[논문]VIIRS를 활용한 산불 피해 범위 추출 방법 연구

채한성; 안재성; 최진무

doi:10.7780/kjrs.2022.38.5.2.2

VIIRS를 활용한 산불 피해 범위 추출 방법 연구
Forest Fire Area Extraction Method Using VIIRS 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.2, 2022년, pp.669 - 683

채한성 (경희대학교 지리학과) , 안재성 (경일대학교 국토정보학부) , 최진무 (경희대학교 지리학과)

초록
AI-Helper

최근 20년간 산불의 빈도와 피해는 증가하는 경향이 있다. 산불에 효과적으로 대응하기 위해 산불 피해 규모와 범위 등 산불피해에 대한 정보를 잘 관리할 필요가 있다. 따라서 본 연구에서는 VIIRS 위성 영상을 이용하여 대형 산불의 피해 범위에 대한 정보를 빠른 주기로 추출하는 방법을 제시하고자 하였다. 이를 위해 2022년 3월 동해안 산불이 발생한 시기에 한반도를 관측한 VIIRS 자료를 확보하여 영상화하였다. VIIRS 영상은 ISODATA 기법을 활용하여 무감독 분류하였다. 이후 그 결과를 연소 지역과 화염의 위치의 관계를 이용하여 재분류하여 산불피해 범위를 추출하였다. 추출 결과는 검증 및 비교자료와 비교하였다. 비교 결과, 대형 산불의 경우 VIIRS 영상을 분류하여 추출한 것이 산불발생자료를 통해 추정한 것보다 더 정확한 것으로 나타났다. 본 연구를 통해 확인한 산불피해 범위 추출 방법은 산불 관리를 위한 피해 범위자료를 만드는 데 사용할 수 있다. 본 연구 방법을 자동화한다면 VIIRS 기반의 일별 산불피해 모니터링이 가능할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The frequency and damage of forest fires have tended to increase over the past 20 years. In order to effectively respond to forest fires, information on forest fire damage should be well managed. However, information on the extent of forest fire damage is not well managed. This study attempted to present a method that extracting information on the area of forest fire in real time and quasi-real-time using visible infrared imaging radiometer suite (VIIRS) images. VIIRS data observing the Korean Peninsula were obtained and visualized at the time of the East Coast forest fire in March 2022. VIIRS images were classified without supervision using iterative self-organizing data analysis (ISODATA) algorithm. The results were reclassified using the relationship between the burned area and the location of the flame to extract the extent of forest fire. The final results were compared with verification and comparison data. As a result of the comparison, in the case of large forest fires, it was found that classifying and extracting VIIRS images was more accurate than estimating them through forest fire occurrence data. This method can be used to create spatial data for forest fire management. Furthermore, if this research method is automated, it is expected that daily forest fire damage monitoring based on VIIRS will be possible.

주제어

표/그림 (11)

표 Table 1. Forest fire damage register information under study
표 Table 2. VIIRS wavelength and spatial resolution (NASA, 2021)
그림 Fig. 1. Two images with same original data: (a) Original VIIRS swath image without geolocation, (b) Geolocated VIIRS image.
그림 Fig. 2. Process of generating forest fire damage area information from VIIRS image data.
그림 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).
그림 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.
그림 Fig. 5. VIIRS image classification results map in Uljin-Samcheock region (a) and damaged area map (b) (March 5, 2022).
표 Table 3. Comparison of forest fire damage areas extracted from VIIRS images and Sentinel-2 images and VNP14IMG data
그림 Fig. 6. Forest fire damaged area extraction results in Uljin-Samcheock region: (a) 2022/03/05, (b) 2022/03/10, (c) 2022/03/15.
그림 Fig. 7. Forest fire damaged area extraction results in Gangneung-Donghae region: (a) 2022/03/05, (b) 2022/03/10.
그림 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).

AI 본문요약
AI-Helper

문제 정의

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.
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.
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.
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.

제안 방법

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.
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.
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.
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.
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.
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.
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.
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.
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.
화염과 연소 지역, 연기를 추출하기 위해 VIIRS 자료를 각각 I4-I5&M13 밴드와 I1-I3-M11 밴드, 그리고 전체 태양광 반사 밴드로 구성하였다

대상 데이터

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.
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.
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.
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.
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.
산불피해 범위를 추출하기 위한 자료인 VIIRS 영상 자료는 NASA Earthdata에서 취득한 VIIRS 자료로부터 변환하여 생성하였다. 수집한 VIIRS 자료는 VNP02IMG, VNP02MOD, VNP03IMG, VNP03MOD 데이터셋을 포함한다.
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.
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.
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.

이론/모형

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.
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 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.

성능/효과

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.
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).
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.

후속연구

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.
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.
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.
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.
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.

참고문헌 (36)

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

상세보기
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

상세보기
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

원문보기 상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

원문보기 상세보기
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?mnNKFS_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

원문보기 상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
Ministry of Government Legislation, 2021. Forest Protection Act, https://elaw.klri.re.kr/kor_service/lawView.do?hseq53816&langENG, 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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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

상세보기
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).
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

상세보기
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

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