[논문]Sentinel-1 SAR 영상을 이용한 주성분분석 및 K-means Clustering 기반 산불 탐지

이재세; 김우혁; 임정호; 권춘근; 김성용

doi:10.7780/kjrs.2021.37.5.3.4

[국내논문] Sentinel-1 SAR 영상을 이용한 주성분분석 및 K-means Clustering 기반 산불 탐지
Detection of Forest Fire Damage from Sentinel-1 SAR Data through the Synergistic Use of Principal Component Analysis and K-means Clustering 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.3, 2021년, pp.1373 - 1387

이재세 (울산과학기술원 도시환경공학과) , 김우혁 (울산과학기술원 도시환경공학과) , 임정호 (울산과학기술원 도시환경공학과) , 권춘근 (국립산림과학원 산림환경보전연구부 산불.산사태연구과) , 김성용 (국립산림과학원 산림환경보전연구부 산불.산사태연구과)

초록
AI-Helper

산불은 지표 에너지 균형, 사회 및 환경에 중대한 위협을 미치며, 사회경제적 손실을 일으킨다. 한편, 현재까지 널리 사용되고 있는 다중분광 위성 영상 기반 산불 피해 탐지 알고리즘은 구름으로 인한 반사도 오염으로 인해 시의적절한 산불 정보를 얻기 어려운 문제가 있다. 따라서 본 연구에서는 구름에 영향을 받지 않는 유럽우주국의 Sentinel-1 SAR (Synthetic Aperture Radar) 자료로부터 2019년 4월 초에 발생한 남한 강원도의 강릉·동해, 고성·속초 및 인접한 북한의 두 산불 발생 지역을 대상으로 주성분분석(Principal Component Analysis; PCA)을 포함하는 일련의 전 처리 및 K-means clustering을 이용하여 산불 피해 면적을 탐지하였다. 추정된 산불 면적은 국립산림과학원에서 남한의 두 산불에 대해 제공한 산불 피해 면적 및 강도 참조자료 및 산불 피해 탐지에 널리 사용되는 dNBR (differenced Normalized Burn Ratio)을 사용하여 검증하였다. 국립산림과학원의 참조자료 기반 검증에서 강릉·동해와 고성·속초 산불에 대해 평균 약 86%의 정확도를 보였다. dNBR을 사용한 검증에서는 남한 및 북한의 지역 모두에 대해 평균 약 84%의 정확도를 보였다. 이때, 산불 강도가 강할수록 산불 면적 탐지 성능이 높고 반대로 산불 강도가 약할수록 산불 면적 탐지 성능이 낮은 것을 확인할 수 있었다. 본 연구를 통해 검증된 SAR 영상을 이용한 PCA 및 K-means clustering 기반 탐지 알고리즘이 추후 구름의 영향이 크고 작은 산불이 빈번하게 발생하는 한반도에 대하여 신속한 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Forest fire poses a significant threat to the environment and society, affecting carbon cycle and surface energy balance, and resulting in socioeconomic losses. Widely used multi-spectral satellite image-based approaches for burned area detection have a problem in that they do not work under cloudy conditions. Therefore, in this study, Sentinel-1 Synthetic Aperture Radar (SAR) data from Europe Space Agency, which can be collected in all weather conditions, were used to identify forest fire damaged area based on a series of processes including Principal Component Analysis (PCA) and K-means clustering. Four forest fire cases, which occurred in Gangneung·Donghae and Goseong·Sokcho in Gangwon-do of South Korea and two areas in North Korea on April 4, 2019, were examined. The estimated burned areas were evaluated using fire reference data provided by the National Institute of Forest Science (NIFOS) for two forest fire cases in South Korea, and differenced normalized burn ratio (dNBR) for all four cases. The average accuracy using the NIFOS reference data was 86% for the Gangneung·Donghae and Goseong·Sokcho fires. Evaluation using dNBR showed an average accuracy of 84% for all four forest fire cases. It was also confirmed that the stronger the burned intensity, the higher detection the accuracy, and vice versa. Given the advantage of SAR remote sensing, the proposed statistical processing and K-means clustering-based approach can be used to quickly identify forest fire damaged area across the Korean Peninsula, where a cloud cover rate is high and small-scale forest fires frequently occur.

주제어

표/그림 (10)

그림 Fig. 1. Four study sites used in this study. (a), (b), (c), and (d) indicates Gangneung·Donghae (GNDH), Goseong·Sokcho (GSSC), North Korea 1 (NK1), and NK2 forest fire cases, respectively. The background true color composite images were derived from Sentinel-2 data. The burn severity maps provided by National Institute of Forest Science were superimposed in (a) and (b).
표 Table 1. Summary of Sentinel-1 and Sentinel-2 data used to examine the four forest fire cases (GNDH, GSSC, NK1 and NK2) in this study
그림 Fig. 2. The process flow diagram of the approach used in this study.
표 Table 2. The feature name and equation of GLCM (Gray Level Co-occurrence Matrix) texture analysis used in this research. P_{i, j} means the probability of values i and j occurring in adjacent pixels in the original image within the window defining the neighborhood. I and j indicate the columns and rows of the GLCM: i refers to the pixel value of a target pixel, and j is the pixel value of its immediate neighbor. μ is the GLCM mean and σmeans the standard deviation calculated by GLCM variance
표 Table 3. The ranges of differenced Normalized Burn Ratio (dNBR) by fire severity level suggested by United States Geological Survey (USGS)
그림 Fig. 4. The results of K-means clustering for (a) GNDH, (b) GSSC, (c) NK1 and (d) NK2 forest fire cases.
그림 Fig. 3. (a) The cumulative variance explained by the principal components (PCs) for each forest fire case. The red line indicates the cumulative variance of 99%. (b) Silhouette scores with the increasing number of classes (from 2 to 20) for each forest fire case. The vertical red line indicates an optimal number of classes for K-means clustering in this study.
그림 Fig. 5. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using the forest fire reference data provided by National Institute of Forest Science (NIFOS). (a) and (b) show the validation results using NIFOS reference data and the reference severity map for GNDH, respectively. (c) and (d) show the same as (a) and (b) for GSSC. (e) and (f) document the confusion matrices for GNDH and GSSC, respectively.
그림 Fig. 6. The ratio of True Positive (TP) by severity for GNDH and GSSC fire cases.
그림 Fig. 7. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using dNBR data for four forest fire cases. (a), (b), (c) and (d) are the validation results using the dNBR-based burned area as reference for GNDH, GSSC, NK1 and NK2 fire cases, respectively. (e), (f), (g), and (h) are the confusion matrices for GNDH, GSSC, NK1 and NK2, respectively.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 위와 같은 논의를 바탕으로 환경 및 지형 특성이 다른 우리나라에 최근 선행연구에서 제시된 SAR 위성영상을 이용한 PCA 및 K-means clustering 기반 산불 피해면적 탐지 알고리즘의 적용 가능성을 살펴보았다. 남한 강원도 지역에 발생한 두 사례의 산불에 대해 산불 발생 전후 각각 2주 이내의 다시기S entinel-1 SAR 영상을 사용하여 SAR 기반 PCA 및 K-means clustering을 통해 산불 피해 면적을 추정한 뒤 dNBR 및 국립산림과 학원(National Institute of Forest Science; NIFOS)의 전문가 기반 산불 피해 자료를 사용해 정확도를 평가하였다

제안 방법

기존 연구에서는 산불 전후 각각 1개월 간의 영상 즉, 총 2개월의 영상을 사용하여 산불 면적을 추정하였으나, 본 연구에서는 산불 전후 2주간의 영상을 이용하여 산불 면적을 추정하였고, 이를 참조자료를 통해 평가하였다. 또한 연구지역이 더 좁기 때문에 Silhouette score 계산에 사용된 임의의 샘플 수를 원저자의 100,000개 대신 10,000개만 사용하였다.
남한 강원도 지역에 발생한 두 사례의 산불에 대해 산불 발생 전후 각각 2주 이내의 다시기S entinel-1 SAR 영상을 사용하여 SAR 기반 PCA 및 K-means clustering을 통해 산불 피해 면적을 추정한 뒤 dNBR 및 국립산림과 학원(National Institute of Forest Science; NIFOS)의 전문가 기반 산불 피해 자료를 사용해 정확도를 평가하였다. 추가적으로 산불 피해 강도에 따른 알고리즘의 정확도 분석을 수행하였고, 해당 알고리즘을 미계측지역인 북한 지역에 발생한 두 사례의 산불에 적용한 뒤d NBR과 비교하여 적용 가능성을 평가하였다.

성능/효과

혼동행렬의 결과에서도 본 연구의 산불 면적 추정결과는 GNDH, GSSC, NK1, 그리고 NK2에서 약 86%, 80%, 89%, 84%의 OA를 나타내며 전체적으로 dNBR과 높은 일치를 보임을 확인할 수 있었다. 네 산불 지역에 대해 SAR 영상을 이용한 PCA 및 K-means clustering 기반 산불 면적 탐지의 결과를 dNBR로 평가한 정확도를 평균했을 때, 약 84%의 OA를 나타냄을 확인할 수 있었다.

후속연구

본 연구는 SAR 영상을 이용한 PCA 및 K-means clustering 기반 산불 면적 탐지 알고리즘을 한반도 지역에 적용하였다. 연구결과는 NIFOS의 산불 피해 참조자료 및 dNBR을 통해 얻어진 산불 피해면적 자료를 통해 평가하였고, 잡음이 많은 SAR 영상을 사용했음에도, NIFOS 참조자료 및 dNBR과 비교적 높은 일치를 보임을 확인하였다. 본 연구 결과를 통해, 구름으로 인한 반사도 오염이 자주 발생하는 한반도의 지역적 특성에도 불구하고, 신속하고 비교적 정확하게 산불을 탐지하여 시의적절한 산불 피해 대응이 가능하게 될 것으로 기대된다. 또한 미계측지역인 북한에 대해서도 적용가능성을 확인하여, 한반도 산림 전반에 대해 산불피해 분석이 가능할 것으로 기대된다.

참고문헌 (42)

Addison, P. and T. Oommen, 2018. Utilizing satellite radar remote sensing for burn severity estimation, International Journal of Applied Earth Observation and Geoinformation, 73: 292-299.

상세보기
Al-Rawi, K.R., J.L. Casanova, and A. Calle, 2001. Burned area mapping system and fire detection system, based on nueral networks and NOAAAVHRR imagery, International Journal of Remote Sensing, 22(10): 2015-2032.

상세보기
Ban, Y., P. Zhang, A. Nascetti, A.R. Bevington, and M.A. Wulder 2020. Near Real-Time Wildfire Progression Monitoring with Sentinel-1 SAR Time Series and Deep Learning, Scientific Reports, 10(1): 1-15.

상세보기
Bayer, T., R. Winter, and G. Schreier, 1991. Terrain influences in SAR backscatter and attempts to their correction, IEEE Transactions on Geoscience and Remote Sensing, 29(3): 451-462.

상세보기
Bin, W., L. Ming, J. Dan, L. Suju, C. Qiang, W. Chao, Z. Yang, Y. Huan, and Z. Jun, 2019. A method of automatically extracting forest fire burned areas using gf-1 remote sensing images, Proc. of International Geoscience and Remote Sensing Symposium (IGARSS), Yokohama, JP, Jul, 28-Aug. 2, pp. 9953-9955.
Bowman, D.M.J.S., J.K. Balch, P. Artaxo, W. J. Bond, J.M. Carlson, M.A. Cochrane, C.M. D'Antonio, R.S. DeFries, J.C. Doyle, S.P. Harrison, F.H. Johnston, J.E. Keeley, M.A. Krawchuk, C.A. Kull, J.B. Marston, M.A. Moritz, I.C. Prentice, C.I. Roos, A.C. Scott, T.W. Swetnam, G.R. Van Der Werfand, and S.J. Pyne, 2009. Fire in the earth system, Science, 324(5926): 481-484.

상세보기
Brown, A.R., G.P. Petropoulos, and K.P. Ferentinos, 2018. Appraisal of the Sentinel-1 and 2 use in a large-scale wildfire assessment: A case study from Portugal's fires of 2017, Applied Geography, 100: 78-89.

상세보기
Chen, D., T.V. Loboda, and J.V. Hall, 2020. A systematic evaluation of influence of image selection process on remote sensing-based burn severity indices in North American boreal forest and tundra ecosystems, ISPRS Journal of Photogrammetry and Remote Sensing, 159: 63-77.

상세보기
De Luca, G., J.M.N. Silva, and G. Modica, 2021. A workflow based on Sentinel-1 SAR data and open-source algorithms for unsupervised burned area detection in Mediterranean ecosystems, GIScience and Remote Sensing, 58(4): 516-541.

상세보기
Drusch, M., U. Del Bello, S. Carlier, O. Colin, V. Fernandez, F. Gascon, B. Hoersch, C. Isola, P. Laberinti, P. Martimort, A. Meygret, F. Spoto, O. Sy, F. Marchese, and P. Bargellini, 2012. Sentinel2: ESA's Optical High-Resolution Mission for GMES Operational Services, Remote Sensing of Environment, 120: 25-36.

상세보기
Engelbrecht, J., A. Theron, L. Vhengani, and J. Kemp, 2017. A simple normalized difference approach to burnt area mapping using multi-polarisation C-Band SAR, Remote Sensing, 9(8): 9-11.
Franco, M.G., I.A. Mundo, and T.T. Veblen, 2020. Field-validated burn-severity mapping in North Patagonian forests, Remote Sensing, 12(2): 1-18.

상세보기
Geudtner, D., R. Torres, P. Snoeij, M. Davidson, and B. Rommen, 2014. Sentinel-1 System capabilities and applications, Proc. of 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, QC, CA, Jul. 13-18, pp. 1457-1460.
Gimeno, M., J.S.M. Ayanz, P.M. Barbosa, and G. Schmuck, 2003. Burnt-area mapping from ERS-SAR time series using the principal components transformation, In SAR Image Analysis, Modeling, and Techniques V, International Society for Optics and Photonics, 4883: 171-180.
Gill, A.M. S.L. Stephens, and G.J. Cary, 2013. The worldwide "wildfire" problem, Ecological Applications, 23(2): 438-454.

상세보기
Imperatore, P., R. Azar, F. Calo, D. Stroppiana, P.A. Brivio, R. Lanari, and A. Pepe,2017. Effect of the Vegetation Fire on Backscattering: An Investigation Based on Sentinel-1 Observations, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(10): 4478-4492.

상세보기
Jung, J., S.H. Yun, D.J. Kim, and M. Lavalle, 2018. Damage-Mapping Algorithm Based on Coherence Model Using Multitemporal Polarimetric-Interferometric SAR Data, IEEE Transactions on Geoscience and Remote Sensing, 56(3): 1520-1532.

상세보기
Key, C.H. and N.C. Benson, 2006. Landscape Assessment (LA) sampling and analysis methods, USDA Forest Service - General Technical Report RMRS-GTR-164-CD, Washington, D.C., D.C., USA.
Kim, E,-S., S.-H. Lee, and H.-K. Cho, 2010. Segmentbased Land Cover Classification using Texture Information in Degraded Forest Land of North Korea, Korean Journal of Remote Sensing, 26(5): 477-487 (in Korean with English abstract).

원문보기 상세보기
Korea Forest Service, 2021. Forestfire statistical yearbook 2020, Korea Forest Service, Daejeon, KR (in Korean).
Lasaponara, R. and B. Tucci, 2019. Identification of Burned Areas and Severity Using SAR Sentinel-1, IEEE Geoscience and Remote Sensing Letters, 16(6): 917-921.

상세보기
Mallinis, G., I. Mitsopoulos, and I. Chrysafi, 2018. Evaluating and comparing sentinel 2A and landsat-8 operational land imager (OLI) spectral indices for estimating fire severity in a mediterranean pine ecosystem of Greece, GIScience and Remote Sensing, 55(1): 1-18.

상세보기
Miller, J.D. and A.E. Thode, 2007. Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR), Remote Sensing of Environment, 109(1): 66-80.

상세보기
Miller, J.D., E.E. Knapp, C.H. Key, C.N. Skinner, C.J. Isbell, R.M. Creasy, and J.W. Sherlock, 2009. Calibration and validation of the relative differenced Normalized Burn Ratio (RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains, California, USA, Remote Sensing of Environment, 113(3): 645-656.

상세보기
Navarro, G., I. Caballero, G. Silva, P.C. Parra, A. Vazquez, and R. Caldeira, 2017. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery, International Journal of Applied Earth Observation and Geoinformation, 58: 97-106.

상세보기
Parks, S.A., G.K. Dillon, and C. Miller, 2014. A New Metric for Quantifying Burn Severity: The Relativized Burn Ratio, Remote Sensing, 6(3): 1827-1844.

상세보기
Quintano, C., A. Fernandez-Manso, and O. Fernandez-Manso, 2018. Combination of Landsat and Sentinel-2 MSI data for initial assessing of burn severity, International Journal of Applied Earth Observation and Geoinformation, 64: 221-225.

상세보기
Rousseeuw, P. J., 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis, Journal of Computational and Applied Mathematics, 20: 53-65.

상세보기
Rizkinia, M. and D. Sudiana, 2021. Evaluation of Combining Optical and SAR Imagery for Burned Area Mapping using Machine Learning, Proc. of 2021 IEEE 11th Annual Computing and Communication Workshop and Conference, NV, USA, Jan. 27-30, pp. 52-59.
Roy, D.P., L. Boschetti, and A.M. Smith, 2013. Satellite Remote Sensing of Fires, Fire Phenomena and the Earth System: An Interdisciplinary Guide to Fire Science, 2013: 77-93.
Saulino, L., A. Rita, A. Migliozzi, C. Maffei, E. Allevato, A. Pierto Garonna, and A. Saracino, 2020. Detecting Burn Severity across Mediterranean Forest Types by Coupling Medium-Spatial Resolution Satellite Imagery and Field Data, Remote Sensing, 12(4): 1-21.

상세보기
Schimel, D. and D. Baker, 2002. The wildfire factor, Nature, 420: 29-30.

상세보기
Shin, J.I., W.W. Seo, T. Kim, C.S. Woo, and J. Park, 2019. Analysis of availability of high-resolution satellite and UAV multispectral images for forest burn severity classification, Korean Journal of Remote Sensing, 35(6-2): 1095-1106 (in Korean with English abstract).

원문보기 상세보기
Sim, S., W. Kim, J. Lee, Y. Kang, J. Im, C. Kwon, and S. Kim, 2020. Wildfire Severity Mapping Using Sentinel Satellite Data Based on Machine Learning Approaches, Korean Journal of Remote Sensing, 36(5-3), 1109-1123 (in Korean with English abstract).

원문보기 상세보기
Tanase, M.A., M. Santoro, J. De La Riva, F. Perez-Cabello, and T. Le Toan, 2010. Sensitivity of X-, C-, and L-band SAR backscatter to burn severity in Mediterranean pine forests, IEEE Transactions on Geoscience and Remote Sensing, 48(10): 3663-3675.

상세보기
Tanase, M.A., M.A. Belenguer-Plomer, E. Roteta, A. Bastarrika, J. Wheeler, A. Fernandez-Carrillo, K. Tansey, W. Wiedemann, P. Navratil, S. Lohberger, F. Siegert, and E. Chuvieco, 2020. Burned area detection and mapping: Intercomparison of Sentinel-1 and Sentinel-2 based algorithms over tropical Africa, Remote Sensing, 12(2): 334.

상세보기
Tariq, A., H. Shu, Q. Li, O. Altan, M.R. Khan, M.F. Baqa, and L. Lu, 2021. Quantitative analysis of forest fires in southeastern australia using sar data, Remote Sensing, 13(12): 2386.

상세보기
Vassilvitskii, S. and D. Arthur, 2006. k-means++: The advantages of careful seeding, In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, pp. 1027-1035.
Won, M., K. Jang, S. Yoon, and H. Lee, 2019. Change Detection of Damaged Area and Burn Severity due to Heat Damage from Gangwon Large Fire Area in 2019, Korean Journal of Remote Sensing, 35(6), 1083-1093 (in Korean with English abstract).

원문보기 상세보기
Won, M., K. Kim, and S. Lee, 2014. Analysis of Burn Severity in Large-fire Area Using SPOT5 Images and Field Survey Data, Korean Journal of Agricultural and Forest Meteorology, 16(2), 114-124 (in Korean with English abstract).

원문보기 상세보기
Won, M, M. Lee, W. Lee, and S. Yoon, 2012. Prediction of Forest Fire Danger Rating over the Korean Peninsula with the Digital Forecast Data and Daily Weather Index (DWI) Model, Korean Journal of Agricultural and Forest Meteorology, 14(1), 1-10 (in Korean with English abstract).

원문보기 상세보기
Youn, H. and J. Jeong, 2019. Detection of Forest Fire and NBR Mis-classified Pixel Using Multi-temporal Sentinel-2A Images, Korean Journal of Remote Sensing, 35(6), 1107-1115 (in Korean with English abstract).

원문보기 상세보기

저자의 다른 논문 :

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