[논문]다시기 Sentinel-2A 영상을 활용한 산불피해 변화탐지 및 NBR 오분류 픽셀 탐지

윤형진; 정종철

doi:10.7780/kjrs.2019.35.6.2.7

다시기 Sentinel-2A 영상을 활용한 산불피해 변화탐지 및 NBR 오분류 픽셀 탐지
Detection of Forest Fire and NBR Mis-classified Pixel Using Multi-temporal Sentinel-2A Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.6 pt.2, 2019년, pp.1107 - 1115

윤형진 (남서울대학교 공간정보공학과) , 정종철 (남서울대학교 공간정보공학과)

초록
AI-Helper

산불 피해와 관련하여 위성영상을 활용한 분석은 넓은 면적을 빠르게 분석하는 장점이 있다. 본 연구에서는 2019년 4월 4일 속초에서 발생한 산불 피해에 따른 산림의 변화 탐지를 위해 7장의 Sentinel-2A영상을 활용하였다. 산불피해지역 분류 과정은 NBR(normalized burn ratio) 값의 전후 시기 차이를 나타낸 dNBR(difference normalized burn ratio)을 통해 산불피해 정도를 7가지 단계로 분류하였다. 분류과정에서 본 연구는 식생의 재성장지수가 높은 3지역을 선정하여 해당 지역에 대한 세밀한 공간 분석을 실시하였다. dNBR 분석 결과는 활엽수림보다 침엽수림의 식생 재성장 분류가 큰 폭으로 나타났으나, NDVI를 통한 결과에서 가장 낮은 평균값을 보여주었다. 이는 침엽수림의 dNBR 오차범위로 나타난다. 시계열 결과로는 4월 20일과 5월 3일 사이를 기준으로 산불피해 면적이 큰 폭으로 감소하였다. 이는 경과한 시기의 활엽수림에서 하층 식생의 발달 및 식생 증가에 따른 피해 완화로 예를 들 수 있다. 본 연구 결과는 발생하는 산불 피해에 대하여 산림 분류 별 면적 변화를 통해 변화 탐지를 실시하였으며, NDVI와 dNBR 비교를 통해 침엽수림이 가장 높은 분류 오차가 발생한다는 결론을 도출하였다. 따라서 dNBR을 통한 영상분류과정에서 현장조사를 동반한 정밀한 국내 산불피해 등급표를 개선해야 할 필요성을 제시하였다.

Abstract ▼ AI-Helper

Satellite data play a major role in supporting knowledge about forest fire by delivering rapid information to map areas damaged. This study, we used 7 Sentinel-2A images to detect change area in forests of Sokcho on April 4, 2019. The process of classify forest fire severity used 7 levels from Sentinel-2A dNBR(differenced Normalized Burn Ratio). In the process of classifying forest fire damage areas, the study selected three areas with high regrowth of vegetation level and conducted a detailed spatial analysis of the areas concerned. The results of dNBR analysis, regrowth of coniferous forest was greater than broad-leaf forest, but NDVI showed the lowest level of vegetation. This is the error of dNBR classification of dNBR. The results of dNBR time series, an area of forest fire damage decreased to a large extent between April 20th and May 3rd. This is an example of the regrowth by developing rare-plants and recovering broad-leaf plants vegetation. The results showed that change area was detected through the change detection of danage area by forest category and the classification errors of the coniferous forest were reached through the comparison of NDVI and dNBR. Therefore, the need to improve the precision Korean forest fire damage rating table accompanied by field investigations was suggested during the image classification process through dNBR.

주제어

표/그림 (9)

그림 Fig. 1. Study area of Sokcho using Sentinel-2A image, (a) Study area location, with the extend of the seven Sentinel-2A granules; (b) Detailed focus map of the area of Sokcho.
표 Table 1. Specifications of input Sentinel-2A images used for forest fire damage assessment
그림 Fig. 2. Location of three sample area and test area with Sokcho Sentinel-2A image (April 3rd,. 2019) and land cover map (forest).
표 Table 2. Area of forest type between land-cover map and forest type map
표 Table 3. Burn severity levels obtained calculating dNBR, proposed by USGS
그림 Fig. 3. Study flow for change detection using dNBR and find mis-classification pixel.
그림 Fig. 4. Comparing NDVI average from April 3rd to May 10th with value graph.
그림 Fig. 5. dNBR severity classification time series for 3 sample study area.
그림 Fig. 6. dNBR 2D scatter to find misclassification pixel, row for A-site to C-site and column to April 15th to May 8th.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 Sentinel-2A 다시기 영상을 통한 변화탐지로 NDVI 변화 폭이 크게 증가하는 시기를 분석하여 dNBR등급 분류가 계절성 변화에 따른 결과로 오차가 발생한다는 것을 제시하였다. 산불피해등급은 영상을 활용한 지수식을 기반으로 현장조사를 통하여 최종 등급을 산출해야 한다.
본 연구에서 사용된 dNBR 등급분 류는 USGS에서 제시한 외국 산불피해 특성을 기반으로 피해등급을 분류한 식이며 이를 국내에 적용시키기 위해선 dNBR값에 따른 현장검증 및 등급분류가 필요 하다는 한계점이 존재한다. 본 연구를 개선하기 위해서는 dNBR값에 따른 현장조사를 실시해야 하며, 국내 산불 피해에 따른 등급 재분류와 DEM, 토양도와 같은 공간적인 환경변수와 같은 요인들의 추가적인 분석을 통해 산불피해 등급의 심층적 공간분석을 향후 목표로 제시할 수 있다.
생성된 속초시 산림 Sentinel-2A 영상을 기준으로 산불 분류를 위해 시기별 NBR을 생성하며, Table 3와 같은 등급으로 dNBR 분류 결과를 제시하였다. 연구의 최종 결과로 분류된 dNBR중 오분류된 지역을 찾아내고자 하였다. dNBR의 오류는 식생 완화 지역 중 NDVI 값이 낮은 부분으로 제시하였다.

제안 방법

dNBR 분류 결과 식생 재성장이 가장 높게 변화한 지역 3곳을 선정하여 해당 지역에 대한 면적에 따른 변화 탐지를 실시하였다. 면적 변화 과정에서 산림의 식생의 증가도를 파악하고 이를 기반으로 산불 완화가 단순 오분류인지 하층 식생의 재성장에 따른 피해 완화인지 확인하기 위하여 산불이 발생한 연구 지역과 비 피해 지역인 산림을 대상으로 임상 별 NDVI 영상 변화를 확인 하였으며 Fig.
dNBR의 오류는 식생 완화 지역 중 NDVI 값이 낮은 부분으로 제시하였다. dNBR은 4월 8일과 5월 3일사이의 dNBR 결과 중 가장 많은 식생 재성장이 발생한 지역 3곳을 선정하여 산점도를 통해 심층분석을 실시하였다.
연구의 최종 결과로 분류된 dNBR중 오분류된 지역을 찾아내고자 하였다. dNBR의 오류는 식생 완화 지역 중 NDVI 값이 낮은 부분으로 제시하였다. dNBR은 4월 8일과 5월 3일사이의 dNBR 결과 중 가장 많은 식생 재성장이 발생한 지역 3곳을 선정하여 산점도를 통해 심층분석을 실시하였다.
3과 같다. 기존의 Sentinel-2A 영상은 NBR을 사용하기 위해서는 각각의 밴드 해상도의 차이점이 존재하기 때문에 이를 적용하기 위해 공간해상력을 10 m로 리샘플링 하였다. 생성된 속초시 산림 Sentinel-2A 영상을 기준으로 산불 분류를 위해 시기별 NBR을 생성하며, Table 3와 같은 등급으로 dNBR 분류 결과를 제시하였다.
dNBR 분류 결과 식생 재성장이 가장 높게 변화한 지역 3곳을 선정하여 해당 지역에 대한 면적에 따른 변화 탐지를 실시하였다. 면적 변화 과정에서 산림의 식생의 증가도를 파악하고 이를 기반으로 산불 완화가 단순 오분류인지 하층 식생의 재성장에 따른 피해 완화인지 확인하기 위하여 산불이 발생한 연구 지역과 비 피해 지역인 산림을 대상으로 임상 별 NDVI 영상 변화를 확인 하였으며 Fig. 4와 같다. 가장 급격한 식생 변화를 나타낸 임상은 침엽수림으로 4월 15일을 기준으로 식생 발달이 큰 폭으로 나타나며 5월 3일 높은 NDVI값으로 변화한 것을 확인할 수 있다.
따라서 NBR을 국내 산불피해 지역에 적용하여 산불피해 경과를 제시하고 산림의 등급 변화를 세밀하게 제시하고 국내 산림에 대하여 NBR식 적용시 문제를 제시하는 것은 의미가 있다고 판단된다. 본 연구에서는 시간 해상력이 2-3일로 높은 Sentinel-2A영상을 활용하여 단시간 변화 탐지를 통해 2019년 4월 발생한 속초지역 동안의 산불피해면적 변화 탐지를 진행함과 동시에 dNBR을 통한 오분류 픽셀들을 탐지하였다.
기존의 Sentinel-2A 영상은 NBR을 사용하기 위해서는 각각의 밴드 해상도의 차이점이 존재하기 때문에 이를 적용하기 위해 공간해상력을 10 m로 리샘플링 하였다. 생성된 속초시 산림 Sentinel-2A 영상을 기준으로 산불 분류를 위해 시기별 NBR을 생성하며, Table 3와 같은 등급으로 dNBR 분류 결과를 제시하였다. 연구의 최종 결과로 분류된 dNBR중 오분류된 지역을 찾아내고자 하였다.
본 연구에서는 2019년 4월 속초시에서 발생한 산불의 피해를 등급별로 분류하기 위하여 Sentinel-2A 영상을 활용하였으며 산불 발생 전 1개의 영상과 산불 발생후 6개의 영상을 활용하였다. 임상에 종류에 따른 면적의 피해통계를 위해 토지피복지도에 따라 침엽수림, 활엽수림, 혼효림으로 산림을 구분하였으며, 피해 등급 분류를 위해 USGS에서 제공하는 dNBR 피해등급에 따라 7개의 구간으로 분류하였으며 시계열 분석을 통해 다음과 같은 결론을 도출하였다.
A, B, C지역 모두 4월 15일과 5월 3일의 dNBR 사이에큰 폭으로 식생 재성장이 분류되었으며, 12일 동안 계절의 변화에 따른 하층 식생의 빠른 성장과 피해 경도의 완화가 영향을 미친 것으로 판단된다. 하지만 단순 면적 계산을 통해서는 각각의 분류 픽셀이 시기별로 변화 하는 과정을 판단하기 힘들며, 정확하지 못한 분류 결과를 제시할 수 있다고 판단하였기에 본 연구에서는 이를 산점도 형식으로 시기별 픽셀 분류 변화를 확인하였 으며 Fig. 6과 같다.

대상 데이터

변화 탐지에 사용된 Sentinel-2A는 근적외선과 단파적외선의 파장 분류가 세밀하며 특히 산림과 같은 식생을 분류하기에 적합한 위성영상이다. 본 연구에서 산불피해분류를 위한 위성 영상은 산불 발생 전인 2019년 4월 3일 영상 1장과 산불 발생 후 5월 10일까지의 6개의 영상, 총 7개의 영상을 활용하였다. Table 1은 본 연구에 사용된 Sentinel-2A 의 제원과 영상리스트를 나타낸다.
본 연구에서는 2019년 4월 속초시에서 발생한 산불의 피해를 등급별로 분류하기 위하여 Sentinel-2A 영상을 활용하였으며 산불 발생 전 1개의 영상과 산불 발생후 6개의 영상을 활용하였다. 임상에 종류에 따른 면적의 피해통계를 위해 토지피복지도에 따라 침엽수림, 활엽수림, 혼효림으로 산림을 구분하였으며, 피해 등급 분류를 위해 USGS에서 제공하는 dNBR 피해등급에 따라 7개의 구간으로 분류하였으며 시계열 분석을 통해 다음과 같은 결론을 도출하였다.
연구 대상지인 속초시는 2019년 4월 4일 발생한 산불의 시발점이며, 그와 동시에 산림과 주변 시가화 피해가 동시 발생하였다. Fig.

성능/효과

A, B, C지역 모두 4월 15일과 5월 3일의 dNBR 사이에큰 폭으로 식생 재성장이 분류되었으며, 12일 동안 계절의 변화에 따른 하층 식생의 빠른 성장과 피해 경도의 완화가 영향을 미친 것으로 판단된다. 하지만 단순 면적 계산을 통해서는 각각의 분류 픽셀이 시기별로 변화 하는 과정을 판단하기 힘들며, 정확하지 못한 분류 결과를 제시할 수 있다고 판단하였기에 본 연구에서는 이를 산점도 형식으로 시기별 픽셀 분류 변화를 확인하였 으며 Fig.
하지만 NDVI를 통한 결과를 기준으로 침엽수림은 전체적으로 낮은 식생증가를 보여주고 있으며 이를 통해 dNBR을 통한 침엽 수림 산불피해 식생 재성장은 오 분류가 될 가능성이 높다고 판단할 수 있다. C지역은 식생 재성장이 B지역과 마찬가지로 4월 20일부터 나타나고 있으며 5월 3일을 기준으로 면적이 크게 증가하는 것을 확인할 수 있다.
NDVI값을 기반으로 dNBR 분류에 따른 분석을 수행하였으며 각 지역에 대한 전체적인 산림 면적 분포로, A지역은 산림 총면적 15.4 ha 중 활엽수림이 8.1 ha로 가장 넓은 면적이 분포되어 있다. B지역의 경우 총 면적 14.
각 지역 별 픽셀(10 m) 수는 A지역 1,545개, B지역, 1,473개, C지역 1,610개로 픽셀분류 결과 A-C지역 모두 4월 8일과 4월 15일의 dNBR 산점도는 y=ax형식의 분포형태를 나타낸다. 각 그래프에서 ‘Same class’는 전 시기와 후 시기의 분류 결과가 동일한 단계를 나타낸다.
둘째, 시계열 분석 결과와 더불어 산점도를 활용하여 영상 픽셀 단위의 시계열 변화를 확인하였으며, 산림의 한달 간의 피해등급변화를 통해 산불 발생 이후 잠복기및 하층 식생의 성장 가능성을 제시하였다.
23%)개로 감소 하였으며, 침엽수림 34개, 활엽수림 8개, 혼효림 8개로 분류되었다. 분류된 결과를 기준으로 침엽수림 부분에서 산림의 잠복기 혹은 잔재에 따른 dNBR 분류결과의 오차가 가장 크게 발생하는 것을 확인할 수 있다.
5% 넓은 면적을 나타내고 있다. 산림을 분류하는 중분류 비교 결과 임상도는 토지피복지도에 비해 침엽수림 5.7%, 활엽수림 3.7%, 혼효림 -0.49%의 면적 차이를 나타내는 것으로 확인된다.
Table 2는 토지피복지도와 임상도에 대한 연구 지역 면적통계이다. 전체 연구 지역에 대하여 세분류 토지피 복지도는 총 348.26ha의 산림 면적을 나타내며 임상도는 364.81 ha의 산림 면적을 나타낸다. 전체적인 면적 비율로 환산할 경우 토지피복지도보다 임상도가 약 4.
81 ha의 산림 면적을 나타낸다. 전체적인 면적 비율로 환산할 경우 토지피복지도보다 임상도가 약 4.5% 넓은 면적을 나타내고 있다. 산림을 분류하는 중분류 비교 결과 임상도는 토지피복지도에 비해 침엽수림 5.
첫째, 위성영상을 활용한 산불피해탐지 식인 dNBR 식을 통한 산불피해등급 분류는 식생이 급격하게 증가 하는 4월 말에서 5월 초에서 NDVI의 결과값과 상반된 분류결과를 나타냈으며 이를 통해 dNBR식은 식생이 크게 변화하는 계절성이 뚜렷한 국내의 산림에서 오차가 발생할 수 있다.
B지역의 경우 동일한 5월 10일을 기준으로 침엽수림의 높은 식생 재성장을 보여주고 있는데, 침엽수림의 경우 극심한 피해가 발생하면 식생의 재성장이 불가능하며 하층 식생에 따른 성장 완화를 예로 들 수 있다. 하지만 NDVI를 통한 결과를 기준으로 침엽수림은 전체적으로 낮은 식생증가를 보여주고 있으며 이를 통해 dNBR을 통한 침엽 수림 산불피해 식생 재성장은 오 분류가 될 가능성이 높다고 판단할 수 있다. C지역은 식생 재성장이 B지역과 마찬가지로 4월 20일부터 나타나고 있으며 5월 3일을 기준으로 면적이 크게 증가하는 것을 확인할 수 있다.

후속연구

산불피해등급은 영상을 활용한 지수식을 기반으로 현장조사를 통하여 최종 등급을 산출해야 한다. 본 연구에서 사용된 dNBR 등급분 류는 USGS에서 제시한 외국 산불피해 특성을 기반으로 피해등급을 분류한 식이며 이를 국내에 적용시키기 위해선 dNBR값에 따른 현장검증 및 등급분류가 필요 하다는 한계점이 존재한다. 본 연구를 개선하기 위해서는 dNBR값에 따른 현장조사를 실시해야 하며, 국내 산불 피해에 따른 등급 재분류와 DEM, 토양도와 같은 공간적인 환경변수와 같은 요인들의 추가적인 분석을 통해 산불피해 등급의 심층적 공간분석을 향후 목표로 제시할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	우리나라에 분포하는 임상은 산림청에서 제공하는 임상도 구분에 따라 크게 무엇으로 구분되는가?	우리나라에 분포하는 임상은 산림청에서 제공하는 임상도 구분에 따라 크게 침엽수림, 활엽수림, 혼효림으로 구분된다. 침엽수림은 사계절 기준 높은 식생을 보여주지만 활엽수림은 봄철 이후 식생이 점점 증가하다 겨울철을 기준으로 감소하는 반사 특성을 보여준다.
	침엽수림, 활엽수림의 식생은 각각 어떤 특징을 보이는가?	우리나라에 분포하는 임상은 산림청에서 제공하는 임상도 구분에 따라 크게 침엽수림, 활엽수림, 혼효림으로 구분된다. 침엽수림은 사계절 기준 높은 식생을 보여주지만 활엽수림은 봄철 이후 식생이 점점 증가하다 겨울철을 기준으로 감소하는 반사 특성을 보여준다. 우리나라의 임상 별 분포는 소나무 단순림이 78.
	산불 피해 분류를 위해 사용된 NBR이란 무엇인가?	산불 피해 분류를 위해 사용된 NBR은 단파적외선과 근적외선을 이용하여 산림피해등급을 분류하는 지수다 (Eq. 1).

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증