Landsat 8/9 및 Sentinel-2 A/B를 이용한 울진 산불 피해 탐지: 다양한 지수를 기반으로 다시기 분석 Forest Burned Area Detection Using Landsat 8/9 and Sentinel-2 A/B Imagery with Various Indices: A Case Study of Uljin원문보기
본 연구에서는 Landsat 8/9 OLI와 Sentinel-2 MSI 위성 영상을 활용한 다시기 영상 데이터를 이용하여 다양한 분광 지수를 기반으로 국내 산불 피해 면적 탐지 정확도를 분석하였다. 2022년 3월 경상북도 울진에서 발생하였던 산불을 대상으로 Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), Burned Area Index (BAI) 등의 지수를 활용하여 산불피해 면적 탐지에 활용하였다. 비교적 높은 공간 해상도를 가진 Sentinel-2 영상을 기반으로 참조 자료를 제작하였다. 총 6개의 지수 산출물을 기반으로 Sentinel-2, Landsat 8/9으로 총 4개 위성에 대해 산불 피해 정확도를 각각 분석하였다. Landsat 8/9과 Sentinel-2는 각각 16일, 10일 주기로 영상을 제공하고 있지만 구름으로 인해 영상 취득에 어려움이 많은 편이며, 우리나라는 4월부터 식생의 생장이 시작되어 봄철 산불 피해 분석 시 산불발생 전후 영상을 활용하는 경우 식생의 생장으로 인한 변화가 커서 정확도 높은 탐지에 어려움이 있다. 따라서, 본 연구는 2월에서 5월까지의 다시기 Landsat 8/9과 Sentinel-2 영상 중 같은 날짜를 기반의 영상을 서로 사용하여 시간해상도의 한계를 극복하고 탐지 정확도가 상대적으로 높은 지수를 비교 분석했다. 본 연구 결과는 한국형 산불피해 탐지 지수/모델 개발을 위한 입력 자료 등으로 활용되어 최적화된 산불 지수를 기반으로 정확도 높은 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다.
본 연구에서는 Landsat 8/9 OLI와 Sentinel-2 MSI 위성 영상을 활용한 다시기 영상 데이터를 이용하여 다양한 분광 지수를 기반으로 국내 산불 피해 면적 탐지 정확도를 분석하였다. 2022년 3월 경상북도 울진에서 발생하였던 산불을 대상으로 Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), Burned Area Index (BAI) 등의 지수를 활용하여 산불피해 면적 탐지에 활용하였다. 비교적 높은 공간 해상도를 가진 Sentinel-2 영상을 기반으로 참조 자료를 제작하였다. 총 6개의 지수 산출물을 기반으로 Sentinel-2, Landsat 8/9으로 총 4개 위성에 대해 산불 피해 정확도를 각각 분석하였다. Landsat 8/9과 Sentinel-2는 각각 16일, 10일 주기로 영상을 제공하고 있지만 구름으로 인해 영상 취득에 어려움이 많은 편이며, 우리나라는 4월부터 식생의 생장이 시작되어 봄철 산불 피해 분석 시 산불발생 전후 영상을 활용하는 경우 식생의 생장으로 인한 변화가 커서 정확도 높은 탐지에 어려움이 있다. 따라서, 본 연구는 2월에서 5월까지의 다시기 Landsat 8/9과 Sentinel-2 영상 중 같은 날짜를 기반의 영상을 서로 사용하여 시간해상도의 한계를 극복하고 탐지 정확도가 상대적으로 높은 지수를 비교 분석했다. 본 연구 결과는 한국형 산불피해 탐지 지수/모델 개발을 위한 입력 자료 등으로 활용되어 최적화된 산불 지수를 기반으로 정확도 높은 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다.
This study evaluates the accuracy in identifying the burned area in South Korea using multi-temporal data from Sentinel-2 MSI and Landsat 8/9 OLI. Spectral indices such as the Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), and Burned Area Index (BAI) were...
This study evaluates the accuracy in identifying the burned area in South Korea using multi-temporal data from Sentinel-2 MSI and Landsat 8/9 OLI. Spectral indices such as the Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), and Burned Area Index (BAI) were used to identify the burned area in the March 2022 forest fire in Uljin. Based on the results of six indices, the accuracy to detect the burned area was assessed for four satellites using Sentinel-2 and Landsat 8/9, respectively. Sentinel-2 and Landsat 8/9 produce images every 16 and 10 days, respectively, although it is difficult to acquire clear images due to clouds. Furthermore, using images taken before and after a forest fire to examine the burned area results in a rapid shift because vegetation growth in South Korea began in April, making it difficult to detect. Because Sentinel-2 and Landsat 8/9 images from February to May are based on the same date, this study is able to compare the indices with a relatively high detection accuracy and gets over the temporal resolution limitation. The results of this study are expected to be applied in the development of new indices to detect burned areas and indices that are optimized to detect South Korean forest fires.
This study evaluates the accuracy in identifying the burned area in South Korea using multi-temporal data from Sentinel-2 MSI and Landsat 8/9 OLI. Spectral indices such as the Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), and Burned Area Index (BAI) were used to identify the burned area in the March 2022 forest fire in Uljin. Based on the results of six indices, the accuracy to detect the burned area was assessed for four satellites using Sentinel-2 and Landsat 8/9, respectively. Sentinel-2 and Landsat 8/9 produce images every 16 and 10 days, respectively, although it is difficult to acquire clear images due to clouds. Furthermore, using images taken before and after a forest fire to examine the burned area results in a rapid shift because vegetation growth in South Korea began in April, making it difficult to detect. Because Sentinel-2 and Landsat 8/9 images from February to May are based on the same date, this study is able to compare the indices with a relatively high detection accuracy and gets over the temporal resolution limitation. The results of this study are expected to be applied in the development of new indices to detect burned areas and indices that are optimized to detect South Korean forest fires.
최근 들어 머신러닝을 이용한 산불 피해탐지 연구가 활발하게 이루어지고 있다. 본 연구는 산불 피해 탐지를 위한 다양한 지수들의 성능을 분석하였다. 이를 기반으로 머신러닝 모델의 입력인자 feature selection 단계에서 보다 정확도 높은 지수를 선정하여 실제 모델의 탐지 성능을 개선할 수 있을 것으로 생각된다.
7에 정리하였다. 본 연구에서는 가용가능한 위성을 교차 이용하여 산불 피해탐지 가능성을 분석하고자 하였다. 동일 위성 시리즈 간의 교차 이용은 가능하지만 타 위성 간의 교차이용을 통한 분석은 어렵다고 판단된다.
제안 방법
사용된 지수들은 기존 산불 피해 분석 연구에서 많이 사용된 6개의 지수를 선정하였다. 개별 지수들의 성능뿐만 아니라 시간해상도 개선을 위한 다중위성의 교차사용에 대한 산불 피해 탐지 정확도를 분석함으로써 위성별, 지수별 성능 평가를 통해 국내 산불 피해탐지를 위한 적용성을 평가하였다.
본 연구는 2022년 2월부터 5월까지 수집된 Landsat 8/9 위성과 Sentinel-2 위성의 Level 2 데이터(L2SP, L2A)를 기반으로 산불 피해 탐지를 위해 다양한 지수를 기반으로 산불피해탐지를 지도를 산출하고, 정확도와 정밀도, 재현율, F1 점수를 비교 및 분석하였다. 연구 지역은 우리나라 경상북도 울진군이며, 산불이 발생했던 시기는 2022년 3월 3일부터 3월 11일로 국내의 날씨가 여전히 춥고 건조했을 때이다.
본 연구에서는 2월부터 5월까지 가용가능한 위성을 교차 이용하여 산불 피해탐지 가능성을 분석하고, 시계열 분석을 수행하였다. 분석을 통해 Landsat 8/9, Sentinel-2A/B 등 동일 위성 시리즈 간의 교차 이용은 가능하지만 타 위성 간의 교차이용을 통한 분석은 어렵다고 판단되었다.
본 연구에서는 Landsat 8/9 영상과 Sentinel-2 영상을 이용하여 총 6개의 지수(dNBR, RdNBR, RBR, BAI, dNDVI, dGNDVI)를 산출하였다. Fig.
Landsat 8/9 영상과 Sentinel-2 영상의 경우 공간해상도에 차이가 있다. 본 연구에서는 bilinear resampling을 통해 20 m의 공간해상도로 모든 지수를 산출하고, 분석하였다.
Table 3는 본 연구에서 사용된 분광 지수와 계산식을 보여준다. 본 연구에서는 산불 이전의 NBR로부터 산불 이후의 NBR의 차인 dNBR 지수, 산불 이전의 NBR과 산불 이후의 dNBR을 혼합하여 계산하는 방식으로 변형 및 개발된 RdNBR과 RBR 지수가 분석에 사용되었다. 근적외선과 Red 파장대를 활용하여 계산한 BAI 지수도 사용되었다.
본 연구에서는 앞서 언급하였던 총 4개의 Landsat 8/9 및 Sentinel-2의 위성으로부터 수집된 다시기 영상 자료를 기반으로 단일 위성과 서로 다른 위성을 교차로 활용하여 분광 지수들을 계산하고, 각 지수들의 정확도를 평가 및 분석하였다. 사용된 지수들은 기존 산불 피해 분석 연구에서 많이 사용된 6개의 지수를 선정하였다.
산불 피해는 주로 Green, Red, 근적외선(near infrared red), 단파 적외선(single wave infrared red)의 합과 차를 통해 지수를 산출하여 산불로 인해 탄 지역과 타지 않은 지역을 구분하여 분석하였다. Table 3는 본 연구에서 사용된 분광 지수와 계산식을 보여준다.
대상 데이터
Landsat 8/9의 공간해상도는 30 m이고, Sentinel-2의 공간 해상도는 20 m이다. Landsat 8/9로 수집한 관측 자료의 Tile ID (Path/Row)는 114034이고, Sentinel-2의 Tile ID는 T52SEG이다. Table 2는 본 연구에서 수집된 위성영상의 취득 날짜를 보여준다.
Landsat 9는 16일의 재방문주기를 가지지만 Landsat 8과 같이 사용하는 경우 재방문주기를 8일로 줄여서 시간해 상도를 높일 수 있다는 장점이 있다. Landsat 8과 Landsat 9의 Level 1 Terrain Precision (L1TP), Level 2 Science Products (L2SP) 데이터는 현재 미국 지질조사국(United States Geological Survey, USGS)에서 관리 및 배포 중에 있으며, 기하 보정과 대기 보정이 완료된 Level 2 surface reflectance 데이터를 본 연구에서 사용했다.
Sentinel-2 A/B의 각 위성은 10일의 재방문주기를 갖고 있지만, Sentinel-2A 위성과 Sentinel-2B 위성을 모두 같이 사용하는 경우 5일의 재방문주기를 가진다. Sentinel-2 위성 관측 영상은 ESA의 코페르니쿠스 오픈 액세스 허브(Copernicus Open Access Hub)에서 제공하는 기하 보정 및 대기 보정이 적용된 Level 2 surface reflectance 데이터를 사용하였다.
연구 지역은 우리나라 경상북도 울진군이며, 산불이 발생했던 시기는 2022년 3월 3일부터 3월 11일로 국내의 날씨가 여전히 춥고 건조했을 때이다. 따라서 2월부터 5월까지 약3개월 정도의 다시기 자료로 수집하였으나 각 지수를 서로 다른 위성으로 비교 산출하는 것에는 다소 차이가 있어서 직접적으로 비교를 하기에는 어려웠다. 산불 피해에 오랜 기간 동안 적용된 dNBR 지수는 다른 지수들과 비교하였을 때 전반적으로 좋은 결과를 보였으며, RBR 지수 또한 높은 정확도의 산불 피해지역 탐지 결과를 보여주었다.
참조자료는 산불 후 가장 가까운 날짜인 2022년 3월 15일 Sentinel-2A 위성영상을 기반으로 제작하였으며, RGB 영상과 False Color (NIR-R-G) 영상을 이용하여 라벨링을 수행하였다. 보다 정확도 높은 참조자료 구축을 위해 Sentinel-2A의 해상도에서 구분이 애매한 산불 피해영역의 판단을 위해 PlanetScope 초소형 위성의 3월 10일, 5월 29일 영상과 Google Earth에서 제공하는 2022년 6월의 고해상도 영상을 추가적으로 참고하였다. 산불 피해 지역의 행정구역에 대한 구분 및 관련정보 구축은 지리정보플랫폼에서 긴급자료로 배포하고 있는 행정구역 자료를 활용하였다.
본 연구는 우리나라 경상북도 울진군에서 3월 4일 오전 11시 17분부터 3월 13일 오전 8시 30분까지 발생한 산불을 대상으로 수행되었다. 해당 산불 사례는 3월 4일 두천리 부근 산에서 발생하고 강원도 삼척시 원덕읍과 가곡면까지 확산되었는데, 산림청에 따르면 산불로 인한 피해 영향 구역은 총 20,923 ha이며, 그 중 울진군은 18,463 ha으로 집계되었다.
본 연구에서 분석에 사용된 Landsat 8/9, Sentinel-2 위성의 관측 자료는 산불발생 이전인 2022년 2월부터 산불발생 이후인 2022년 5월까지 수집된 데이터이며, 각각 기하 및 대기 보정이 완료된 L2SP, L2A 데이터이다(Table 1). Landsat 8/9의 공간해상도는 30 m이고, Sentinel-2의 공간 해상도는 20 m이다.
본 연구에서는 산불 피해를 입은 산림의 면적을 추정하기 위해서 Landsat 8/9 와 Sentinel-2 A/B 위성 자료를 활용하였다. Landsat 8은 2013년 2월 11일에 미국에서 발사되어 관측 임무를 수행하는 위성이다.
본 연구에서는 앞서 언급하였던 총 4개의 Landsat 8/9 및 Sentinel-2의 위성으로부터 수집된 다시기 영상 자료를 기반으로 단일 위성과 서로 다른 위성을 교차로 활용하여 분광 지수들을 계산하고, 각 지수들의 정확도를 평가 및 분석하였다. 사용된 지수들은 기존 산불 피해 분석 연구에서 많이 사용된 6개의 지수를 선정하였다. 개별 지수들의 성능뿐만 아니라 시간해상도 개선을 위한 다중위성의 교차사용에 대한 산불 피해 탐지 정확도를 분석함으로써 위성별, 지수별 성능 평가를 통해 국내 산불 피해탐지를 위한 적용성을 평가하였다.
보다 정확도 높은 참조자료 구축을 위해 Sentinel-2A의 해상도에서 구분이 애매한 산불 피해영역의 판단을 위해 PlanetScope 초소형 위성의 3월 10일, 5월 29일 영상과 Google Earth에서 제공하는 2022년 6월의 고해상도 영상을 추가적으로 참고하였다. 산불 피해 지역의 행정구역에 대한 구분 및 관련정보 구축은 지리정보플랫폼에서 긴급자료로 배포하고 있는 행정구역 자료를 활용하였다. Fig.
본 연구는 2022년 2월부터 5월까지 수집된 Landsat 8/9 위성과 Sentinel-2 위성의 Level 2 데이터(L2SP, L2A)를 기반으로 산불 피해 탐지를 위해 다양한 지수를 기반으로 산불피해탐지를 지도를 산출하고, 정확도와 정밀도, 재현율, F1 점수를 비교 및 분석하였다. 연구 지역은 우리나라 경상북도 울진군이며, 산불이 발생했던 시기는 2022년 3월 3일부터 3월 11일로 국내의 날씨가 여전히 춥고 건조했을 때이다. 따라서 2월부터 5월까지 약3개월 정도의 다시기 자료로 수집하였으나 각 지수를 서로 다른 위성으로 비교 산출하는 것에는 다소 차이가 있어서 직접적으로 비교를 하기에는 어려웠다.
이번 산불 사례는 국내에서도 그 규모가 컸던 대형 산불로, 극심한 피해를 입었던 경상북도 울진은 특별재난지역으로 지정되기도 하였다. 이번 산불 사례는 한반도에서 가장 건조한 시기인 3월에 발생한 산불로, 3월부터 5월의 걸친 다시기의 피해지역 차이를 분석하고자 울진군의 해당 산불 피해지 영상을 활용하였다, Fig. 1은 본 연구의 연구지역인 울진 산불 지역을 나타낸다.
참조자료는 산불 후 가장 가까운 날짜인 2022년 3월 15일 Sentinel-2A 위성영상을 기반으로 제작하였으며, RGB 영상과 False Color (NIR-R-G) 영상을 이용하여 라벨링을 수행하였다. 보다 정확도 높은 참조자료 구축을 위해 Sentinel-2A의 해상도에서 구분이 애매한 산불 피해영역의 판단을 위해 PlanetScope 초소형 위성의 3월 10일, 5월 29일 영상과 Google Earth에서 제공하는 2022년 6월의 고해상도 영상을 추가적으로 참고하였다.
본 연구는 우리나라 경상북도 울진군에서 3월 4일 오전 11시 17분부터 3월 13일 오전 8시 30분까지 발생한 산불을 대상으로 수행되었다. 해당 산불 사례는 3월 4일 두천리 부근 산에서 발생하고 강원도 삼척시 원덕읍과 가곡면까지 확산되었는데, 산림청에 따르면 산불로 인한 피해 영향 구역은 총 20,923 ha이며, 그 중 울진군은 18,463 ha으로 집계되었다. 이번 산불 사례는 국내에서도 그 규모가 컸던 대형 산불로, 극심한 피해를 입었던 경상북도 울진은 특별재난지역으로 지정되기도 하였다.
데이터처리
참조 자료에서 산불이 발생한 것으로 분류되고 분광 지수에서 산불로 분류된 경우 둘 다 산불 지역임으로 TP, 참조 자료에서 산불이 발생하지 않은 것으로 분류되고 분광 지수에서 산불로 분류된 경우 둘 다 산불 지역이 아닌 경우 TN으로 분류하였다. TP, TN, FP, FN 값을 이용하여 overall accuracy, precision, recall, F1-score를 아래 수식에 따라 산출하였으며 산불 피해 탐지 성능 평가를 위한 정확도 지표로 비교 및 분석하였다.
본 연구에서는 각 위성별로 산출된 분광지수와, 각 위성을 교차 이용하여 산출된 분광지수의 성능을 비교하기 위해 1,000개의 랜덤 샘플을 기반으로 정확도 평가를 수행하였다. 정확도 계산을 위해 True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN)를 산출하였다.
본 연구에서는 각 위성별로 산출된 분광지수와, 각 위성을 교차 이용하여 산출된 분광지수의 성능을 비교하기 위해 1,000개의 랜덤 샘플을 기반으로 정확도 평가를 수행하였다. 정확도 계산을 위해 True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN)를 산출하였다. 참조 자료에서 산불이 발생한 것으로 분류되고 분광 지수에서 산불로 분류된 경우 둘 다 산불 지역임으로 TP, 참조 자료에서 산불이 발생하지 않은 것으로 분류되고 분광 지수에서 산불로 분류된 경우 둘 다 산불 지역이 아닌 경우 TN으로 분류하였다.
이론/모형
근적외선과 Red 파장대를 활용하여 계산한 BAI 지수도 사용되었다. 산불이 발생 전과 산불 발생 이후의 식생차이를 기반으로 산불 피해 분석을 위해 정규식생지수인 Normalized Difference Vegetation Index (NDVI)를 이용하여 산불 이전의 NDVI 지수에서 산불 이후의 NDVI 지수의 차를 구한 dNDVI 지수를 사용하였다. 식생의 엽록소에 변화를 파악하기 위한 녹색정규식생지수 Green Normalized Difference Vegetation Index (GNDVI) 지수를 기반으로 산불 이전의 GNDVI에서 산불 이후의 GNDVI 지수의 차를 구한 dGNDVI 지수도 분석에 사용하였다.
산불이 발생 전과 산불 발생 이후의 식생차이를 기반으로 산불 피해 분석을 위해 정규식생지수인 Normalized Difference Vegetation Index (NDVI)를 이용하여 산불 이전의 NDVI 지수에서 산불 이후의 NDVI 지수의 차를 구한 dNDVI 지수를 사용하였다. 식생의 엽록소에 변화를 파악하기 위한 녹색정규식생지수 Green Normalized Difference Vegetation Index (GNDVI) 지수를 기반으로 산불 이전의 GNDVI에서 산불 이후의 GNDVI 지수의 차를 구한 dGNDVI 지수도 분석에 사용하였다.
성능/효과
여전히 오랜 연구에 걸쳐 사용되고 있는 dNBR 지수 또한 해외에서 최적화 및 개량을 거쳤던 RdNBR, RBR 지수와 같이 국내에 맞는 산불 지수를 개발 또는 최적화할 필요가 있다고 생각된다. RBR 지수가 국내 산불 사례에서도 dNBR 지수 못지 않게 좋은 성능을 내주었지만 Landsat 대비 공간 해상도가 높은 Sentinel-2A 영상과 비교하였을 때, Landsat 9 영상에서 더 좋은 결과를 보여주기도 했다. 시간 해상도가 높다고 하여 산불을 더 잘 탐지하는 것은 아니었으며 시간 해상도가 낮더라도 오히려 산불이 발생한 지 1개월이 지난 시점에서 더 잘 탐지하는 양상을 보였다.
6는 Landsat 8/9와 Sentinel-2A/B 각각을 동일 산출물로 보고 지수를 산출하여 서로 비교한 결과이다. dNBR 지수와 RBR 지수는 Landsat 8/9와 Sentinel-2A/B에서 각각 탐지된 모습은 서로 비슷해 보이는 양상을 보였으나, RdNBR 지수는 Sentinel-2A/B가 Landsat 8/9 대비 더 과도하게 탐지되는 양상을 보였다. BAI 지수는 여전히 Landsat 8/9의 BAI 지수가 더 잘 탐지되는 모습을 보였다.
전반적으로 Sentinel-2A와 Landsat 9에서 높은 정확도를 나타내며, 6개의 지수들 중 dNBR이 높은 탐지 정확도를 나타내었다. dNBR 지수의 OA 및 F1 점수는 Sentinel-2A, Landsat 9, Sentinel-2B, Landsat 8 순으로 높은 결과를 보여주었다. RdNBR 지수는 Fig.
6에서 산출된 지도의 정확도 비교 결과를 보여준다. dNBR과 RBR 지수에서 Landsat 8/9과 Sentinel-2A/B 모두 전반적으로 높은 정확도를 나타내었다. 두 개 지수에서 Sentinel-2A/B이 보다 높은 정확도를 보여주었다.
dNDVI와 dGNDVI 지수는 서로 반대되는 양상을 보였다. dNDVI 지수의 경우 Landsat 8/9의 영상을 이용한 경우 Sentinel-2A/B 영상 대비 잘 탐지되는 결과를 보여주고, dGNDVI 지수는 Sentinel-2A/B의 영상이 Landsat 8/9 영상 대비 더 잘 탐지하는 분포를 보여주었다.
앞서 설명했듯이 전반적으로 BAI의 경우 낮은 성능의 산불피해 탐지 정확도를 보여준다. dNDVI와 dGNDVI는 Landsat 8/9 영상이 Sentinel-2A 영상과 비교하였을 때 높은 정확도를 나타내었다. 특히, dNDVI와 dGNDVI에서 높은 정밀도 값이 나타나는데 이는 매우 적은 FP 때문이며, 이는 두 지수에서의 과소 탐지로 인해 실제로는 산불이 아닌데 산불로 탐지되는 케이스가 현저히 적어서 발생하였다.
dNBR과 RBR 지수에서 Landsat 8/9과 Sentinel-2A/B 모두 전반적으로 높은 정확도를 나타내었다. 두 개 지수에서 Sentinel-2A/B이 보다 높은 정확도를 보여주었다. RdNBR과 Landsat 8/9 기반의 BAI의 경우 과탐지 되는 경향으로 인해 높은 재현율과 낮은 정밀도 값을 보여준다.
본 연구에서는 2월부터 5월까지 가용가능한 위성을 교차 이용하여 산불 피해탐지 가능성을 분석하고, 시계열 분석을 수행하였다. 분석을 통해 Landsat 8/9, Sentinel-2A/B 등 동일 위성 시리즈 간의 교차 이용은 가능하지만 타 위성 간의 교차이용을 통한 분석은 어렵다고 판단되었다. 다양한 위성의 교차 이용을 위해서는 보다 상세하게 지역에 특화된 임계값을 설정하거나 혹은 통계 및 머신러닝을 활용한 분석이 필요하다고 생각된다.
16에 비해서 높은 값을 보이며, 불에 타지 않은 지역은 임계값보다 낮은 범위의 분포를 보였다. 불에 탄 지역에 대한 BAI 지수는 Sentinel-2가 Landsat 8/9에 비해 확연히 낮은 값을 가지는 것을 보이며, Sentinel-2B는 Sentinel-2A 대비 더 낮은 값을 가지는 것을 알 수 있었다. 그 반면, 불에 타지 않은 지역에 대한 BAI 지수는 Sentinel-2A가 Sentinel-2B 대비 더 안정적인 값의 양상을 보여주었다.
다양한 위성의 교차 이용을 위해서는 보다 상세하게 지역에 특화된 임계값을 설정하거나 혹은 통계 및 머신러닝을 활용한 분석이 필요하다고 생각된다. 비록 산불 전후로 많은 영상이 취득된다면 용이한 분석이 가능하겠지만, 산불이 발생한 직후 보다는 시간이 지난 시점에서 산불 피해지역을 더 잘 탐지하는 양상을 보였다. 따라서, 시간 해상도가 낮더라도 산불이 발생한지 시간이 다소 지난 영상을 활용하는 것이 피해지역을 더 잘 탐지할 수 있다고 생각한다.
따라서 2월부터 5월까지 약3개월 정도의 다시기 자료로 수집하였으나 각 지수를 서로 다른 위성으로 비교 산출하는 것에는 다소 차이가 있어서 직접적으로 비교를 하기에는 어려웠다. 산불 피해에 오랜 기간 동안 적용된 dNBR 지수는 다른 지수들과 비교하였을 때 전반적으로 좋은 결과를 보였으며, RBR 지수 또한 높은 정확도의 산불 피해지역 탐지 결과를 보여주었다. 한편, RdNBR 지수는 산불 피해지역을 지나치게 과도하게 탐지되는 양상으로 인해 오히려 산불 피해 지역이 아님에도 산불로 분류하는, 오탐지되는 영역이 많아 낮은 재현율로 인해 낮은 정확도를 나타내었다.
Table 4는 Landsat 8/9, Sentinel-2 각 위성에서의 지수별 Overall Accuracy (OA; 전체 정확도), Precision (정밀도), Recall (재현율), F1 Score (F1 점수)를 보여준다. 전반적으로 Sentinel-2A와 Landsat 9에서 높은 정확도를 나타내며, 6개의 지수들 중 dNBR이 높은 탐지 정확도를 나타내었다. dNBR 지수의 OA 및 F1 점수는 Sentinel-2A, Landsat 9, Sentinel-2B, Landsat 8 순으로 높은 결과를 보여주었다.
후속연구
우리나라 산불 피해탐지 수행을 위해 단순히 지수만을 이용함에 있어 어려움이 많다. 국내 산불을 대상으로 기존 피해 탐지 지수를 활용한 연구들이 수행되어 왔지만, 향후 연구에서는 최적화된 한국형 산불 피해탐지 지수를 개발 또는 기존 지수로부터 최적화할 필요가 있다고 생각한다. 최근 들어 머신러닝을 이용한 산불 피해탐지 연구가 활발하게 이루어지고 있다.
분석을 통해 Landsat 8/9, Sentinel-2A/B 등 동일 위성 시리즈 간의 교차 이용은 가능하지만 타 위성 간의 교차이용을 통한 분석은 어렵다고 판단되었다. 다양한 위성의 교차 이용을 위해서는 보다 상세하게 지역에 특화된 임계값을 설정하거나 혹은 통계 및 머신러닝을 활용한 분석이 필요하다고 생각된다. 비록 산불 전후로 많은 영상이 취득된다면 용이한 분석이 가능하겠지만, 산불이 발생한 직후 보다는 시간이 지난 시점에서 산불 피해지역을 더 잘 탐지하는 양상을 보였다.
박스 플랏 그림을 보면 알 수 있듯 심플한 임계값으로는 산불 피해지역을 정확하게 탐지하기 어렵다. 따라서, 다양한 지수의 특성을 반영한 통계 및 머신러닝 기반의 산불 피해 탐지연구가 필요하다고 생각된다.
또한, Box plot 분석을 통해 심플한 임계값으로는 산불 피해지역을 정확하게 탐지하기 어려움을 확인하였다. 본 연구의 한계점을 바탕으로, 정확도 높은 산불 피해지역 탐지를 위해서는 분광지수를 이용하여 산불 피해지역을 탐지하는 경우 각 위성 별로 연구지역에 맞는 지수를 최적화하고, 다양한 지수의 특성을 반영한 통계 및 머신러닝 기반의 산불 피해 탐지연구가 필요하다고 생각된다.
여전히 오랜 연구에 걸쳐 사용되고 있는 dNBR 지수 또한 해외에서 최적화 및 개량을 거쳤던 RdNBR, RBR 지수와 같이 국내에 맞는 산불 지수를 개발 또는 최적화할 필요가 있다고 생각된다. RBR 지수가 국내 산불 사례에서도 dNBR 지수 못지 않게 좋은 성능을 내주었지만 Landsat 대비 공간 해상도가 높은 Sentinel-2A 영상과 비교하였을 때, Landsat 9 영상에서 더 좋은 결과를 보여주기도 했다.
본 연구는 산불 피해 탐지를 위한 다양한 지수들의 성능을 분석하였다. 이를 기반으로 머신러닝 모델의 입력인자 feature selection 단계에서 보다 정확도 높은 지수를 선정하여 실제 모델의 탐지 성능을 개선할 수 있을 것으로 생각된다. 향후 연구에서는 우리나라에 최적화된 산불 지수 혹은 모델을 기반으로 보다 정확도를 높여 산불 피해 면적 산출에 활용할 수 있기를 기대한다.
이를 기반으로 머신러닝 모델의 입력인자 feature selection 단계에서 보다 정확도 높은 지수를 선정하여 실제 모델의 탐지 성능을 개선할 수 있을 것으로 생각된다. 향후 연구에서는 우리나라에 최적화된 산불 지수 혹은 모델을 기반으로 보다 정확도를 높여 산불 피해 면적 산출에 활용할 수 있기를 기대한다.
참고문헌 (24)
Alcaras, E., D. Costantino, F. Francesca, C. Parente, and M. Pepe, 2022. Normalized Burn Ratio Plus (NBR+): A New Index for Sentinel-2 Imagery, Remote Sensing, 14(7): 727. https://doi.org/10.3390/rs14071727
Chafer, C.J., M. Noonan, and E. Macnaught, 2004. The post-fire measurement of fire severity and intensity in the Christmas 2001 Sydney wildfires, International Journal of Wildland Fire, 13(2): 227-240. https://doi.org/10.1071/WF03041
Chuvieco, E., M.P. Martin, and A. Palacios, 2002. Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination, International Journal of Remote Sensing, 23(23): 5103-5110. https://doi.org/10.1080/01431160210153129
Fassnacht, F.E., E. Schmidt-Riese, T. Kattenborn, and J. Hernandez, 2021. Explaining Sentinel 2-based dNBR and RdNBR variability with reference data from the bird's eye (UAS) perspective, International Journal of Applied Earth Observation and Geoinformation, 95: 102262. https://doi.org/10.1016/j.jag.2020.102262
Fernandez-Manso, A., O. Fernandez-Manso, and C. Quintano, 2016. SENTINEL-2A red-edge spectral indices suitability for discriminating burn severity, International Journal of Applied Earth Observation and Geoinformation, 50: 170-175. https://doi.org/10.1016/j.jag.2016.03.005
Filipponi, F., 2018. BAIS2: Burned area index for Sentinel2, Multidisciplinary Digital Publishing Institute Proceedings, 2(7): 364. https://doi.org/10.3390/ecrs-2-05177
Gitelson, A.A., Y.J. Kaufman, and M.N. Merzlyak, 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS, Remote Sensing of Environment, 58(3): 289-298. https://doi.org/10.1016/S0034-4257(96)00072-7
Hammill, K. A. and R.A. Bradstock, 2006. Remote sensing of fire severity in the Blue Mountains: influence of vegetation type and inferring fire intensity, International Journal of Wildland Fire, 15(2): 213-226. https://doi.org/10.1071/WF05051
Jee, J.B. and Y.J. Choi, 2014. Conjugation of Landsat data for analysis of the land surface properties in capital area, Journal of the Korean Earth Science Society, 35(1): 54-68. https://doi.org/10.5467/JKESS.2014.35.1.54
Key, C.H. and N.C. Benson, 2006. Landscape Assessment (LA), In: Lutes, D.C., Keane, R.E., Caratti, J.F., Key, C.H., Benson, N.C., Sutherland, S., Gangi, L.J. (eds), FIREMON: Fire effects monitoring and inventory system, General Technical Reports RMRS-GTR-164-CD, USDA Forest Service, Rocky Mountain Research Station, Fort Collins, CO, USA, pp. 1-55.
Kokaly, R.F., B.W. Rockwell, S.L. Haire, and T.V. King, 2007. Characterization of post-fire surface cover, soils, and burn severity at the Cerro Grande Fire, New Mexico, using hyperspectral and multispectral remote sensing, Remote Sensing of Environment, 106(3): 305-325. https://doi.org/10.1016/j.rse.2006.08.006
Kovacs, K.D., 2019. Evaluation of burned areas with sentinel-2 using snap: The case of Kineta and Mati, Greece, July 2018, Geographia Technica, 14(2): 20-38. https://doi.org/10.21163/GT_2019.142.03
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. https://doi.org/10.1109/LGRS.2018.2888641
Leblon, B., L. Bourgeau-Chavez, and J. San-MiguelAyanz, 2012. Use of Remote Sensing in Wildfire Management, In: Curkovic, S. (eds), Sustainable Development - Authoritative and Leading Edge Content for Environmental Management, Intech Open, London, UK, pp. 55-82. https://doi.org/10.5772/45829
Lee, S.J., K.J. Kim, Y.H. Kim, J.W. Kim, and Y.W. Lee, 2017. Development of FBI(Fire Burn Index) for Sentinel-2 images and an experiment for detection of burned areas in Korea, Journal of the Association of Korean Photo-Geographers, 27(4): 187-202. https://doi.org/10.35149/jakpg.2017.27.4.012
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
Martin, M.P., I. Gomez, and E. Chuvieco, 2005. Performance of a burned-area index (BAIM) for mapping Mediterranean burned scars from MODIS data, Proc. of the 5th International Workshop on Remote Sensing and GIS Applications to Forest Fire Management: Fire Effects Assessment, Zaragoza, Spain, Jun. 16-18, pp. 193-198.
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. https://doi.org/10.1016/j.rse.2006.12.006
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. https://doi.org/10.1016/j.jag.2017.02.003
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. https://doi.org/10.3390/rs6031827
Roy, D.P., Y. Jin, P.E. Lewis, and C.O. Justice, 2005. Prototyping a global algorithm for systematic fire-affected area mapping using MODIS time series data, Remote Sensing of Environment, 97(2): 137-162. https://doi.org/10.1016/j.rse.2005.04.007
Santos, S.M.B.D., A. Bento-Goncalves, W. Franca-Rocha, and G. Baptista, 2020. Assessment of burned forest area severity and postfire regrowth in chapada diamantina national park (Bahia, Brazil) using dNBR and RdNBR spectral indices, Geosciences, 10(3): 106. https://doi.org/10.3390/geosciences10030106
Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Environment, 8(2): 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
Yang, C., J.H. Everitt, and J.M. Bradford, 2007. Using multispectral imagery and linear spectral unmixing techniques for estimating crop yield variability, Transactions of the ASABE, 50(2): 667-674. https://doi.org/10.13031/2013.22658
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.