머신러닝 기반 대형산불피해지의 산불피해유형 분류 모델 개발 (Development of a Model to Classify Wildfire Severity Based on Machine Learning Techniques)

서지정보

· 발행기관 : 한국산림과학회
· 수록지 정보 : 한국산림과학회지 / 113권 / 4호 / 546 ~ 560페이지
· 저자명 : 임채준, 조원희, 이영진

초록

본 연구의 목적은 2023년 4월 2일 충청남도 홍성군 서부면과 결성면 일대에서 발생한 대형산불피해지(1,337.0ha) 를 대상으로 산불피해유형 분류 모델을 개발하고자 하였다. 이를 위해 Maximum Likelihood Classification (MLC), Random Forest (RF), Support Vector Machine (SVM)를 활용하여 산불피해유형 분류모델을 구축하였으며, 분류 결과를토대로 최적의 모델을 제시하였다. 산불피해유형은 수관화, 열해, 지표화로 구분하였으며, 산불피해지를 대상으로 산불피해유형에 대한 현장조사를 실시하고, 이를 기반으로 학습자료를 구축하였다. 본 연구에서는 모델 개발을 위해 Sentinel-2A 의 Multi-Spectral Instrument (MSI) 영상을 기반으로 입력자료를 구축하였다. 모델의 검증 및 성능평가는 연구대상지를 기반으로 구축된 10×10m 고해상도의 산불피해등급도를 이용하여, Overall Accuracy (OA)와 Cohen’s Kappa (Kappa)를 추정하고, 산불피해유형별 User Accuracy (UA)와 Producer Accuracy (PA)를 산출하였다. 모델의 전체적인 성능을 평가한결과 MLC (OA: 73.4%, Kappa: 0.54), RF (OA: 71.9%, Kappa: 0.50), SVM의 비선형 커널함수 (OA: 67.0%, Kappa: 0.45), SVM의 선형 커널함수 (OA: 65.3%, Kappa: 0.43) 순으로 높은 성능을 나타났으며, 산불피해유형별 분류성능은 수관화 (PA: 70∼85%, UA: 55∼80%), 지표화 (PA: 65∼85%, UA: 80∼90%) 분류에 비하여 열해 (PA: 20∼55%, UA: 30 ∼40%) 분류가 비교적 낮은 성능을 보였다. 이에 따라 본 연구에서 개발한 산불피해유형 분류모델 중 MLC 기반 모델이가장 우수한 성능을 지닌 것으로 판단되며, 향후 산불피해지를 대상으로 산불피해유형을 분류함과 동시에 산불피해에 따른 온실가스 배출량 추정에 기여할 수 있을 것으로 기대된다.

영어초록

This study aimed to develop a model for the classification of wildfire severity in an area of 1,337 ha in Hongseong-gun, Chungcheongnam-do, that was affected by fires in 2023. Various models were generated using maximum likelihood classification (MLC), random forest (RF), and support vector machine (SVM) methods, and the best one was selected based on classification performance. Wildfire severity was classified into crown fire, heat damage, and surface fire. Field surveys provided essential ground truth data, and imagery derived from a Sentinel-2A Multi-Spectral Instrument was used as input data. Model accuracy was verified by comparing the outputs with an existing 10×10m high-resolution wildfire severity map, using the Overall Accuracy (OA), Cohen's Kappa (Kappa), User Accuracy (UA), and Producer Accuracy values. Among the tested models, the MLC-based model showed the highest performance (OA: 73.4%, Kappa: 0.54), followed by those based on RF (OA: 71.9%, Kappa: 0.50), non-linear kernel SVM (OA: 67.0%, Kappa: 0.45), and linear kernel SVM (OA: 65.3%, Kappa: 0.43). The models' classification performance varied by damage type, with lower accuracy being observed for heat damage (PA: 20∼55%, UA: 30∼ 40%) compared to crown fire (PA: 70∼85%, UA: 55∼80%) and surface fire (PA: 65∼85%, UA: 80∼90%). In conclusion, the MLC-based model showed the best overall performance in classifying wildfire severity. This approach is expected to assist in future efforts aiming to classify wildfire damage and estimate greenhouse gas emissions derived from burned areas.

참고자료

· 없음