예산 지역을 연구대상지로 선정하고 2001년 6월에서 2004년 6월까지 4시기의 영상을 이용하여 산불피해량을 산출하였으며, 식생회복을 모니터링 하고자 하였다. 그림 2는 연구대상지의 위성영상을 나타내고 있다.
이론/모형
본 연구에서는 식생의 활력도를 판단하기 위해 NDVI 를 이용하였다. 일반적으로 NDVI 영상에서 밝게 나타나는 부분은 식생의 활력도가 높은 것을 의미한다.
본 연구에서는 피해지역의 산림피해량 산정을 위해 수치 임상도를 이용하였다. 수종(樹種), 영급(齡級), 경급 (徑級), 수관밀도(樹冠密度)에 대한 수치임상도를 이용하였으며 각 수치임상도를 산불피해지역으로 마스킹한 후 각 수치임상도 속성에 따라 도시하였다.
영상의 분류를 위해 식별이 가능한 토지피복을 수계, 식생, 피해지역, 기타로 분류하여 트레이닝 셋을 설정하였으며 최대우도법 (Maximum likelihood) 알고리즘에 의하여 분류하였다. 그림 4는 감독분류를 위한 트레이닝 셋이며 분류결과를 그림 5에 나타내었다.
성능/효과
기타로 분류된 지역은 식생, 호수, 나대지 등의 특성을 포함하고 있고 연구대상지 내에 존재하는 산림과 피해지역, 나지 등이 잘 분류되 었음을 파악할 수 있었다.
둘째, 산불발생 전·후의 다 시기 영상을 이용한 NDVI 산출을 통해 산불발생 이후 시간이 지남에 따라 식생이 회복되는 정도를 파악할 수 있었다.
산불이 발생한 후 12개월이 경과한 2003년 4월 영상분류 결과에서는 피해지역의 식생비율 57.43%, 나지, 도로, 농업용지 등 기타부분은 34.71%, 수계 1.68% 피해지역 6.18%로 나타났으며 산불이 발생한 지역의 일부분이 식생이 살아나면서 피해지역의 비율이 소폭 감소한 것으로 파악되었다. 표 5는 2004년 영상의 분류결과이며 그림 10은 분류결과 그래프를 나타낸다.
산불이 발생한 후 26개월 경과한 2004년 6월 영상분류 결과는 식생비율 64.38%, 나지, 도로, 농업용지 등 기타 부분은 32.84%, 수계 0.94%, 산불피해지역 1.83%로 나타났으며 산불피해지역의 식생이 약 14km, 정도 복구된 것을 확인할 수 있었다. 그림 11은 항목별 면적의 변화를 나타내는 것이다.
산불이 발생한 후 2개월이 경과한 2002년 6월 영상분류 결과의 경우 식생비율이 55.49%, 나지, 도로, 농업용지 등 기타부분은 37.16%, 수계 0.99%, 피해지역 6.36% 로 나타났으며 산불피해면적을 계산한 결과 20.48km, 로 산출되었다. 표 4는 2003년 영상의 분류결과이며 그림 9 는 분류결과 그래프를 나타낸다.
셋째, 피해지역의 수치임상도를 이용한 피해량 분석 결과 21년~40년 수령의 중경림 소나무의 피해면적이 가장 큰 것을 알 수 있었다.
위의 결과 피해지역의 면적은 20.48knf에서 5.91krf로감소한 반면 식생면적은 14.24knf만큼 증가하였다. 이것은 시간이 흐름에 따라 식생이 자연회복되어 가고 있음을 나타내는 것인데 특히 2003년에서 2004년의 경우 회복량이 큰 폭으로 상승한 것을 알 수 있었다.
첫째, Landsat 위성영상의 감독분류결과를 이용하여 산불 발생지역의 피해상황, 피복변화 및 피해면적을 효과적으로 산정할 수 있었다.
피해지역에는 소나무림(45%), 리기다 소나무림(19%), 혼효림(10%), 낙엽송림(9%), 활엽수 혼효림(8%)이 분포되어 있는 것으로 나타났으며 피해수종은 대부분이 연소하기 쉬운 소나무림(64.89%)이 었다.
후속연구
넷째, 향후 다양한 위성영상 자료와 수치임상도를 통해 얻을 수 있는 정보는 산불피해지역의 식생 회복이나 생태적 변화 상태를 효과적으로 모니터링하는데 유용하게 활용될 수 있을 것으로 기대된다.
참고문헌 (8)
김철민, 이승호, 노대균 (2001), Landsat TM 위성영상을 이용한 산불 발생지역의 탐지, 대한원격탐사학회 학술대회 논문집, 대한원격탐사학회, pp. 77-81.
배준희 (2003), 인공위성 영상을 이용한 난온대지역의 식생분류기법 연구, 호남대학교, 석사학위논문.
이강원 (2006), GSIS 다중자료를 이용한 재해탐지체계에 관한 연구, 충남대학교, 박사학위논문.
최철순, 최승필 (1997), 인공위성 TM 영상을 이용한 고성 산불 피해지역의 추적조사, 한국측지학회지, 한국측지학회, 제15권, 제2호, pp. 215-219
Cocke, A. E. Fule, P. Z. Crouse, J. E. (2005), Comparison of burn severity assessments using Differenced Normalized Bum Ratio and ground data, INTERNATIONAL JOURNAL OF WILDLANDFIRE, Vol.14, No.2 pp. 189-198.
Lentile, L. B. Smith, F. W. Shepperd, W. D. (2006), Influence of topography and forest structure on patterns of mixed severity fire in ponderosa pine forests of the South Dakota Black Hills. INTERNATIONAL JOURNAL OF WILDLANDFIRE, Vol.15 No.4, pp. 23-27.
Van Wagtendonk, J. W. (2004), Dr. Biswell's Influence on the Development of Prescribed Burning in California, General Technical Report PNW(U.S. Forest Service General Technical Report PNW), pp. 11-16.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.