Analysis of Burned Areas in North Korea Using Satellite-based Wildfire Damage Indices

위성기반 산불피해지수를 이용한 북한지역 산불피해지 분석

Abstract

Recent climate change can increase the frequency and damage of wildfires worldwide. It can also lead to the deterioration of the forest ecosystem and increase casualties and economic loss. Satellite-based indices for forest damage can facilitate an objective and rapid examination of burned areas and help analyze inaccessible places like North Korea. In this letter, we conducted a detection of burned areas in North Korea using the traditional Normalized Burn Ratio (NBR), the Normalized Difference Vegetation Index (NDVI) to represent vegetation vitality, and the Fire Burn Index (FBI) and Forest Withering Index (FWI) that were recently developed. Also, we suggested a strategy for the satellite-based detection of burned areas in the Korean Peninsula as a result of comparing the four indices. Future work requires the examination of small-size wildfires and the applicability of deep learning technologies.

최근 기후변화에 따라 세계적으로 산불이 빈번해지고 피해 규모가 커지면서, 이에 따른 산림 생태계 파괴, 인명 및 재산 피해가 증가하고 있다. 위성기반 산불피해지수는 객관적이고 신속한 산불피해지 파악을 가능하게 하고, 북한과 같이 접근이 불가능한 지역에 대한 분석에 유용하다. 이 단보에서는 전통적으로 사용되어 온 Normalized Burn Ratio (NBR)를 비롯하여, 식생활력도를 나타내는 Normalized Difference Vegetation Index (NDVI), 그리고 최근에 개발된 Fire Burn Index (FBI)와 Forest Withering Index (FWI)를 이용하여 북한지역 산불피해지 탐지를 수행하고, 4가지 지수의 비교 평가를 통해 한반도 적용 방안을 모색하였다. 향후 중소형 산불에 대한 적용가능성 검토와 딥러닝 영상인식의 활용 등이 추가적으로 연구되어야 할 것이다.

1. 서론

최근 기후변화에 따라 세계적으로 산불이 빈번해지고 피해 규모가 커지면서, 이에 따른 산림 생태계 파괴, 인명 및 재산 피해가 증가하고 있다. 산불 전후의 산림 변화는 위성영상의 분광특성에 반영되기 때문에, 위성 원격탐사를 통해 산불피해지 탐지와 피해면적 계산 및 피해등급 분류가 가능하다(Won et al., 2007). 대표적인 산불피해지수인 Normalized Burn Ratio (NBR) (Key and Benson, 2005)는 위성영상으로부터 식생수분 상태를 추정하여 산불피해지를 탐지하고 피해강도를 분석하는데 사용되어 왔다(Roy et al., 2019). 이러한 위성기반 산불피해지수는 북한과 같이 접근이 불가능한 지역의 산불 분석에 유용하게 활용될 수 있다. 2019년 4월 4일 남한에서 고성-속초 산불이 발생했을 때, 인근 북한지역인 강원도 통천군에서 2건의 산불이 발생하였다. 또한, 2022년 4월 9일에는 북한의 강원도 고성군 고성항 주변 야산에서 화재가 발생하여 이튿날 진화되었고, 2022년 4월 28일에는 강원도 철원군 북측 군사분계선(Military Demarcation Line, MDL) 일대에서 산불이 발생하여 남쪽으로 확산된 바 있다. 이 단보에서는 전통적으로 사용되어온 NBR을 비롯하여, 식생활력도를 나타내는 Normalized Difference Vegetation Index (NDVI), 그리고 최근에 개발된 Fire Burn Index (FBI) (Lee et al., 2017)와 Forest Withering Index (FWI) (Park et al., 2019)를 이용하여 북한지역 산불피해지 탐지를 수행하고, 4가지 지수의 비교 평가를 통해 한반도 적용 방안을 모색하고자 한다.

2. 자료와 방법

이 단보에서 산불피해지 탐지를 위해 사용한 위성영상은 European Space Agency (ESA)에서 제공하는 Sentinel-2 Multispectral Instrument (MSI) 자료이다. Sentinel-2는 쌍둥이 극궤도 위성 2A와 2B로 구성되며, 각각 2015년 6월과 2017년 3월에 발사되어 서로 180° 차이로 동일한 태양동기 궤도를 비행한다. Sentinel-2 MSI는 가시광선, 적색경계(Red Edge, RE), 근적외선(Near Infrared, NIR), 단파적외선(Shortwave Infrared, SWIR) 영역을 포함하는 13개 분광밴드로 구성되며, 가시광선과 근적외선 밴드의 공간해상도는 10 m이다(Table 1). 북한지역 Sentinel-2 영상은 대기보정 처리가 완료된 Level-2A를 사용하였으며, Table 2와 같이 산불 발생일에 가장 가까운 전·후 시기 청천(clear sky) 영상을 확보하였다.

Table 1. Spectral bands of Sentinel-2 MSI

Table 2. Sentinel-2 images before and after wildfires

산불피해지수 NBR은 수분이 충분한, 건강한 산림에서 근적외선 반사도가 높게 나타나고, 단파적외선 반사도가 낮게 나타나는 특성에 기초한다. NBR은 정규수분 지수(Normalized Difference Water Index, NDWI)와 동일하며, 식생의 수분이 적을수록 식생의 탄화정도가 큰 것으로 간주하는 것이다. 식(2)에서 dNBR은 산불발생 이전 시점의 NBR 값과 산불발생 이후 시점의 NBR 값의 차이로 계산하며, United States Geological Survey (USGS)에서 제시하는 dNBR 수치에 따른 피해 심각도(severity)분류는 Table 3과 같다(United Nations, 2022).

Table 3. dNBR level (United Nations, 2022)

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

dNBR = NBR_before - NBR_after (2)

FBI는 정상 산림과 불탄 산림에서 근적외선 반사도와 적색 대 녹색 반사도 비율(R/G)의 차이가 크게 나타나는 특성을 이용하여 개발된 산불피해지수이다(Lee et al., 2017)

\(\begin{aligned}F B I=\frac{\rho R / \rho G-\rho N I R}{\rho R / \rho G+\rho N I R}\\\end{aligned}\)       (3)

FWI는 녹색, 적색, 근적외선 반사도 조합에 대한 반복실험을 통해 산불피해지를 가장 잘 표현할 수 있는 가중치를 도출하여 구성한 지수이며(Park et al., 2019), dFWI는 산불 전후의 FWI 값의 차이로 산불피해지를 특정할 수 있다.

FWI = 0.3 × ρR +0.6 × ρNIR + 0.1 × ρG       (4)

dFWI = FWI_before – FWI_after       (5)

NDVI는 건강한 식생이 적색 광선을 주로 흡수하고 근적외선을 주로 반사하는 성질을 이용하여 식생활력도를 표현한 지수이며, dNDVI는 산불 전후의 NDVI 값의 차이로 산불피해지를 나타낼 수 있다.

\(\begin{aligned}N D V I=\frac{\rho N I R-\rho R}{\rho N I R+\rho R}\\\end{aligned}\)       (6)

dNDVI = NDVI_before – NDVI_after       (7)

이와 같은 4가지 산불피해지수를 북한지역 산불피해지 분석에 사용하였으며, 정상 산림과 불탄 산림을 구분하기 위한 임계치 설정에는 오츠(Otsu) 임계치법을 적용하였다. 오츠 임계치법은 두 클래스 내의 분산(intra-class variance)은 최소화하고 두 클래스 간의 분산(inter-class variance)은 최대화함으로써 두 클래스를 분별할 수 있는 임계치를 도출하는 것이다(Otsu, 1979).

3. 결과 및 토의

Fig. 1–4는 북한 지역의 산불피해지를 탐지한 결과이다. (a)와 (b)는 산불 이전과 이후의 Level-2A 천연색 영상이고, (c)와 (d)는 불탄 산림의 시인성을 높이기 위해 R-NIR-G 위색조합(False Color Composite, FCC)으로 만든 영상이다. (e)는 산불 이후 FBI 영상을 오츠 임계치법으로 이진분류한 것이고, (f)와 (g)는 산불 이전과 이후의 dFWI와 dNDVI 차영상에 대해 오츠 임계치법을 적용한 것이다. (e)는 USGS의 기준(Table 3)에 따라 dNBR이 0.1 이상인 화소를 산불피해지로 분류한 것이다. 오츠 임계치법을 적용한 FBI, dFWI, dNDVI 세 가지 지수의 결과는 크게 다르지 않았으며, 대체로 dNBR보다는 적은 피해지역이 산출되었는데, USGS 기준의 dNBR은 한반도에서 피해지역이 다소 많이 산정되는 경향이 있었다. Fig. 1–4의 위색영상 (d)와 비교해 보아도, USGS 기준의 dNBR은 일정정도 과대추정의 경향이 있음을 알수있다(Table 4, Fig. 5). 또한, dNDVI는 산탄잡음이 다소 눈에 띄는 특징이 나타났다. 이에, 한반도에서는 FBI나 dFWI가 상대적으로 유용할 것으로 사료되며, 단일 시기 영상에는 FBI를, 전·후 시기 영상에는 dFWI를 적용할 수 있다. 북한은 현장검증자료가 부재하기 때문에, 하나의 지수에 의존하기보다 여러 지수의 결과를 비교 평가하는 것이 보다 객관적인 피해면적 산정에 도움이 될 것이다.

Fig. 1. Tongcheon-gun wildfire case 1 (April 4, 2019): (a) R-G-B composite (Apr. 3), (b) R-G-B composite (Apr. 8), (c) R-NIR-G composite (Apr. 3), (d) R-NIR-G composite (Apr. 8), (e) FBI, (f) dFWI (g) dNDVI, and (h) dNBR.

Fig. 2. Tongcheon-gun wildfire case 2 (April 4, 2019): (a) R-G-B composite (Apr. 3), (b) R-G-B composite (Apr. 8), (c) R-NIR-G composite (Apr. 3), (d) R-NIR-G composite (Apr. 8), (e) FBI, (f) dFWI (g) dNDVI, and (h) dNBR.

Fig. 3. Goseong-gun wildfire (April 9, 2022): (a) R-G-B composite (Apr. 7), (b) R-G-B composite (Apr. 17), (c) R-NIR-G composite (Apr. 7), (d) R-NIR-G composite (Apr. 17), (e) FBI, (f) dFWI, (g) dNDVI, and (h) dNBR.

Fig. 4. Cheorwon-gun wildfire (April 28, 2022): (a) R-G-B composite (Apr. 27), (b) R-G-B composite (May. 17), (c) R-NIR-G composite (Apr. 27), (d) R-NIR-G composite (May. 17), (e) FBI, (f) dFWI, (g) dNDVI, and (h) dNBR.

Table 4. Summary of the fire-burned areas according to different indices

Fig. 5. dNBR-based wildfire damage maps: (a) April 4, 2019 (case 1), (b) April 4, 2019 (case 2), (c) April 9, 2022, and (d) April 28, 2022.

4. 결론

위성기반 산불피해지수는 객관적이고 신속한 산불 피해지 파악을 가능하게 하고, 북한과 같이 접근이 불가능한 지역에 대한 분석에 유용하다. 그러나 전통적으로 사용되어 온 dNBR을 USGS 기준으로 우리나라 산림에 적용하는 것은 적절하지 않으며, FBI, dFWI, dNDVI, 그리고 dNBR 등의 산불피해지수에 대해 유동적인(adaptive) 임계치를 적용하는 것이 필요하다. 최근 북한 지역의 산불 4건에 대한 분석을 통해, 단일 시기 영상에는 FBI를 전후 시기 영상에는 dFWI를 적용할 수 있음을 확인하였으며, 향후 다양한 산불피해지수를 비교분석 함으로써 현장조사가 불가한 북한지역의 산불피해지 탐지에 활용될 수 있을 것이다. 또한 중소형 산불에 대한 적용가능성 검토와 딥러닝 영상인식의 활용 등이 추가적으로 연구되어야 할 것이다.