DOI QR코드

DOI QR Code

Forest Fire Risk Analysis Using a Grid System Based on Cases of Wildfire Damage in the East Coast of Korean Peninsula

동해안 산불피해 사례기반 격자체계를 활용한 산불위험분석

  • Kuyoon Kim (Disaster Information Research Division, National Disaster Management Research Institute) ;
  • Miran Lee (Disaster Information Research Division, National Disaster Management Research Institute) ;
  • Chang Jae Kwak (Disaster Information Research Division, National Disaster Management Research Institute) ;
  • Jihye Han (Disaster Information Research Division, National Disaster Management Research Institute)
  • 김구윤 (국립재난안전연구원 재난정보연구실 ) ;
  • 이미란 (국립재난안전연구원 재난정보연구실 ) ;
  • 곽창재 (국립재난안전연구원 재난정보연구실) ;
  • 한지혜 (국립재난안전연구원 재난정보연구실 )
  • Received : 2023.08.18
  • Accepted : 2023.10.05
  • Published : 2023.10.31

Abstract

Recently, forest fires have become frequent due to climate change, and the size of forest fires is also increasing. Forest fires in Korea continue to cause more than 100 ha of forest fire damage every year. It was found that 90% of the large-scale wildfires that occurred in Gangwon-do over the past five years were concentrated in the east coast area. The east coast area has a climate vulnerable to forest fires such as dry air and intermediate wind, and forest conditions of coniferous forests. In this regard, studies related to various forest fire analysis, such as predicting the risk of forest fires and calculating the risk of forest fires, are being promoted. There are many studies related to risk analysis for forest areas in consideration of weather and forest-related factors, but studies that have conducted risk analysis for forest-friendly areas are still insufficient. Management of forest adjacent areas is important for the protection of human life and property. Forest-adjacent houses and facilities are greatly threatened by forest fires. Therefore, in this study, a grid-based forest fire-related disaster risk map was created using factors affected by forest-neighboring areas using national branch numbers, and differences in risk ratings were compared for forest areas and areas adjacent to forests based on Gangneung forest fire cases.

최근 기후변화로 인해 산불 발생이 빈번해지고 있으며, 산불의 크기도 대형화가 되고 있다. 우리나라 산불은 매년 100 ha 이상 산불피해가 지속적으로 발생하고 있다. 최근 5년간 강원도에서 발생한 대형산불의 90%는 동해안 지역을 중심으로 집중된 것으로 나타났다. 동해안 지역은 건조한 대기, 양간지풍 등 산불에 취약한 기후와 침엽수림의 산림 조건을 지니고 있다. 이와 관련하여 산불 발생 위험성 예측, 산불 위험도 산정 등 다양한 산불 분석과 관련된 연구들이 추진되고 있다. 기상 및 산림 관련 인자를 고려하여 산림지역에 대한 위험 분석에 관련된 연구는 많이 추진되고 있으나, 산림 인접 지역을 대상으로 위험도 분석을 수행한 연구는 아직 부족한 실정이다. 산림 인접 지역에 대한 관리는 인명과 재산 보호를 위해 중요한 일이다. 산림 인접한 주택 및 시설물들은 산불에 의해 큰 위협을 받게 된다. 이에 본 연구에서는 국가지점번호를 활용하여 산림 인근 지역에서 영향을 받는 인자들을 활용하여 격자기반 산불 관련 재난위험지도를 작성하고 강릉 산불 사례 기반으로 산림 지역과 산림 인접 지역을 대상으로 위험등급 차이를 비교하였다.

Keywords

1. 서론

최근 5년간(2016~2020년) 전국에서 발생한 재난피해 통계를 조사한 결과, 재산피해는 산불이 가장 높게 나왔다(Ministry of the Interior and Safety, 2022). 우리나라는 2017년부터 매년 100 ha 이상의 산불피해가 지속적으로 발생하고 있으며, 기후변화의 영향으로 연중화 및 대형화되고 있다(Korea Forest Service, 2022). 이렇게 지속적으로 발생하고 대형화되고 있는 산불 발생 패턴의 변화에 대응하기 위해 객관적인 정보를 활용하여 재난 위험분석을 수행해야 한다. 재난위험분석은 재난 및 안전사고를 발생시킬 수 있는 위험요인들을 분석평가 하는 것을 의미하며(The Seoul Institute, 2014), 재난위험분석은 방법과 목적에 따라 다양하게 활용되고 있으며 대상 범위에 따라 구분할 수 있다.

대상의 범위가 광역적일 경우, 현황데이터를 기반으로 하는 지표 기반 위험분석 모델을 활용하기도 한다. National Disaster Management Research Institute (2021)에서는 위해성, 노출성, 취약성 지표를 기반으로 위험 분석을 하고 전국을 대상으로 행정구역 단위로 위험도를 등급별로 산정한다. 또한, 지자체의 안전관리 및 인명 피해 최소화를 위해 매년 시행중인 지역안전지수는 전국 광역시·도, 시·군·구를 대상으로 하며 위해지표, 취약지표, 경감지표를 기반으로 지수를 산출하고 있다.

중앙부처 및 지자체 재난관리 담당자는 재난으로부터 국민의 생명과 재산을 보호하기 위해 다양한 노력을 하고 있으나 아직까지는 중앙 정부주도의 통합적인 재난관리가 실시되고 있어 지역적 특성을 고려한 재난관리가 필요하다(Shim and Choi, 2018). 재난관리에 있어 지역이 재난으로부터 얼마나 위험하고 취약한지에 대한 분석 및 평가는 필수적이다(Park et al., 2020). 지역의 안전정보를 제공하기 위해 위험분석모델을 활용하여 지역사회에 내재된 위험 요소를 사전에 발굴하고 재난 피해 최소화를 위한 재난 위험관리에서 고려할 사항은 구체화된 대상 파악과 다각적인 방면으로 재난위험분석이 선행되어야 한다.

아직까지 재난위험분석 정보는 행정구역 단위로 정보가 제공되고 있어 광범위하거나 단순 통계정보를 수치로 전달하면서 시·공간적 변화 특성을 파악하는데 정보의 효용성이 떨어진다. 기존 행정구역 단위의 정보해석 시 통계정보의 집계 범위가 상이하거나 결측 자료가 발생하는 등 공간정보 융합·분석 시 한계점이 있다. 행정구역의 한계점을 극복하기 위해 본 연구에서는 위험도 분석지표 설정과 격자 변환 데이터셋 구축을 거쳐 위험도 산정을 하였다. 지표 기반의 위험분석모델을 통해 산정된 위험도에 대해 공간정보 융합분석을 수행하여 취약한 지역과 시설의 위험구역에 대해 격자형태로 표출하였다.

현재 산불 위험 예측 및 취약지역 분석 등과 관련하여 산불 예방을 위해 산림청 및 다양한 연구자들이 고도화된 연구를 추진하고 있다. Kong et al. (2017)은 기상 자료와 위성자료를 활용하여 기상기반 산불위험지수와 위성기반 지면건조지수를 산출하고 우리나라 산불 발생에 대한 민감도 분석을 수행하였다. Lee and Park (2017)은 강원도 삼척시를 대상으로 산불 발생 행동을 예측하기 위해 기상특성, 착화특성, 발열량특성 등 연소 특성을 고려한 DB를 구축하고, GIS를 활용하여 산불위험지도와 위험등급화 지도를 작성하였다. Jeong et al. (2018)은 기상학적 산불위험도를 검증하기 위해 산불 기상지수를 활용하여 봄철에 대해 산불발생과의 상관성 분석을 수행하였다. Won et al. (2019)은 2019년도에 발생한 대형산불 직후 직간접적인 복사열과 수분 스트레스, 열 등으로 인한 수목의 열해 피해 변화를 분석하기 위해 다목적위성영상 영상자료를 활용하여 시간경과에 따른 산불 피해강도별 피해면적의 변화를 산정하였다. Lim and Chae (2022)는 강원도 영동 및 영서지역을 대상으로 지역별 산불 크기 및 행동 등을 예측하기 위해 산림 내 연료량에 따른 산불강도를 분석하고 강도에 따른 산불위험도를 분석하였다.

이처럼 산불 방지를 위해 기상 및 산림 관련 인자(수목, 연료 등)를 고려하여 산림지역에 대한 산불 관련 위험도 분석 연구는 많이 추진되고 있으나 인명피해, 건물 피해 등을 고려한 산림 인접 지역에 대한 위험도 산정에 관한 연구는 아직 부족한 실정이다. 산림 인접 지역은 산불의 발화원이자 주요 보호대상으로써, 이에 대한 관리를 위해 위험한 정도를 판정하는 것은 인명과 재산의 보호를 위해 매우 중요한 일이다(Park et al., 2012). 대형산불이 발생되면 산림 내에 위치한 주택을 비롯한 문화재 및 주요 시설물, 전력 등과 산림에 인접한 모든 시설물들이 산불의 위협을 받게 된다(Ryu et al., 2022). 이에 본 연구에서는 격자체계를 활용하여 산림 인접 지역에 영향을 주는 인구, 건물 등의 관련 영향인자를 활용하여 격자기반의 산불 관련 재난위험지도를 작성하고, 산불 사례를 기반으로 산불로 인한 소실지역과 산림 인접 지역의 위험등급이 차이가 발생하는지 분석하였다.

GIS에서 공간 처리 과정은 기존 자료로부터 변환도구를 통해 새로운 정보를 취득하여 분석 기능에 적용하여 그 결과를 새로운 자료에 기록하는 일련의 과정을 수행한다. 이러한 공간 처리 과정들을 서로 연결하여 작업 과정을 자동화하고 프로그래밍으로 모형화 하는 것이 모델 빌더(model builder)이다(Moon et al., 2013). 모델 빌더는 데이터의 일괄 처리뿐만 아니라 공간분석을 위한 모형개발 효율성을 위해 적용되는 도구로 복잡한 분석을 반복적인 과정을 통해 일괄적으로 처리할 수 있는 장점이 있다. 이에 본 연구에서는 QGIS에서 제공하는 모델 빌더의 기능인 그래픽 모델러(graphic modeler)를 활용하여 산불 관련 재난위험분석 자동화 모델러를 구축하였다.

2. 연구자료 및 방법

2.1. 연구지역

East Coastal Forest Fire Center of Gangwon Prevention Center (2021)에 따르면 2021년 기준 10년간 발생한 산불 건수 중 3.3%에 해당하는 건이 피해면적의 42.7%가 강원도 동해안 지역에서 발생한 것으로 나타났다. 동해안 지역은 건조한 대기, 양간지풍 등 산불에 취약한 기후와 침엽수림의 산림 조건을 지니고 있기에 최근 5년간 강원도에서 발생한 대형산불의 90%가 동해안 지역에 집중되었다. 따라서 본 연구에서는 2019년에 발생한 강릉 산불사례를 기반으로 강원도 동해안 지역을 대상으로 산불 관련 재난위험지도를 시범 구축하였으며, 구축한 재난위험지도 결과 검증을 위해 2023년 4월 11일에 발생한 강릉 산불 사례를 대상으로 산불 위험분석 검증을 수행하였다. Fig. 1은 연구지역 대상과 동해안 인근 지역을 시각화 하여 나타낸 것이다.

OGCSBN_2023_v39n5_2_785_f0001.png 이미지

Fig. 1. Forest fire-related research target area.

2.2. 활용자료

2.2.1. 격자기반 데이터

본 연구에서는 행정안전부에서 제공하는 국가지점 번호 자료를 기반으로 산불 관련 영향인자를 융·복합하여 산불 관련 재난위험지도를 작성하였다. 행정안전부에서 제공하고 있는 국가지점번호는 『도로명주소법』 제2조 제9항에 따라 “국토 및 이와 인접한 해양을 격자형으로 일정하게 구획한 지점마다 부여된 번호”로 정의된다. 국가지점번호는 단일평면직각좌표계의 원점인 UTM-K로부터 서쪽 300 km, 남쪽 700 km 지점을 기준점으로 정하고, 10 m, 100 m, 250 m, 500 m, 1 km, 10 km를 격자의 기본단위로 설정하고 있다. Fig. 2는 행정안전부에서 제공하는 국가지점번호 표현 방법을 시각화한 예시이며, Fig. 3은 격자 크기별로 나타내는 단위를 행정구역 단위와 비교하는 예시이다.

OGCSBN_2023_v39n5_2_785_f0002.png 이미지

Fig. 2. Country branch number (Ministry of the Interior and Safety, 2023).

OGCSBN_2023_v39n5_2_785_f0003.png 이미지

Fig. 3. District units expressed by grid size (National Geographic Information Institute, 2018).

국내에서는 개인정보보호, 지리적 형상, 통계적 유의성 확보 등을 고려하여 구축한 집계구를 최소 통계 구역으로 설정하고 있다(Korea Land and Geospatial InformatiX Corporation, 2019). 격자 크기 단위는 집계구 형태의 크기로 나타내면 100–500 m 격자 크기로 분류되어 있다. Statistics Research Institute (2022)는 국내·외 국가 간 활용하는 격자 단위를 비교하였고, 이와 관련해서 가장 많이 사용하는 격자 단위는 100 m이며, 격자 분석을 하는 경우 최대 250 m를 사용하라고 권장하였다. 이에 본 연구에서 활용한 격자 단위는 100 m로 선정하고 격자기반 데이터를 수집하였다.

2.2.2. 산불위험 관련 영향인자

산불 위험과 관련해서 다양한 인자가 존재하는데, 본 연구에서는 영향인자를 선정할 때 산불 위험이 발생하였을 때 산림지역 인근에 있는 농가, 건물, 인구 등 산불로 인해 피해를 입을 수 있는 영향인자 또는 산불 피해 영향을 주는 요소를 고려하였다. 또한, 위험 분석 시 단순 위치 정보를 표현하는 정보로 활용이 가능한 인자는 제외하고 활용가능한 속성값을 포함한 인자를 대상으로 영향인자를 고려하여 산불위험지수, 인구, 건물, 토지피복도, 화목보일러 농가, 산불취약지, 경사도 총 7개의 영향인자를 선정하였다. 산불 관련 재난위험지도를 작성하기 위해 각 기관별로 보유하고 있는 영향인자 자료를 수집 및 가공하였다.

산불위험지수는 산림청 국립산림과학원에서 2019년과 2023년 자료를 수집하여 활용하였다. 산불위험지수는 지형, 임상, 기상자료를 융합하여 행정구역 단위로 매시간 산불위험 상황을 제공해주는 자료이다. 인구 정보는 국토지리정보원 국토정보플랫폼에서 제공하는 2022년도 국토통계지도 자료를 수집하였다. 건물 정보는 국토교통부 국가공간정보포털에서 제공하는 GIS건물통합정보를 활용하였다. 토지피복도는 환경부 환경공간정보서비스를 통해 2021년도 세분류 토지피복도 자료를 수집하였다. 화목보일러 농가와 산불취약지는 동해안산불방지센터를 통해 텍스트 자료를 제공받아 활용하였다. 수치표고모델(digital elevation model, DEM) 자료는 10 m 해상도를 가진 데이터로 국토지리정보원을 통해 자료를 수집하였다. Table 1은 산불 관련 영향인자에 관해 수집한 정보이다.

Table 1. Current status of data collection for analysis of influencing factors related to forest fires

OGCSBN_2023_v39n5_2_785_t0001.png 이미지

2.2.3. 연구방법

본 연구에서는 재난위험지도를 작성하기 위해 데이터 수집, 데이터 가공, 격자체계 적용 등의 과정을 통해 산불 관련 재난위험지도를 작성하였다. 첫 번째는 산불 관련 영향인자를 수집하기 위해 각 기관 서비스 및 협조를 통해 자료를 수집하였다. 두 번째는 수집된 자료의 속성 테이블 및 도형 정보를 확인하여 중복값, null 값 등 이상치를 처리하고, 텍스트 형태의 비공간 자료에 대해서는 주소정제를 수행하고 지오코딩(geocoding) 작업을 통해 공간데이터로 구축하였다. 세 번째는 가공된 공간정보 자료는 국가지점번호 자료를 활용하여 격자기반 재난위험지도를 작성하였다. 또한, 구축하는 과정에서 벡터(vector) 기반의 자료 구축 방법을 소요되는 시간을 축소시키기 위해 래스터(raster) 기반의 자동화 모델러를 구축하였다. 마지막으로, 구축한 자동화 모델러를 활용하여 산불 발생으로 인한 소실지역과 산림 인접 지역의 등급을 비교하여 재난위험지도의 등급을 검증하였다. Fig. 4는 본 연구에서 수행된 연구방법 흐름을 나타낸 것이다.

OGCSBN_2023_v39n5_2_785_f0004.png 이미지

Fig. 4. Research flow chart.

3. 데이터 구축

3.1. 기초 데이터 구축

국토지리정보원에서 수집한 인구정보는 100 m 격자로 되어있는 데이터로 속성정보 중 인구수를 가공하여 활용하였다. 속성정보 중 데이터에 null 값과 0이 포함되어 있는데, 0값은 인구통계 처리 시 5명 이하의 통계값은 예외 처리되어 0명으로 값이 산정되었으며, null 값도 인구수가 없기 때문에 데이터로 활용하기 어렵다. Fig. 5는 인구 5명 이하를 처리하는 방법에 대해 나타낸 것이다(National Geographic Information Institute, 2016). 0값으로 처리된 데이터를 최대 인원인 5명으로 변경하고 null을 0명으로 속성 정보를 가공하였다.

OGCSBN_2023_v39n5_2_785_f0005.png 이미지

Fig. 5. Statistical value exception handling process for less than 5 people (National Geographic Information Institute, 2016).

국토교통부에서 수집한 건물 정보는 폴리곤(polygon) 형태로 되어 있는 데이터로 속성정보 필터를 통해 null 값, 중복된 주소, 중복 도형 등 불필요한 정보를 제거하였다. 건물 데이터 중 중첩되는 도형이 존재하여 디졸브(disolve) 기능을 사용하여 하나로 생성하고 다중부분을 단일부분으로(multipart to single part) 기능을 사용하여 디졸브된 건물 데이터를 개별 데이터로 가공하였다. 또한, 건물 정보를 활용하기 위해 건물 면적을 산정하였으며, 1평(3.3 m2)을 기준으로 데이터 구축 시 오류 발생을 방지하기 위해 1평 이하의 면적 데이터를 제거하였다. Fig. 6는 인구와 건물 데이터를 가공하여 나타낸 결과이다.

OGCSBN_2023_v39n5_2_785_f0006.png 이미지

Fig. 6. Data processing results: (a) population and (b) building.

환경부에서 수집한 토지피복도는 건물과 동일한 과정으로 데이터를 가공하였으며, 농업지역과 산림지역에 대한 데이터를 추출하기 위해 속성정보에서 필터를 적용하여 대분류 코드에서 필요한 데이터를 추출하였다. 본 연구에서는 토지피복도를 활용하여 산림지역 경계를 추출하고 산림 내 지역과 산림 인접 지역으로 분류하여 인구, 건물, 농업지역 데이터를 결합하고 분석을 수행하였다.

산림 내 지역은 산림 경계와 인구, 건물, 농업지역 데이터가 교차 또는 포함되는 영역을 추출하였다. 산림보호법 시행규칙 제28조에 의하면 산림 경계로부터 100 m 이내에 위치한 지역을 산림 인접 지역이라 정의하여 이를 기반으로 산림 경계로부터 100 m 거리를 버퍼(buffer) 기능을 활용하여 인접 지역을 생성하였다. 버퍼로 생성한 산림 인접 지역 경계는 산림경계와 중복되는 경계가 존재하여 대칭 빼기(symmetrical difference) 기능을 사용하여 산림 인접 경계 데이터를 구축하였다. 산림 내 지역과 동일한 과정으로 산림 인접 지역의 인구, 건물, 농업지역 데이터를 구축하였다. Fig. 7은 산림 내·외 지역에 포함된 인구, 건물, 농업지역을 나타낸 결과이다.

OGCSBN_2023_v39n5_2_785_f0007.png 이미지

Fig. 7. Data processing results: (a) in-forest area and (b) forest adjacent area.

산불위험지수 데이터는 읍·면·동 단위, 산불취약지는 읍·면·동과 리 단위로 되어 있는 텍스트 자료로 행정구역 경계 데이터를 활용하여 공간데이터로 가공하였다. Fig. 8은 산불위험지수와 산불취약지를 공간정보로 변환한 결과이다.

OGCSBN_2023_v39n5_2_785_f0008.png 이미지

Fig. 8. Data processing results: (a) forest fire risk index and (b) forest fire vulnerable area.

화목보일러 농가현황은 주소 기반으로 되어 있는 텍스트 자료로 주소정제를 수행하고 정제한 데이터를 지오코딩을 수행하였다. 경사도는 10 m 해상도 DEM 데이터를 활용하여 구축하였다. Fig. 9는 화목보일러 농가 현황과 경사도 데이터를 구축한 결과이다.

OGCSBN_2023_v39n5_2_785_f0009.png 이미지

Fig. 9. Data processing results: (a) farmhouses using wood-fired boilers and (b) slope.

3.2. 격자기반 데이터 변환

본 연구에서는 국가기지점번호 100 m 데이터를 활용하여 동해안 지역대상으로 산불위험지도를 구축하였다. 해당 지역 경계는 동해안 일대에 속하는 시·군·구와 동해안 일대 주변지역을 포함하여 구축하였다. 앞서 언급한 구축한 기초데이터와 국가지점번호를 활용하여 격자기반 데이터를 구축하였다. 산불위험지수는 강릉 산불 사례에 해당되는 자료를 기반으로 격자 데이터로 변환하였다. 산불취약지는 산불취약등급이 반영된 폴리곤 형태 자료 기반으로 이를 격자 위치별 산불취약등급 값을 추출하여 격자 데이터를 구축하였다. Fig. 10은 산불위험지수와 산불취약지를 격자 데이터로 구축한 결과이다.

OGCSBN_2023_v39n5_2_785_f0010.png 이미지

Fig. 10. Grid data processing results: (a) forest fire risk index and (b) forest fire vulnerable area.

화목보일러 농가현황은 점 자료를 기반으로 위치별점을 격자에 반영하여 데이터를 구축하였다. 래스터 형태로 되어있는 경사도는 포인트 샘플링 작업을 통해 벡터 기반의 점으로 변환하고 100 m 격자경계와 위치에 따른 속성결합을 통해 데이터를 구축하였다. Fig. 11은 화목보일러 농가현황과 경사도를 격자 데이터로 구축한 결과이다.

OGCSBN_2023_v39n5_2_785_f0011.png 이미지

Fig. 11. Grid data processing results: (a) farmhouses using wood-fired boilers and (b) slope.

산림 내·외 인구는 기존 자료 형태가 100 m 크기의 격자라 기초데이터에서 가공한 결과를 활용하였다. 산림 내·외 건물과 농업지역은 격자경계를 기반으로 위치에 포함되는 건물, 농업지역과 속성결합을 시켜 격자 데이터를 구축하였다. Fig. 12는 산림 내·외 인구, 건물, 농업 지역을 격자 데이터로 구축한 결과이다.

OGCSBN_2023_v39n5_2_785_f0012.png 이미지

Fig. 12. Grid data processing results: (a) in-forest area and (b) forest adjacent area.

4. 재난위험지도 작성결과 및 검증

4.1. 격자기반 재난위험지도 작성

강원도 동해안 일대의 광역적 범위를 대상으로 하는 산불위험을 분석하기 위해 유엔 재난위험경감사무국(UN Office for Disaster Risk Reduction)에서 분류하는 재난위험지표인 위해성, 노출성, 취약성 기반의 모델을 적용하였다. 산불 위험도를 산정하기 위해 식(1)에서 제시하는 모델을 적용하였다. 기상과 임상(연료), 지형분포에 따른 산불위험을 등급화 한 산불위험지수의 값은 산불 발생과 직접적인 영향을 미칠 수 있다. 따라서 위해성 지표로 활용된 산불위험지수는 노출성과 취약성 지표와의 종속적인 관계로 설정하였다.

위험도(Risk) = 위해성(Hazzard) × {노출성(Exposure) + 취약성(Vulnerability)} (1)

본 연구에서의 산불 관련 재난위험분석은 산불 발생 상황별 및 지역별 재난위험을 분석하기 위한 목적으로서 상대적 위험도를 도출하였다. 산불 위험도는 각 지표값을 지표별 측정 데이터의 합을 정규화 하여 0과 1 사이의 값으로 분포시켰다. 이는 지표별 동일한 가중치를 부여하기 위함이다. 이와 같이 산출된 위험도는 5개 등급으로 분류하였으며, 이를 기반으로 2019년 강릉 산불 사례에 대한 격자기반 재난위험지도를 작성하였다. Fig. 13은 2019년 강릉 산불 사례 관련 재난위험지도를 작성한 결과이다.

OGCSBN_2023_v39n5_2_785_f0013.png 이미지

Fig. 13. Result of creating a disaster risk map related to the Gangneung forest fire in 2019.

4.2. 자동화 모델 구축

제작한 산불 관련 재난위험지도는 자료 수집 단계부터 지도를 제작하기까지 모두 수동으로 구축하였으나, 오랜 시간이 소요되는 벡터 기반 과정을 새로운 정보를 반복적으로 취득하고 분석하는데 효율성이 떨어지는 단점을 줄이기 위해 QGIS에서 제공하고 있는 그래픽 모델러 도구를 활용하여 자동화 모델을 구축하였다. 본 연구에서 구축한 모델러 과정은 수집 자료의 공간 및 래스터 기반의 격자 데이터 구축(1단계), 재난위험분석 모델 적용(2단계), 재난위험지도 표출(3단계) 등의 단계를 거쳐 자동화 모델을 구축하였다. Fig. 14는 단계별 자동화 모델러 프로세스를 나타낸 결과이다.

OGCSBN_2023_v39n5_2_785_f0014.png 이미지

OGCSBN_2023_v39n5_2_785_f0015.png 이미지

Fig. 14. Forest fire-related disaster risk map automation model process. (a) Build spatial datasets related to wildfires. (b) Building a grid dataset for wildfires. (c) Forest fire related impact calculation and risk rating calculation.

4.3. 위험등급 정확도 검증

구축한 자동화 모델러를 활용하여 2023년 4월 11일에 발생한 강원도 강릉시 지역 내 발생한 산불 사례를 기반으로 분석하였다. 해당 일자의 강릉 지역은 산불위험지수 데이터는 13시에 해당되는 평균값이 가장 높아 13시 시간대의 산불위험지수 데이터를 활용하였다. Fig. 15는 산불 자동화 모델 프로세스 과정을 통해 생산된 결과이다.

OGCSBN_2023_v39n5_2_785_f0016.png 이미지

Fig. 15. Case analysis result using automated modeler for 2023 Gangneung forest fire.

본 연구에서는 산림 인접 지역의 범위가 실제 위험한지 파악하기 위해 소실지역을 중심으로 산림 인접 지역을 추출하고 해당 범위에 대하여 정량적인 비교를 통해 검증하였다. 2023년 4월 11일 강릉 지역에서 발생한 산불 당시 강릉시의 평균 위험등급은 1.0으로 산출되었다. 산불 피해가 추정되는 소실지역에서는 1.3의 위험등급이 나타났고, 소실지역과 인접한 지역에서는 소실지역보다 높은 2.2의 위험등급이 산출되었다. 따라서 산불위험분석 모델의 알고리즘과 데이터 관계로 볼 때 산림지역에 해당하는 소실지역보다 건물, 농지, 인구가 분포된 인접지역에 대한 위험등급이 상대적으로 높은 것은 결과의 적정성이 검증되는 것으로 판단할 수 있다. Table 2는 강릉 산불 피해지역의 위험등급 산정 결과이며, Fig. 16과 Fig. 17은 소실지역과 인접지역에 대한 공간적 분포를 나타낸 결과이다.

Table 2. Verification of risk rating results by district in Gangneung

OGCSBN_2023_v39n5_2_785_t0002.png 이미지

OGCSBN_2023_v39n5_2_785_f0017.png 이미지

Fig. 16. Risk rating result for Gangneung forest fire.

OGCSBN_2023_v39n5_2_785_f0018.png 이미지

Fig. 17. Ambient risk rating result for Gangneung forest fire.

5. 결론

기존 재난관리 업무 담당자는 행정구역 단위의 지도를 활용하여 재난대응, 재난예방 등의 업무를 수행하였다. 행정구역은 모양과 면적이 불규칙하고 시간의 흐름에 따라 경계가 조정되어 형태나 면적이 변화할 수 있다. 또한 각 지역마다 인구 편차가 커서 유의미한 공간적 통계치를 제공하기 힘든 특징을 가지고 있다(Jang, 2021). 이러한 한계를 극복하고자 본 연구에서는 격자 체계를 활용하여 강원도 강릉 산불 사례(2019, 2023)를 기반으로 산불 관련 재난위험분석을 수행하였다.

본 연구에서는 100 m 단위의 국가지점번호를 활용하여 격자기반 재난위험지도를 작성하였지만 작성하는 과정에서 한계점도 발생하였다. 활용된 격자경계는 위치적 속성과 장소적 특성을 가지는 벡터 데이터로 가공시 오랜 시간이 소요되었다. 표현하는 목적에 따라 격자 크기 종류가 달라지며, 크기가 작아질수록 정밀해지기 때문에 가공 속도 차이가 발생한다. 오랜 시간이 소요되는 벡터 기반의 반복적인 분석 과정을 축소시키기 위해 래스터 기반의 과정으로 변환하는 자동화 모델러를 구축하여 한계점을 극복하였다.

다양한 재난안전 데이터를 융합하고 분석하여 공간상에 표출하는 것이 피해가 발생한 지역에 대해 사전에 예방할 수 있는 측면에서 재난위험지도를 활용하는 것은 중요하다. 현재 제공되고 있는 산림청의 산불위험지도는 지역별 산림 특성을 고려한 산불 위험관리를 지원하는데 중점을 두고 있다. 본 연구에서는 산림이 주된 목적이 아닌 산림 인근지역에 분포되어 있는 인구, 건물, 농업지역을 대상으로 피해등급을 파악하기 위해 격자기반의 산불 관련 재난위험분석을 수행하였다. 격자 기반으로 분석한 전체 자료 중 산림 인접 지역에 해당되는 분석된 격자 결과인 산림 인접 지역은 2.2, 소실지역은 1.4로 산불로 인한 인구, 건물, 농업지역과 같이 산불로 인해 피해를 받는 타 영향인자를 고려했을 때 산림 인접 지역 위험등급이 더 높다는 것을 확인하였다.

산림청의 산불위험지도는 행정구역 단위로 산불위험 지수를 활용하여 지역별 위험등급을 표출하고 있으나, 지역별로 상세한 정보를 제공하기 어렵다(Kang et al., 2019). 본 연구에서는 이러한 차별점을 해소하기 위해 상세한 단위로 정보를 제공할 수 있는 격자체계를 활용하였으며, 산림 인접지역의 피해를 최소하기 위해 인구, 건물, 농업지역 인자를 고려하여 위험등급을 확인할 수 있는 재난위험지도를 작성하였다. 현재 작성된 재난위험지도는 산불로 인해 피해 받는 영향인자만 고려되어 온도, 풍속, 풍향 등과 같은 실시간 요소인 기상상황과 같은 인자들은 반영되지 않았다. 산림관리, 산불 피해예방, 인접지역 주민대피 등 다양한 방면에서 국소적인 범위를 대상으로 활용하기 위해서 격자기반 산불 관련 재난위험지도에 실시간성이 반영된 영향인자를 고려해야 된다고 사료된다.

사사

이 논문은 국립재난안전연구원 “재난안전정보기반 재난상황판단을 위한 인지기술 개발(주요연구-2022-03-01)” 과제의 지원으로 수행되었습니다.

Conflict of Interest

No potential conflict of interest relevant to this article was reported.

References

  1. East Coastal Forest Fire Center of Gangwon Prevention Center, 2021. Gangwon-do east coast forest fire investigation and identification data book (2011-2020). East Coastal Forest Fire Center of Gangwon Prevention Center.
  2. Jang, M. H., 2021. A study on the improvement of rural diagnosis using spatial big data and a grid system. The Geographical Journal of Korea, 55(2), 155-170. https://doi.org/10.22905/kaopqj.2021.55.2.2
  3. Jeong, J. Y., Woo, S. H., Son, R. K., Yoon, J. H., Jeong, J. H., Lee, S. J., and Lee, B. D., 2018. Spring forest-fire variability over Korea associated with large-scale climate factors. Atmosphere, 28(4), 457-467. https://doi.org/10.14191/Atmos.2018.28.4.457
  4. Kang, Y. J., Park, S. M., Jang, E. N., Im, J. H., Kwon, C. G., and Lee, S. J., 2019. Spatio-temporal enhancement of forest fire risk index using weather forecast and satellite data in South Korea. Journal of the Korean Association of Geographic Information Studies, 22(4), 116-130. https://doi.org/10.11108/kagis.2019.22.4.116
  5. Kong, I., Kim, K., and Lee, Y., 2017. Sensitivity analysis of meteorology-based wildfire risk indices and satellite-based surface dryness indices against wildfire cases in South Korea. Journal of Cadastre & Land InformatiX, 47(2), 107-120. https://doi.org/10.22640/lxsiri.2017.47.2.107
  6. Korea Forest Service, 2022. 2021 wildfire statistical yearbook. Korea Forest Service.
  7. Korea Land and Geospatial InformatiX Corporation, 2019. A study on location intelligence of open data based on spatial information. Korea Land and Geospatial Informatix Corporation.
  8. Lee, H., and Park, Y., 2017. A study on mapping forest fire risk using combustion characteristic of forest fuels: Focusing on Samcheok in Gangwon-do. Journal of the Korean Society of Disaster Information, 13(3), 296-304. https://doi.org/10.15683/kosdi.2017.09.30.296
  9. Lim, C. J., and Chae, H., 2022. Predicting forest fire danger using fuel characteristics of forest. Journal of the Korean Society of Hazard Mitigation, 22(6), 125-132. https://doi.org/10.9798/KOSHAM.2022.22.6.125
  10. Ministry of the Interior and Safety, 2022. 2021 calamity yearbook. Ministry of the Interior and Safety.
  11. Ministry of the Interior and Safety, 2023. National branch number that informs rescue location, can be checked anywhere in dangerous moments. Ministry of the Interior and Safety.
  12. Moon, C., Lee, J., and Shin, S., 2013. Development of calculating model for hydrological geographic parameters using ArcGIS modelbuilder, Journal of the Korean GEO-environmental Society, 14(2), 19-29.
  13. National Geographic Information Institute, 2016. National territory information platform national territory statistical map utilization guide. National Geographic Information Institute.
  14. National Geographic Information Institute, 2018. 2018 National territory monitoring report. National Geographic Information Institute.
  15. Park, H. S., Lee, S. Y., Lee, B. D., and Koo, K. S., 2012. The basic study on forest fire danger assessment for facilities in WUI. In Proceeding of the Korea Institute of Fire Science and Engineering Conference, Daegu, Republic of Korea, May 3-4, pp. 456-459.
  16. Park, J., Park, C., An, J., and Yoon, H., 2020. An assessment method for evaluating vulnerability to regional disasters and its application to disaster due to heavy rain. Journal of the Korean Society of Hazard Mitigation, 20(1), 151-161. https://doi.org/10.9798/KOSHAM.2020.20.1.151
  17. Ryu, J. Y., Kim, S. Y., Seo, K. W., and Kwon, C. G., 2022. A study on the wildland fire risk assessment of cultural properties in wildland-urban interface. Journal of the Society of Cultural Heritage Disaster Prevention, 7(1), 25-36.
  18. Shim, J. H., and Choi, S. O., 2018. An empirical study on the organizational and network capability of local emergency management: Focused on 228 local governments in South Korea. Korean Public Administration Quarterly, 30(3), 651-681. https://doi.org/10.21888/KPAQ.2018.9.30.3.651
  19. Statistics Research Institute, 2022. A study on the establishment of publication standards for SGIS grid services by statistical topic. Statistics Research Institute.
  20. The Seoul Institute, 2014. National disaster risk to strengthen disaster response capacity activation of the prior evaluation system. World & Cities, 7, 26-33.
  21. Won, M., Jang, K., Yoon, S., and Lee, H., 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(6-2), 1083-1093. https://doi.org/10.7780/kjrs.2019.35.6.2.5