DOI QR코드

DOI QR Code

Detection of Forest Fire and NBR Mis-classified Pixel Using Multi-temporal Sentinel-2A Images

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

  • Youn, Hyoungjin (Department of Geoinformatics Engineering, Namseoul University) ;
  • Jeong, Jongchul (Department of Geoinformatics Engineering, Namseoul University)
  • 윤형진 (남서울대학교 공간정보공학과) ;
  • 정종철 (남서울대학교 공간정보공학과)
  • Received : 2019.10.31
  • Accepted : 2019.12.18
  • Published : 2019.12.31

Abstract

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.

1. 서론

우리나라는 자연적인 발화로 인한 산불보다 인위적인 산불이 많이 나타나며, 발생하는 산불에 대하여 신속한 대응전략과 피해복구를 위한 후속 처리가 매우 중요하다. 인위적인 산불 발화는 담뱃불, 실화, 논·밭두렁 소각 등 인간의 부주의로 발생하는 경우가 많이 발생하며(Kim, 2014), 계절적 특성에 따라 3월에서 5월까지인 봄철에 자주 발생한다. 이는 건조한 연료, 적은 강수량, 강한 바람, 입산자의 증가가 주요 요인으로 작용한다 (Lee et al., 2001). 

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 임상별 분포는 소나무 단순림이 78.3%를 차지할 정도로 산림 대부분이 침엽수림으로 분포되어 있으며 산불 피해가 발생할 경우 활엽수종은 26~29 MJ/m2의 열량을 방출하고 침엽수종은 28~72 MJ/m2의 열량을 방출한다(Lee et al., 2009). 따라서 산불이 발생하였을 경우 국내 산림은 침엽수림의 비중이 높아 산불의 피해가 크게 발생한다. 산불 피해와 임상의 상관관계를 분석한 국내 연구는 Lee et al.(2008)의 연구가 있으며, 침엽수림이 활엽수림에 비해 산불 피해와 높은 상관성을 가진다고 제시하였다. 특히 생태지역 내 소나무림 패치의 크기가 크고 응집된 지역일수록 산불확산속도는 빨라 지고, 피해 면적이 커진다. 이러한 산불이 발생했을 경우 피해지역 탐지는 산불 예방과 더불어 피해복구 과정에서 중요하게 작용한다. 위성영상을 활용한 산불 피해 지역 탐지는 빠르게 넓은 면적에 대하여 피해 면적 집계 및 다중 분광 밴드를 활용하여 피해 정도 분류를 통한 후속 처리가 가능하다.

위성 원격탐사 기반 산불 피해지역 연구에서는 NBR (Normalized Burn Ratio)을 이용한 연구가 대표적으로 진행되었다.NBR식은 정규수분지수(NormalizedDifference Water Index, NDWI)와 같이 근적외선과 단파적외선을 활용한다. 식생 내의 수분은 단파적외선의 흡수율이 높으며, 수분함량에 따라 단파적외선 반사도에 차이를 보이고 높은 NBR값을 가지게 된다. NBR 증감을 이용하는 dNBR(difference Normalized Burn Ratio) 방식은 산불 피해과정에서 NBR을 활용하는 연구가 다수 존재한다 (Jin et al., 2012; Karau and Keane, 2010; Navarro et al., 2017; Lutz et al., 2011; Schepers et al., 2014). 하지만 NBR의 특성은 전후 영상 취득 과정에 있어서 서로 다른 계절이 존재하게 되면 산불 피해 지역 분별을 위한 임계치 설정 에 어려움이 따른다(Lee et al., 2017). Filipponi(2019)는 이를 보완하고자 Sentinel2 영상을 활용한 BAIS2(Burn Area Index for Sentinel-2) 산불 탐지 분광식을, Roteta et al.(2019)는 단파적외선 조합을 통한 MIRBI(Mid Infrared Burn Index)를 제시하여 기존의 NBR식보다 효과적인 산불 지수를 제시한 바 있다.

NBR을 적용한 산불피해탐지와 관련된 연구가 다수 진행된 바 있으며 특히 NBR과의 정확도 비교를 통한 연구가 대표적이다. 따라서 NBR을 국내 산불피해 지역에 적용하여 산불피해 경과를 제시하고 산림의 등급 변화를 세밀하게 제시하고 국내 산림에 대하여 NBR식 적용 시 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.

2. 연구방법

연구 대상지인 속초시는 2019년 4월 4일 발생한 산불의 시발점이며, 그와 동시에 산림과 주변 시가화 피해가 동시 발생하였다. Fig. 1은 본 연구에서 사용된 Sentinel2A영상과 연구 대상지의 위치를 나타낸다. 변화 탐지에 사용된 Sentinel-2A는 근적외선과 단파적외선의 파장 분 류가 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 영상 을 활용하였다. Table 1은 본 연구에 사용된 Sentinel-2A의 제원과 영상리스트를 나타낸다.

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.

Fig. 2. Location of three sample area and test area with Sokcho Sentinel-2A image (April 3rd,. 2019) and land cover map (forest).

Table 1. Specifications of input Sentinel-2A images used for forest fire damage assessment

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 4.5% 넓은 면적을 나타내고 있다. 산림을 분류하는 중분류 비 교 결과 임상도는 토지피복지도에 비해 침엽수림 5.7%, 활엽수림 3.7%, 혼효림 -0.49%의 면적 차이를 나타내는 것으로 확인된다.

Table 2. Area of forest type between land-cover map and forest type map

산불 피해 분류를 위해 사용된 NBR은 단파적외선과 근적외선을 이용하여 산림피해등급을 분류하는 지수다(Eq. 1). 산불 피해가 발생하지 않은 초목은 NIR반사도가 높게 나타나고 SWIR에서 낮은 반사율을 나타낸다. 따라서 높은 NBR 값은 비피해 지역의 산림을 나타내며, 낮은 값은 맨땅과 같이 타버린 지역을 나타낸다. 일반적으로 불에 타지 않은 지역의 경우 NBR 값은 0에 가까운 값을 나타낸다. 이를 활용한 dNBR은 산불 전후의 NBR 값의 차를 통해서 산림 피해의 피해등급을 추정할 수 있다(Eq. 2). dNBR값이 높을수록 더 심각한 손상을 나타내며, dNBR 값이 음수인 지역은 화재 발생 이후 식생의 재성장을 나타낸다. 하지만 dNBR은 지수 값의 차이와 더불어 현장검증을 통해 피해 등급을 분류하기 때문에 다양한 산림을 대상으로 정규화된 피해 등급 값을 제시하기 힘들며, 위성영상 피해 등급 분류를 위한 과정에서는 피해 강도에 따른 정의를 사전에 수립하고 현장검증을 통한 결과와 병행하여 검증 결과로 사용하는 것이 효과적이라고 판단된다(Won et al., 2007). USGS(United States Geological Survey)는 dNBR의 피해 등급 분류를 위해 위성 영상의 분석과 더불어 현장평가를 통해 각 값에 따른 피해등급표를 제시하였으며 Table 3과 같다.

\(N B R=\frac{N I R-S W I R}{N I R+S W I R}\)          (1)

\(\begin{array}{c} d N B R=\text {prefireNBR}-\text {PostfireNBR} \end{array}\)    (2)

본 연구의 전체적인 연구 흐름은 Fig. 3과 같다. 기존 의 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. dNBR 의 오류는 식생 완화 지역 중 NDVI 값이 낮은 부분으로 제시하였다. dNBR은 4월 8일과 5월 3일 사이의 dNBR 결과 중 가장 많은 식생 재성장이 발생한 지역 3곳을 선정하여 산점도를 통해 심층분석을 실시 하였다.

Table 3. Burn severity levels obtained calculating dNBR, proposed by USGS

Fig. 3. Study flow for change detection using dNBR and find mis-classification pixel

3. 연구결과

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 비피해 지역인 산림을 대상으로 임상별 NDVI 영상 변화를 확인하였으며 Fig. 4와 같다. 가장 급격한 식생 변화를 나타낸 임상은 침엽수림으로 4월 15일을 기준으로 식생 발달이 큰 폭으로 나타나며 5월 3일 높은 NDVI 값으로 변화한 것을 확인할 수 있다. 산불 발생 전 활엽수림은 산불 피해지역과 비피해 지역 모두 평균 0.35 이하의 NDVI 값을 나타내지만 산불 비 피해 지역의 경우 5월 3일 영상을 기준으로 가장 높은 평균 NDVI(0.74)를 나타낸다. 이와 반대로 침엽수림 산불 피해지역의 경우 산불 발생 전 가장 높은 NDVI 값(0.47)을 나타내지만 산불 이후 크게 감소하며 4월 20일 기준으로 3가지 임상 분류 중 가장 낮은 NDVI 값(0.22)을 보여주며 5월 10일 영상까지 가장 낮은 값을 나타낸다. 이는 침엽수림이 산불 발생 이후 하층 식생의 재성장이 느리게 나타나는 것을 확인할 수 있다.

Fig. 4. Comparing NDVI average from April 3rd to May 10th with value graph.

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 14.7 ha 중 침엽수림이 10.6 ha로 전체 면적의 72%를 나타낸다.

마지막 C지역의 경우 16.3 ha 중 침엽수림 6.9 ha, 활엽수림 4.2 ha, 혼효림 5.1 ha로 가장 골고루 면적이 분포된 지역이다. Fig. 5는 dNBR로 분류된 영상 기반 6개의 dNBR 분류 결과 지도를 나타낸다. A지역은 4월 15일까지는 식생 재성장이 분류되지 않았으나 4월 20일을 기준으로 0.15 ha로 분류되고 5월 3일을 기준으로 약 1.5 ha의 면적으로 증가하는 것을 확인할 수 있다. 이는 활엽수림의 식생 완화 및 하층 식생의 성장이 5월을 기준으로 크게 증가하는 것을 확인할 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 식생 증가를 보여주고 있으며 이를 통해 dNBR을 통한 침엽 수림 산불피해 식생 재성장은 오분류가 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.

Fig. 5. dNBR severity classification time series for 3 sample study area.

A, B, C 지역 모두 4월 15일과 5월 3일의 dNBR 사이에 큰 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 변화하는 과정을 판단하기 힘들며, 정확하지 못한 분류 결과를 제시할 수 있다고 판단하였기에 본 연구에서는 이를 산점도 형식으로 시기별 픽셀 분류 변화를 확인하였으며 Fig. 6과 같다.

Fig. 6. dNBR 2D scatter to find misclassification pixel, row for A-site to C-site and column to April 15th to May 8th.

각 지역별 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. 또한 ‘Low class’는 피해등급이 완화되었다고 분류되는 지역이며, ‘High class’는 피해등급이 상승한 지역을 뜻한다. 2D scatter 분류 결과에서 나타나는 청색 영역은 시기에 따라서 피해 등급이 상승한 픽셀이므로 산림피해의 잠복기 혹은 잔재에 따른 오차 부분으로 판단할 수 있다.

A, B, C 지역의 총 픽셀은 4,628개로 4월 15일은 84개(1.8%), 4월 20일은 65개(1.3%), 5월 3일은 35개(0.8%)의 픽셀이 비피해 분류(Unburned)에서 약소한 피해(Low severity)로 분류되었으며 이는 산림피해 발생 후의 피해 잠복기에 따른 등급 상승을 예로 들 수 있다. 특히 A 지역은 4월 8일에서 4월 15일로 변화함에 따라 비피해 분류에서 약소한 피해로 분류된 픽셀은 전체 픽셀 중 59개(3.82%)로 나타났다. 그 중 침엽수림 34개, 활엽수림 18개, 혼효림 7개로 나타났으며, 이는 면적당 픽셀값으로 분류하며 활엽수림은 4,552 m2/px, 침엽수림 1,881 m2/px, 혼효림 1,300 m2/px로 나타났다. A지역의 경우 활엽수림이 가장 넓은 면적(8.1 ha)를 나타내지만 오히려 침엽수림에서 피해 등급이 상승되는 잠복기 픽셀이 다수 발생하였다. 4월 20일의 경우 50(3.23%)개로 감소하였으며, 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.

4. 결론 및 고찰

본 연구에서는 2019년 4월 속초시에서 발생한 산불의 피해를 등급별로 분류하기 위하여 Sentinel-2A 영상을 활용하였으며 산불 발생 전 1개의 영상과 산불 발생 후 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.

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.

둘째, 시계열 분석 결과와 더불어 산점도를 활용하여 영상 픽셀 단위의 시계열 변화를 확인하였으며, 산림의 한달 간의 피해등급변화를 통해 산불 발생 이후 잠복기 및 하층 식생의 성장 가능성을 제시하였다.

본 연구는 Sentinel-2A 다시기 영상을 통한 변화탐지로 NDVI 변화폭이 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 등급분류는 USGS에서 제시한 외국 산불피해 특성을 기반으로 피해등급을 분류한 식이며 이를 국내에 적용시키기 위해선 dNBR값에 따른 현장검증 및 등급분류가 필요하다는 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.

사사

이 논문은 국토교통부 위성정보 활용센터 설립 운영 사업인 ‘국토위성정보 수집 및 활용기술개발’(과제번호: 18SIUE-B148326-01)의 연구비지원에 의해 수행되었습니다.

Acknowledgement

Supported by : 국토교통부

References

  1. Filipponi, F., 2019. Exploitation of Sentinel-2 Time Series to Map Burned Areas at the National Level: A Case Study on the 2017 Italy Wildfires, Remote Sensing, 11(6): 622. https://doi.org/10.3390/rs11060622
  2. Jin, Y.J. T. Randerson, S.J. Goetz, P.S.A. Beck, M.M. Loranty, and M.L. Goulden, 2012. The influence of burn severity on postfire vegetation recovery and albedo change during early succession in North American boreal forests, Journal of Geophysical Research, 117(G1): 1-15.
  3. Karau, E.C. and R.E. Keane, 2010. Burn severity mapping using simulation modelling and satellite imagery, International Journal of Wildland Fire, 19(6): 710-724. https://doi.org/10.1071/WF09018
  4. Kim, D.Y., 2014. Spatial Analysis for Forest Fire Using GIS, The Geographical Journal of Korea, 48(3): 325-336 (in Korean with English abstract).
  5. Lee, B.D., J.E. Song, M.B. Lee, and J.S. Chung, 2008. The Relationship between Characteristics of Forest Fires and Spatial Patterns of Forest Types by the Ecoregions of South Korea, Journal of Korean Forest Society, 97(1): 1-9 (in Korean with English abstract).
  6. Lee, H.P., S.Y. Lee and Y.J. Park, 2009. A Study on Combustion of Living Leaves for Various Coniferous Trees and Broadleaf Trees in Young dong Areas, Journal of the Korean Society of Safety, 24(4): 95-103 (in Korean with English abstract).
  7. 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 (in Korean with English abstract).
  8. Lee, S.Y., S.Y. Han, S.H. An, J.S. Oh, and M.H. Jo, 2001. Regional Analysis of Forest Fire Occurrence Factors in Kangwon Province, Korean Journal of Agriculture and Forest Meteorology, 3(3): 135-142 (in Korean with English abstract).
  9. Lutz, J.A., C.H. Key, C.A. Kolden, J.T. Kane, and J.W. Wagtendonk, 2011. Fire frequency, area burned, and severity: A quantitative approach to defining a normal fire year, Fire Ecology, 7(2): 51-65. https://doi.org/10.4996/fireecology.0702051
  10. 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
  11. Roteta, E., A. Bastarrika, M. Padilla, T. Storm, and E. Chuvieco, 2019. Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa, Remote Sensing of Environment, 222: 1-17. https://doi.org/10.1016/j.rse.2018.12.011
  12. Schepers, L., B. Haest, S. Veraverbeke, T. Spanhove, J.V. Borre, and R. Goossens, 2014. Burned area detection and burn severity assessment of a heathland fire in Belgium using airborne imaging spectroscopy (APEX), Remote Sensing, 6(3): 1803-1826. https://doi.org/10.3390/rs6031803
  13. Won, M.S., K.S. Koo, and M.B. Lee, 2007. An Quantitative Analysis of Severity Classification and Burn Severity for the Large Forest Fire Areas using Normalized Burn Ratio of Landsat Imagery, Journal of the Korean Association of Geographic Information Studies, 10(3): 80-92 (in Korean with English abstract).