산불이 발생하였을 경우, 피해지역에 대한 후속처리는 산불피해를 예방하는 과정과 더불어 중요한 과정이다. 이러한 산불 피해지역의 경우 실측 및 목측, 항공사진으로 산불 피해지역을 분석하고 통계하고 있지만, 해당 과정에서 시간 및 비용이 크게 발생한다.
이러한 문제를 해결하기 위해 다양한 분석가들은 원격탐사를 기반으로 산불 피해지역을 분석하고 이를 기반으로 산불 피해지역을 통계하는 방향의 연구를 진행하고 있다.
위성영상을 활용한 원격탐사의 경우, 다중분광 특성을 고려하여 산림 피해지역을 분석하고, 다양한 분광 밴드를 조합하여 피해면적을 산정하는 연구가 진행되고 있다. 하지만 국내 산림의 경우 사계절 특성으로 민감한 식생변화가 이루어지며, 특히 산불 피해지역을 탐지하는데 주로 사용하는 NBR(Normalized Burned Ratio) 지수식의 경우 전·후시기 영상의 간격이 클수록 정확한 피해통계를 제공하기 힘들다. 따라서 국내 산림을 대상으로 산불피해 지역을 분석하기 위해선 다시기의 위성영상을 활용하여 피해 동향을 분석하고, 이를 기반으로 국내 산림에 따른 피해등급을 분류하는 방법이 필요하다.
본 연구에서는 Sentinel-2 영상을 활용하여 만들어진 데이터를 기준으로 산불피해등급을 분류하는 과정에서 머신러닝을 접목시키는 방향성을 제시하고자 하였다.
분석을 위한 산불 피해지역은 2019년 4월 4일 발생한 강원도 속초시 대형 산불을 기준으로 진행하였으며, 산불피해등급 훈련을 위한 초기 피해등급은 미국지질조사국에서 제시한 dNBR 등급을 활용하였다.
본 연구의 학습데이터 구축 및 실험은 다음과 같이 진행되었다. 첫 번째, 강원도 속초시의 산불 피해지역을 대상으로 산불 발생 직전 영상인 2019년 4월 3일 데이터와 산불 발생 직후 데이터인 2019년 4월 8일 데이터 기반의 dNBR을 제작하였다. 두 번째, 산불 피해지역을 피해등급에 따라 4가지의 Case로 구분하여 4가지 경우에 대한 학습 데이터를 제작하였다. 이때 학습을 위한 사용 변수는 영상의 다중 분광 밴드 값을 활용하였다. 세 번째, Scikit learn 라이브러리를 기반으로 머신러닝을 활용하여 영상 지역에 대한 학습을 진행하였다. 네 번째, 학습된 모델을 기반으로 동일지역의 다른 시기의 영상을 학습하여 산불 피해등급을 분류하고 이를 지도화하였다.
머신러닝 과정에서 산불 피해등급을 학습하기 위해 본 연구에서는 다양한 머신러닝 기법 중 SVM의 4가지 커널 형식을 활용하였으며, 훈련데이터 학습 결과 SVM RBF 모델이 4가지 Case 모두에서 가장 높은 모델 정확도를 나타냈다. dNBR과 동일한 등급 구분으로 산불 피해등급을 분류한 경우 76.19%의 모델 정확도를 도출하였다.
분류된 훈련 모델을 기반으로 산불 피해지역에 대한 2019년 4월 20일 영상을 적용하였을 경우, 기존의 dNBR에서 나타난 산불 피해등급이 전반적으로 하락하는 단계로 나타나는 것을 확인할 수 있었으며, 전체적으로 60.53%의 dNBR 일치율을 보여주었다.
학습된 결과를 통해 기존의 dNBR 분류지도가 아닌 기계학습 모델을 기반으로 제작된 산불 피해등급 분류지도를 추가적으로 제시하였다.
본 연구에서는 위성영상을 활용한 원격탐사 분석에 기계학습을 접목시켜 국내 산림에 대한 산불 피해등급을 분류하는 모델을 제작하고 이를 활용하여 취득되는 산불 피해지역 영상에 대한 산불 피해등급을 제시할 수 있는 방법을 도출하였다. 해당 결과는 Senitnel-2 영상이 아닌 다양한 위성영상으로도 머신러닝을 접목할 수 있으며, 산불 발생 이후 피해지역을 통계하는 과정에서 현장조사 전 계획 수립 및 현장조사와의 결과를 접목하여 국내 산불 피해등급을 제시할 수 있을 것으로 사료된다.

키워드 : 머신러닝, Scikit learn, SVM, Sentinel-2, dNBR

In the event of a forest fire, follow-up process of affected areas where forest fires may have occurred is an important process along with the process of preventing forest fire damage. In these forest fire-damaged areas, pastoral and aerial photograph of forest-damaged areas are analysis and statics at present, but this process is time-consuming and costly.
To solve this problems, various researchers are analyzing forest fire damage areas based on remote sensing and conduct research on the detection of statistics on forest fire damage.
Although research is being conducted to combine and learn various spectroscopic formulas that analyze affected areas of forests based on satellite images that contain multiple spectra, in the case of domestic forests, sensitive vegetation changes occur due to the characteristics of four seasons, especially in the case of NBR(Normalized Burned Ratio), which is mainly used in forest fires, it is difficult to provide accurate damage statistics based on remote exploration.
In this study, wanted to suggest the forest fire damage grade detection model using machine learning based on forest fire damage data using Sentinel-2 images.
The forest fire damage area for analysis was based on Sokcho and Gangwon-do forest fire on April 4, 2019, and the forest fire damage grade training data was based on the dNBR rating suggested by the U.S. Geological Survey.
The triaing and test for machine learning data in this study were carried out these follows. First, we produced dNBR data on April 3, 2019, before forest fires, and April 8, 2019, data after forest fire in Sokcho, Gangwon-do. Second, training data was produced for four cases by dividing the forest fire damaged grade. And the training variables for learning were used to utilize the multi-spectral bands value of the Sentinel-2 images. Third, based on machine learning Scikit-learn, training to forest fire damage area. Fourth, based on the classification model, test image of different periods in the same area for classify distribution map of forest fire damage grades.
During machine learning process, 4 kernel formats of SVM were utilized among various machine learning techniques, and as a result of training, the SVM RBF model showed the highest model accuracy in all 4 cases. Forest fire grade model accuracy of 76.19% when forest fire damage grades were same class as dNBR.
Based on the training model, April 19, 2019 Sentinel-2 test image was 60.53% matching rate When compared with the results of the dNBR classification.
Through the machine learning results, A forest fire damage grade classification map based on SVM model rather than dNB classification map using spectral indices.
In this study, suggest the machine learning model that classification forest fire damage grade to forest in Korea using Sentinel-2 and propose forest fire grade classification map. This result estimated that machine learning can be applied to various satellite images, not only Senitnel-2 images, and it can be utilize follow-up process and fieldwork after forest fire.

Keyword : Machine Learning, Scikit learn, Support Vector Machine, Sentinel-2, dNBR