Korean Journal of Remote Sensing, Vol.37, No.5-3, 2021, pp.1373~1387
https://doi.org/10.7780/kjrs.2021.37.5.3.4 ISSN 1225-6161 ( Print )
ISSN 2287-9307 (Online)
Article
Sentinel-1 SAR 영상을 이용한 주성분분석 및 K-means Clustering 기반 산불 탐지
이재세 1)·김우혁 1)·임정호 2)†·권춘근3)·김성용3)
Detection of Forest Fire Damage from Sentinel-1 SAR Data through the Synergistic Use of Principal Component Analysis and K-means Clustering
Jaese Lee 1)·Woohyeok Kim 1)·Jungho Im 2)†·Chunguen Kwon3)·Sungyong Kim3)
Abstract: Forest fire poses a significant threat to the environment and society, affecting carbon cycle and surface energy balance, and resulting in socioeconomic losses. Widely used multi-spectral satellite image-based approaches for burned area detection have a problem in that they do not work under cloudy conditions. Therefore, in this study, Sentinel-1 Synthetic Aperture Radar (SAR) data from Europe Space Agency, which can be collected in all weather conditions, were used to identify forest fire damaged area based on a series of processes including Principal Component Analysis (PCA) and K-means clustering.
Four forest fire cases, which occurred in Gangneung·Donghae and Goseong·Sokcho in Gangwon-do of South Korea and two areas in North Korea on April 4, 2019, were examined. The estimated burned areas were evaluated using fire reference data provided by the National Institute of Forest Science (NIFOS) for two forest fire cases in South Korea, and differenced normalized burn ratio (dNBR) for all four cases. The average accuracy using the NIFOS reference data was 86% for the Gangneung·Donghae and Goseong·Sokcho fires. Evaluation using dNBR showed an average accuracy of 84% for all four forest fire cases. It was also confirmed that the stronger the burned intensity, the higher detection the accuracy, and vice versa. Given the advantage of SAR remote sensing, the proposed statistical processing and K-means clustering-based approach can be used to quickly identify forest fire damaged area across the Korean Peninsula, where a cloud cover rate is high and small-scale forest fires frequently occur.
Key Words: SAR, PCA, K-means clustering, Forest fire damaged area, dNBR.
Received October 4, 2021; Revised October 15, 2021; Accepted October 20, 2021; Published online October 26, 2021
1)울산과학기술원 도시환경공학과 석박통합과정생 (Combined MS/PhD Student, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
2)울산과학기술원 도시환경공학과 정교수 (Professor, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
3)국립산림과학원 산림환경보전연구부 산불·산사태연구과 연구사 (Researcher, Department of Forest Environment and Conservation, Division of Forest Fire and Landslide, National Institute of Forest Science)
†Corresponding Author: Jungho Im ([email protected])
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
1. 서론
산불은 전 세계적으로 환경과 기반시설에 중대한 위 협을 일으키며(Brownet al., 2018) 전 지구적 생태계 수 준에서 산불 발생을 통한 식물의 손실은, 탄소순환, 지 표의 에너지 수지에 영향을 미친다(Bowmanet al., 2009;
Schimel and Baker, 2002). 또한, 산불은 지역적 수준에서 인명피해 및 주택 소실과 같은 사회경제적 손실을 일으 킨다(Ill and Tephens, 2013). 특히 남한에서는 최근10년 간(2011-2020) 연평균474건의 산불건수, 1,120 ha의 피 해면적, 657억 원의 피해금액 등 전체적으로 그 피해규 모가 증가하는 추세를 보이고 있다(Korea Forest Service, 2021). 그 뿐만 아니라, 인접국가인 북한 또한 산불로 인 한 피해가 상당한 것으로 파악되고 있으며, 북한의 산 불이 남한 지역으로 전파되는 경우도 보고된 바 있다 (M. Wonet al., 2012). 따라서 신속하고 적절한 산불 피해 복구계획 수립을 위해서 산불 피해에 대한 정확하고 시 의적절한 정보 취득이 필수적이다(Lasaponara and Tucci, 2019).
산불 피해 정보는 다양한 방법을 통해 얻을 수 있다. 현장관측 기반의 산불 피해 강도의 추정은 많은 인적, 물적자본과 시간을 필요로 하여, 적시에 산불 피해 정 보를 얻는데 한계가 있다. 반면, 위성 원격탐사 자료는 주기적인 관측을 통해 산불 피해지역에 직접 방문하지 않고, 현장관측보다 손쉽게 산불 피해를 탐지할 수 있는 장점이 있다(Brownet al., 2018; Royet al., 2013). 다중 분광
원격탐사 기반의 정규탄화지수(Normalized Burn Ratio;
NBR)는 정규식생지수(Normalized Difference Vegetation Index, NDVI)와 유사한 방식으로 계산되며, 산불 피해 지역에 대해 단파적외선(Shortwave Infrared, SWIR)의 반사도가 증가하고 근적외선(Near Infrared, NIR)의 반 사도가 감소하는 특징을 이용하여 계산되는 분광지수 이다(Key and Benson, 2006). dNBR (differenced 0불 발생
이후의NBR의 차이를 이용해 계산되며, Landsat-8 및
Sentinel-2와 같은 위성자료로 계산된dNBR이 현장관
측 기반의 산불 피해 자료와 유의미한 관계가 있음이 다 수의 선행연구를 통해 입증되었다(Malliniset al., 2018;
Milleret al., 2009; Parkset al., 2014; Saulinoet al., 2020). 그 러나 다중분광 위성 원격탐사 자료는 구름, 구름 그림 자 또는 산림이 연소할 때 발생하는 연기로 인한 반사 도 오염 문제 때문에, 적시에 산불 피해 면적 분석이 제 한되는 한계가 있다(Royet al., 2013). 또한 구름으로 인 해 적시에dNBR이 계산되지 못했을 때, 생물계절학적 차이로 인해서dNBR의 값에 오류가 증가할 수 있다 (Chenet al., 2020).
이러한 한계를 극복하기 위해SAR (Synthetic Aperture
Radar) 기반의 위성 원격탐사 자료를 이용해 산불 피해
에 대한 정량적인 분석을 시도하는 연구가 최근 진행되 고 있다(Addison and Oommen, 2018; Saulinoet al., 2020;
Tanaseet al., 2020). SAR기반의 위성 원격탐사 자료는 주로 산불 발생 후 연소로 인해 야기된 식생구조에 따 른(eg, 수관 및 하층 식생의 제거) 후방산란계수의 변화 요약 : 산불은 지표 에너지 균형, 사회 및 환경에 중대한 위협을 미치며, 사회경제적 손실을 일으킨다. 한편, 현재 까지 널리 사용되고 있는 다중분광 위성 영상 기반 산불 피해 탐지 알고리즘은 구름으로 인한 반사도 오염으로 인해 시의적절한 산불 정보를 얻기 어려운 문제가 있다. 따라서 본 연구에서는 구름에 영향을 받지 않는 유럽우 주국의Sentinel-1 SAR (Synthetic Aperture Radar) 자료로부터2019년4월 초에 발생한 남한 강원도의 강릉·동해, 고 성·속초 및 인접한 북한의 두 산불 발생 지역을 대상으로 주성분분석(Principal Component Analysis; PCA)을 포함 하는 일련의 전 처리 및K-means clustering을 이용하여 산불 피해 면적을 탐지하였다. 추정된 산불 면적은 국립 산림과학원에서 남한의 두 산불에 대해 제공한 산불 피해 면적 및 강도 참조자료 및 산불 피해 탐지에 널리 사용 되는dNBR (differenced Normalized Burn Ratio)을 사용하여 검증하였다. 국립산림과학원의 참조자료 기반 검증 에서 강릉·동해와 고성·속초 산불에 대해 평균 약86%의 정확도를 보였다. dNBR을 사용한 검증에서는 남한 및 북한의 지역 모두에 대해 평균 약84%의 정확도를 보였다. 이때, 산불 강도가 강할수록 산불 면적 탐지 성능이 높 고 반대로 산불 강도가 약할수록 산불 면적 탐지 성능이 낮은 것을 확인할 수 있었다. 본 연구를 통해 검증된SAR 영상을 이용한PCA 및K-means clustering 기반 탐지 알고리즘이 추후 구름의 영향이 크고 작은 산불이 빈번하게 발생하는 한반도에 대하여 신속한 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다.
를 통해 산불 피해에 대한 정보를 얻을 수 있다(Tanaseet
al., 2010; Tariqet al., 2021). 그러나SAR자료는 영상의 취
득 방식의 특징에서 기인하는 영상 내 잡음(speckle) 으 로 인해서 산불의 강도 또는 면적을 탐지하는 데 어려움 이 있고, 이를 해결하기 위해interferometry, polarimetric decomposition, 기계학습 등의 기법이 적용된 바 있다 (Banet al., 2020; Engelbrechtet al., 2017; Junget al., 2018).
특히 최근 연구에서는 기계학습 또는 통계적 기법을 통 하여SAR기반 위성 원격탐사 자료에서 산불 피해 면적 또는 산불 피해 강도에 대한 정보를 추출하려는 노력들 이 진행되었다(Simet al., 2020). De Lucaet al. (2021)은 포 르투갈 및 이탈리아 지역을 대상으로Sentinel-1 SAR영 상을 이용하여 산불피해면적을 산출하고 평가하였다.
이 때, SAR영상의 잡음을 제거하고 불필요한 정보를 제
거하여 필요한 정보만을 추출하기 위해 다시기 평균 및 PCA (Principal Component Analysis)와 같은 통계적 처리 를 적용한 뒤 생산된 자료를 바탕으로 기계학습 알고리 즘 중 비지도학습 알고리즘의 하나인K-means clustering 기법을 적용하여 산불 면적을 추정 및 평가하였다.
본 연구에서는 위와 같은 논의를 바탕으로 환경 및 지 형 특성이 다른 우리나라에 최근 선행연구에서 제시된
SAR위성영상을 이용한PCA및K-means clustering기반 산불 피해면적 탐지 알고리즘의 적용 가능성을 살펴보 았다. 남한 강원도 지역에 발생한 두 사례의 산불에 대해 산불 발생 전후 각각2주 이내의 다시기Sentinel-1 SAR 영상을 사용하여SAR기반PCA및K-means clustering을 통해 산불 피해 면적을 추정한 뒤dNBR및 국립산림과 학원(National Institute of Forest Science; NIFOS)의 전문 가 기반 산불 피해 자료를 사용해 정확도를 평가하였다. 추가적으로 산불 피해 강도에 따른 알고리즘의 정확도 분석을 수행하였고, 해당 알고리즘을 미계측지역인 북 한 지역에 발생한 두 사례의 산불에 적용한 뒤dNBR과 비교하여 적용 가능성을 평가하였다.
2. 연구지역 및 자료
1) 연구지역
본 연구는 한반도의 남한 강원도 지역과 북한 강원도 지역의 동일한 날짜에 발생한 네 개의 산불 사례를 대상 으로 실험되었다(Fig. 1). 첫 번째 산불 사례는 강릉·동해 (GNDH; 경도129.041°E, 위도37.589°N부근)에서2019
Fig. 1. Four study sites used in this study. (a), (b), (c), and (d) indicates Gangneung·Donghae (GNDH), Goseong·Sokcho (GSSC), North Korea 1 (NK1), and NK2 forest fire cases, respectively. The background true color composite images were derived from Sentinel-2 data. The burn severity maps provided by National Institute of Forest Science were superimposed in (a) and (b).
년4월4일에 발생하였으며, 약1260 ha의 산림이 소실되 었다. 두 번째 사례는 고성·속초(GSSC; 경도128.534°E, 위도38.22°N부근)에서 발생한 산불로 약1266 ha가 소 실되었으며, GSSC지역은GNDH지역에 비해 지형이 복잡하며, 특히 향(Aspect)이 복잡한 특징을 나타낸다. 두 사례 모두 산불이 도심지까지 확산되면서, 많은 인 명과 재산피해를 일으켜 특별 재난 구역으로 지정되기 도 하였다(M. Wonet al., 2019). 세 번째와 네 번째 사례 는 북한 지역의 산불로 국내의GNDH및GSSC사례와 동일하게4월4일에 발생한 산불이다. 남한 지역의 산 불보다 피해면적은 비교적 작고, 북한에 속해 있는 강 원도 지역의 경도127.695°E, 위도39.031°N지역(NK1) 및 경도128.789°E, 위도38.954°N (NK2) 지역에서 발 생하였다.
2) Sentinel-1 및 Sentinel-2 위성자료
본 연구에서는 산불 피해를 입은 산림의 면적을 추정 하기 위해 산림의 수관 등에 대한 정보들을 활용할 수 있는Sentinel-1 위성 자료를 사용하였다(Addison and Oommen, 2018; Lasaponara and Tucci, 2019). 2014년4월 에 유럽우주국(European Space Agency; ESA)에서 발사 한Sentinel-1A위성은C-band (5.405 GHz) SAR를 탑재 하였고, 동일한 센서를 탑재한, 2년 뒤에 발사된Sentinel- 1B위성과 함께 군집위성 궤도를 돌며 자료를 제공하고 있다. 한국지역에 대해서는IW (Interferometric wide)모 드로10 m해상도의GRD (Ground Range Detected) VH (Vertical transmit and Horizontal receive)와VV (Vertical transmit and Vertical receive) 이중편광 영상을 약12일 간
격으로 제공하며, 이는NASA Earthdata에서 취득할 수 있다(Geudtneret al., 2014). 산불 피해를 입기 전과 후의 차이를 비교하기 위해 산불 발생일을 기준으로 전, 후 각각2주 동안의 자료를 사용하였다. 또한, ascending자 료인Sentinel-1A와descending자료인Sentinel-1B, 모두 를 활용하였다(Table 1).
본 연구에서는Sentinel-1을 이용한 산불 면적 탐지와 기존의dNBR기반 산불 면적 탐지 성능을 비교하기 위 해Sentinel-2 영상을 이용하였다. Sentinel-2A위성은 2015년6월에ESA에서 발사된 다중분광 센서MSI (Multi Spectral Imager)를 탑재한 위성으로, 2017년3월 발사된 동일 센서를 탑재한Sentinel-2B위성과 함께 군집 위성 궤도를 돌고 있다. 가시광선, 근적외선, 단파적외선 영 역에 대하여 각각10 m, 20 m, 60 m의 공간해상도를 가 진다. 본 연구에 사용된 밴드8a (B8a)는0.865 µm의 중심
파장대와20 m의 공간해상도를 가지며, 밴드12 (B12)는
2.190 µm의 중심 파장대와20 m의 공간해상도를 가진다.
Sentinel-2 개별 위성당10일의 재방문주기를 가지며,
Sentinel-2A및2B위성을 동시에 활용할 경우5일의 시 간해상도를 갖는다(Druschet al., 2012). Sentinel-2 위성의 자료는 대기 상층 반사도 자료인L1C자료를 사용하였 으며, 산불이 발생한 시점을 기준으로 구름의 영향을 받지 않은 가장 가까운 시기의 영상을 취득하여 사용하 였다(Table 1).
3) 참조자료
본 연구의 참조자료는2019년 남한 강원도의GNDH, GSSC산불을 대상으로 항공우주연구원(Korea Aerospace Table 1. Summary of Sentinel-1 and Sentinel-2 data used to examine the four forest fire cases (GNDH, GSSC, NK1 and
NK2) in this study
Mission Orbit Product Spatial Resolution Collection date
Pre-fire
S-1B Descending IW Level-1 GRDH
10 m
Mar 16, 2019
S-1A Ascending IW Level-1 GRDH Mar 17, 2019
S-1B Descending IW Level-1 GRDH Mar 28, 2019
S-1A Ascending IW Level-1 GRDH Mar 29, 2019
S-2A L1C 20 m Apr 3, 2019
Post-fire
S-1B Descending IW Level-1 GRDH
10 m
Apr 9, 2019
S-1A Ascending IW Level-1 GRDH Apr 10, 2019
S-1B Descending IW Level-1 GRDH Apr 21, 2019
S-1A Ascending IW Level-1 GRDH Apr 22, 2019
S-2B L1C 20 m Apr 8, 2019
Research Institute; KARI)에서 운용중인 다목적실용위성 3호(KOMPSAT-3)와 다목적실용위성2호(KOMPSAT-2) 의NDVI의 산불 전후차이인dNDVI (differenced NDVI)
및ISODATA알고리즘을 사용하여 생산된 산불피해강
도 자료를 사용하였다. 해당 자료는NIFOS로부터 제공 받아 사용하였으며2.8 m의 공간해상도를 가진다. 참조 자료는 경피해(Low severity), 중피해(Moderate severity), 그리고 심피해(High severity)의 세 단계의 산불 피해 강 도로 구분되어 있다. 참조자료는 비록 현장관측을 통해 피해 강도가 평가되지는 않았지만, 신뢰할 수 있는 전 문가로부터 생산된 자료이며, 산림청에서 제시한 산불 피해자료와 비교하여 높은 정확도를 나타낸 바 있다(M.
Wonet al., 2019). NIFOS의 산불 피해 참조자료는 연구
결과와의 비교분석을 위해 산불 피해 및 미 피해로 재 분류(Reclassification)하여 사용하였다.
3. 연구방법
본 연구의 흐름도는Fig. 2와 같다. SAR영상을 이용 한PCA와K-means clustering기반 산불 피해 면적 추정
알고리즘의 결과는 산불 피해 및 미피해의 이진 영상으 로 재분류된NIFOS의 참조자료와 미국 지질조사국 (United State Geological Survey; USGS)에서 제시한 임계 값을 통해 이진 영상으로 재분류된dNBR을 통해 비교 분석하였다(Key and Benson, 2006). 연구 결과의 정량적 인 비교분석을 실시하기 위해 본 연구에서 실험한 산불 추정 알고리즘의 결과, 재분류된dNBR, 그리고NIFOS 의 참조자료를20 m의 공간해상도로 재배열(Resample) 하였다.
1) SAR 영상을 이용한 주성분분석 및 K-means clustering 기반 산불 면적 탐지
본 연구의 산불 면적 추정은 산불 전후 각각1개월의
Sentinel-1 SAR영상을 이용해 유럽의 포르투갈 및 이
탈리아 지역을 대상으로 실험된De Lucaet al. (2021)의 알고리즘을 적용하였다. 해당 알고리즘은SAR영상의 다시기 평균 및 잡음 필터링을 이용해 영상 내 잡음을 최소화한 뒤 이를SAR영상 기반의 지수를 통해 산불 피해지역과 미 피해지역에 대한 신호의 대비를 강화하 였다. 이에 추가적으로GLCM (Gray Level Co-occurrence
Matrix) 질감 분석을 이용해 영상 내의 산불 피해지역 및
Fig. 2. The process flow diagram of the approach used in this study.
미피해지역에 대한 대비를 강조하였다. GLCM질감분 석의 결과로 얻어진 다수의 레이어에PCA를 적용하여 필요한 정보를 손실하지 않은 채 불필요한 정보를 최소 화하고 잡음을 제거하였다(Gimenoet al., 2003). 마지막 으로, K-means clustering알고리즘을PCA의 결과로 얻 어진 레이어에 적용해 통해 산불 면적을 추정하였다. 이 때, K-means clustering에 사용될 최적의 클래스 수를 결 정하기 위해Silhouette score를 통한 분석이 진행되었다. 각 과정의 자세한 내용은 다음과 같다.
(1) SAR전처리: 전처리 과정은Copernicus에서 제공 하는SNAP (Sentinel application platform)의 함수를 사 용하였으며, 위성 궤도정보 적용, 열 잡음을 제거, 복사 보정, 지형 평탄화, 지형 보정, 및lee filter를 사용한 다시 기 잡음 필터와 같은 처리가 진행되었다.
(2) 시계열 평균: 전처리를 거친 산불 전후의VV및 VH편광SAR영상을 각각 시계열 평균하여, 산불 전 VH, 산불 전VV, 산불 후VH, 산불 후VV자료를 얻었다. (3) SAR지수: 산불 탐지에 관련된6개의SAR기반 지 수, VV및VH편광의RBD (Radar Burn Difference), VV 및VH편광의LogRBR (Logarithmic Radar Burn Ratio), RVI (Radar Vegetation Index)를 이용한ΔRVI, 그리고 DPSVI (Dual Polarization SAR Vegetation Index)를 이용
한ΔDPSVI가 계산되었으며, 이 지수들의 계산식은 다
음과 같다:
RBDxy= fireTimeAveragexy[post–fire] –
fireTimeAveragexy[pre–fire] (1)
LogRBRxy= log10
( )
(2)RVIzj= 4 * (3)
DPSVIzj= (4)
ΔRVI= RVIpost–RVIpre (5) ΔDPSVI= DPSVIpost–DPSVIpre (6) 이때, TimeAverage는 산불 전 또는 후 영상들의 시계 열 평균을 의미한다. 식(1) 및(2)의 아래첨자xy는SAR 영상의 편광(VV또는VH)을 의미하며, 식(3) 및(4)의 아 래첨자zj는 산불 발생 전 또는 산불 발생 후를 의미한다. 예를 들어, DPSVIpost는 산불 발생 후의 시계열 평균VV 편광 영상과 시계열 평균VH편광 영상을 더한 뒤 이를
다시 산불 발생 후의 시계열 평균VV편광 영상으로 나 누어 주는 방법으로 계산된다.
(4) GLCM질감 분석: 계산된SAR지수로부터, 산불 피해지역과 미 피해지역에 대해 대비를 강화하고 추가 적인 영상의 질감 정보를 추출하기 위해GLCM분석을 실시하였다. GLCM질감 분석으로부터 얻어진 자료는 분류 문제를 해결하는데의 정확도를 향상시키는데에 도 움을 준다고 알려져 있다(Kimet al., 2010). (3)에서 얻어진 6개의 지수로부터GLCM mean, GLCM Variance, GLCM Correlation, GLCM entropy, GLCM Dissimilarity를Table 2 와 같이 계산하여 총30개의 레이어를 생산하였다.
(5) 주성분분석: 전 단계에서 얻어진GLCM산출물
레이어를0-1로 정규화 하여 주성분분석을 수행하였다.
각각의 산불 사건 별로 얻어진 주성분들 중 누적 설명 된 분산(cumulative explained variance)이99%가 되는 주 성분 수 까지를 사용하였다. 누적 설명된 분산이99%까 지 도달하기까지의 주성분들을 사용하여 영상 내의 다 양한 특성이 다양한 클래스로 분류될 수 있도록 하였다 (De Lucaet al., 2021).
(6) Silhouette score: Silhouette score는 비지도학습 분 류 문제에서 최적의 클래스 수 결정을 위하여 사용될 수 있는 지수로써, 각 클래스가 얼마나 효율적으로 분리되 fireTimeAveragexy[post–fire]
fireTimeAveragexy[pre–fire]
TimeAverageVH TimeAverageVV+ TimeAverageVH TimeAverageVV+ TimeAverageVH
TimeAverageVV
Table 2. The feature name and equation of GLCM (Gray Level Co-occurrence Matrix) texture analysis used in this research. Pi, jmeans the probability of values iand joccurring in adjacent pixels in the original image within the window defining the neighborhood. Iand jindicate the columns and rows of the GLCM: irefers to the pixel value of a target pixel, and jis the pixel value of its immediate neighbor. μis the GLCM mean and σmeans the standard deviation calculated by GLCM variance
GLCM feature Equation
GLCM mean μi=N–1∑i(Pi, j);μj= j(Pi, j)
i, j=0
N–1∑
i, j=0
GLCM Variance σi= N–1∑Pi, j (i–μi)2; σj= Pi, j (i–μj)2
i, j=0
N–1∑
i, j=0
GLCM Correlation i, j=0N–1∑Pi, j
[ ]
(i–μi)(i–μj) (σi2)(σj2) GLCM entropy N–1∑Pi, j(– ln Pi, j)
i, j=0
GLCM Dissimilarity N–1∑Pi, j| i–j|
i, j=0
어 있는가를 나타낸다(Rousseeuw, 1987). (5)에서 얻어진 주성분들을 입력으로 하여 그 중 임의의 샘플10,000개 를 사용하여K-means clustering을 수행한 뒤, Silhouette score를 계산하였다. Silhouette score의 계산은 다음 식 과 같다:
Silhouette score= (7) 이 때, b는 분류된 격자가 갖는 클래스와 다른 클래스들 사이의 평균 거리이고, a는 분류된 격자가 갖는 클래스 와 동일한 클래스를 갖는 격자의 평균거리이다. max는 a와b중 최대값을 선택한다는 의미이다.
(7) K-means clustering: 각각의 산불 사례에 대하여(5) 에서 얻어진 주성분과(6)에서 얻어진 최적의 클래스 수 를 바탕으로K-means clustering을 수행하여 산불 피해지 역을 탐지하였다(Al-Rawiet al., 2001; Won, M. et al., 2014).
K-means는 전체 자료들을k개의 클래스로 분류하는 알
고리즘으로, 각각의 클래스 내의 자료들이 갖는 분산을 최소화하는 방식으로 작동한다.
기존 연구에서는 산불 전후 각각1개월 간의 영상 즉, 총2 개월의 영상을 사용하여 산불 면적을 추정하였으나, 본 연구에서는 산불 전후2주간의 영상을 이용하여 산불 면적을 추정하였고, 이를 참조자료를 통해 평가하였다. 또한 연구지역이 더 좁기 때문에Silhouette score계산에 사용된 임의의 샘플 수를 원저자의100,000개 대신10,000 개만 사용하였다.
2) 광학영상 및 분광지수 기반 산불 면적 추정 본 연구에서 실험한SAR기반 산불 면적 추정 알고 리즘과의 비교를 위해Sentinel-2 다중분광 영상을 다음 과 같이 처리하였다. 먼저Sentinel-2 L1C대기상층 반사 도 자료를Sen2Cor프로그램을 통한 대기보정을 진행 하여L2A지표반사도 자료를 획득하였다. 계산된 지표 반사도 자료를 바탕으로 다음의 식을 통해 산불 발생 전, 후의NBR및dNBR을 계산하였다(Navarroet al., 2017;
Rizkinia and Sudiana, 2021):
NBR= (8) dNBR= NBRpre–NBRpost (9) 이 때, NBRpre는 산불 피해 전의NBR, NBRpost는 산 불 피해 후의NBR을 의미한다. 계산된dNBR은 남한 및
북한의 산불 피해면적 비교를 위해USGS의 산불 피해 강도 분류 임계값을 적용하여 분류한 뒤 사용되었다. USGS는 현장관측 자료와dNBR의 비교분석을 통해 dNBR기반 피해 면적 및 피해 강도 탐지를 위한 임계값 을 제시하였고, 이는Table 3과 같다. 산불 피해면적 탐 지를 위해0.1 보다 낮은dNBR값을 가지는 격자는 미 피해(Unburned), 0.1 보다 높은dNBR값을 가지는 격자 는 산불 피해지역으로 재분류하였다(De Lucaet al., 2021;
Youn and Jeong, 2019).
3) 평가지표
산불 피해 면적 평가에 사용된 지표는 실제 산불 발 생을 산불 발생으로 예측한TP (True Positive), 실제 산 불 발생을 산불 미발생으로 예측한FN (False Negative), 실제 산불 미발생을 산불 발생으로 예측한FP (False Positive), 실제 산불 미발생을 산불 미발생으로 예측한TN (True Negative)의4가지이며, 이를 종합하여OA (Overall Accuracy;총 정확도)를 구한 뒤 혼동행렬(Confusion Matrix)를 통해 제시하였다(Binet al., 2019). OA의 계산 식은 식(10)과 같다:
OA= × 100 (10)
4. 연구결과 및 토의
1) SAR 영상을 이용한 주성분분석 및 K-means clustering 기반 산불 면적 탐지 결과
4개의 산불 사례에 대하여SAR전처리, 시계열 평균, SAR지수 계산, 그리고GLCM질감 분석의 일련의 처 b–a
max(a, b)
B8a–B12 B8a+ B12
TP+ FN TP+ FN+ FP+ TN
Table 3. The ranges of differenced Normalized Burn Ratio (dNBR) by fire severity level suggested by United States Geological Survey (USGS)
Severity level dNBR range
Enhanced regrowth, high – 0.5 to – 0.251 Enhanced regrowth, low – 0.250 to – 0.101
Unburned – 0.1 to 0.099
Low severity + 0.1 to + 0.269 Moderate-low severity + 0.27 to + 0.439 Moderate-high severity + 0.44 to + 0.659 High severity + 0.66 to + 1.3
리를 거친 레이어를PCA를 수행하였다. 그 결과, Fig.
3(a)에서와 같이GNDH, NK1, 그리고NK2 산불의 경
우14번째의 주성분에서 누적 설명된 분산이99%가 되
었고, GSSC산불의 경우에만16번째 주성분에서 누적 설명된 분산이99%에 도달하였다. 이로써 각 산불 사례 별로 누적 설명된 분산이99%에 도달한 수만큼의 주성 분을K-means clustering에 입력자료로 사용하였다. 4개 의 산불 사례별 최적의K-means클래스(class) 수를 얻기 위해PCA결과를 바탕으로10000개의 임의로 선택된
자료를 통해Silhouette score를 분석하였고Fig. 3(b)는 그 결과를 나타낸다. NK2 산불을 제외한 모든 산불에서, 클래스수가 가장 작은2개에서 가장 높은Silhouette score 를 나타냈으며, NK2 산불은 클래스 수가3일 때, 가장 높은Silhouette score를 나타냈다. 각 산불 별 최적의class 수를 결정하기 위해 클래스 수가2개 이상일 때, 가장 높은Silhouette score값을 가지는 클래스 수를 이용해 K-means clustering을 수행하여 산불 면적을 탐지하였다 (De Lucaet al., 2021). Fig. 3(b)의 붉은색 수직 선은 각 산 Fig. 3. (a) The cumulative variance explained by the principal components (PCs) for each forest fire case. The red line indicates the cumulative variance of 99%. (b) Silhouette scores with the increasing number of classes (from 2 to 20) for each forest fire case. The vertical red line indicates an optimal number of classes for K-means clustering in this study.
Fig. 4. The results of K-means clustering for (a) GNDH, (b) GSSC, (c) NK1 and (d) NK2 forest fire cases.
불 사례에서의 최적의 클래스 수를 나타내며, 이 때 각 각의Silhouette score는GNDH는0.428, GSSC는0. 315, NK1은0.379, 그리고NK2는0.352를 나타냈다.
Silhouette score분석을 통해 얻어진 각 산불 별 최적 의 클래스 수를 사용해K-means clustering결과를 도출 하였고, 각 산불에서3개의 클래스를 가지는 산불 피해 면적 지도를 작성하였다(Fig. 4). K-means clustering의 결 과를 할당하는 클래스의 평균 위치가 초기화되는 조건 이 달라짐에 따라K-means clustering의 결과로 나타나는 클래스의 값은 달라질 수 있으며(Vassilvitskii and Arthur, 2007), 본 연구의K-means clustering결과에서, GNDH 는 클래스0, GSSC는 클래스1, NK1은 클래스2, 그리고
NK2는 클래스1이 산불 정보를 가지고 있는 것을 확인 할 수 있었다(Fig. 1). 추정된 산불 피해 면적 결과에 대 해 정량적인 평가를 진행하기 위해NIFOS에서 제공받 은GNDH및GSSC의 산불 피해지역 참조자료 및 Sentinel-2 기반의 산불 피해 발생 및 미발생의 이진 자 료로 분류된dNBR을 이용해 비교분석을 진행하였다.
2) 국립산림과학원 참조자료 기반 평가
이전 절에서 확인한 대로, 추정된 산불 피해 면적 결 과를 재분류하여SAR기반 산불 피해면적 지도를 작성
한 뒤, 이를NIFOS에서 제공한 산불 피해 참조자료와
공간적으로 비교하였다. Fig. 5(a)와(c)에서 볼 수 있듯,
Fig. 5. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using the forest fire reference data provided by National Institute of Forest Science (NIFOS). (a) and (b) show the validation results using NIFOS reference data and the reference severity map for GNDH, respectively. (c) and (d) show the same as (a) and (b) for GSSC. (e) and (f) document the confusion matrices for GNDH and GSSC, respectively.
SAR기반 산불 피해면적 지도는GNDH및GSSC의 산 불 면적을 비교적 잘 탐지하는 것을 확인할 수 있으며, 특히 산불 피해가 발생하지 않은 미피해(unburned)지역 에 대한 탐지가 잘 수행된 것을 확인할 수 있었다. 또한, 심한 피해를 입은 심피해(High severity) 지역 대해 민감 하게 탐지하는 특징을 나타냈다. 반면 산불 피해가 심 하지 않은 지역에 대해서는 산불 면적 탐지가 민감하게 이루어 지지 않은 것을 확인할 수 있었다. 이는NIFOS 의 참조자료가 산불 발생일인2019년4월4일으로부터 15일 이후에 작성된 자료이며(Shinet al., 2019), 본 연구 에4월19일 이후SAR영상은4월21일 및4월22일의
자료2장만이 사용되었기 때문에, 이 정보를 모두 취득
하기 부족한 것일 수 있다. 반면Fig. 5(c)에서 확인할 수 있듯, GSSC산불에 대해서는 산불 미피해 지역에 대해 서도 산불 피해가 발생했다고 탐지하는 과추정이 이루 어진 것을 확인할 수 있었다.
위 논의를 정량적으로 분석하기 위해 혼동행렬을 작 성하였고 이는Fig. 5(e) 및(f)와 같다. 혼동행렬에서도 동일하게TF및TN의 값이 높은 것을 확인할 수 있었
고, GSSC산불에 대하여 산물 미피해를 피해로 탐지한
FP가 높은 것을 확인할 수 있었다. 두 지역의 정확도를 비교하였을 때, GNDH의OA는 약91%였고, GSSC의 OA는 약82%로 차이가 큼을 확인할 수 있었다. 일반적 으로 레이더 신호는 지형에 따른 입사각의 차이로 인해 값이 크게 바뀌는 것으로 알려져 있으며(Imperatoreet
al., 2017), 지형이 복잡한GSSC지역의 경우 레이더 시
그널의 한계로 인해 산불 탐지 알고리즘의 성능이 더 낮 았을 수 있을 것으로 추정된다(Bayeret al., 1991). GNDH 및GSSC의 평균OA를 확인한 결과, SAR기반 산불 피 해면적 알고리즘은 약86%의OA를 나타냄을 확인할 수 있었다.
Fig. 5(a) 및(c)에서 확인한 산불 피해 강도 별SAR기
반PCA처리 및K-mean clustering알고리즘의 산불 탐 지 정확도를 정량적으로 확인하기 위해, 각 산불에 대 해TP값을 사용해 막대그래프를 작성하였다(Fig. 6).
Fig. 5(a) 및(c)에서 확인한 공간적 분포 분석과 동일하 게, 높은 산불 강도에서, TP의 비율이 높은 것을 확인할 수 있었으며, 산불 강도가 약해짐에 따라TP의 비율이 낮아지는 것을 확인할 수 있었다. 이는GNDH및GSSC 산불 모두에서 동일하게 확인할 수 있는 패턴이었다. 가 장 높은TP의 비율은GNDH에서 확인할 수 있었고 그 값은0.97이었다. 반대로 가장 낮은 경우는GSSC에서 확인할 수 있었으며0.4의TP비율을 보였다.
3) dNBR 기반 평가
SAR영상을 이용한PCA및K-means clustering기반 산 불 면적 탐지 알고리즘의 미계측지역 적용가능성을 확 인하기 위해dNBR기반의 산물 면적 탐지 결과와 비교 분석을 실시하였다(Fig. 7). 이 때, GNDH의 경우Sentinel- 2의4월8일 관측에 미관측지역이 존재하여 해당 지역 을 비교분석에서 제외하였다. dNBR은 많은 연구에서 산불 피해를 탐지하는데 사용되는데(Francoet al., 2020;
Quintanoet al., 2018), dNBR의 값은 식생 종과 같은 지역 적 조건에 따라 상이한 산불 피해강도 탐지 특성을 나 타낸다고 알려져 있다(Milleret al., 2009; Miller and Thode, 2007). 따라서, 본 연구에서는 산불 면적 탐지에 한정하 여 사용하였다. Fig. 5(a) 및(c)와 유사하게 산불 피해면 적의 공간적 비교의 경우, 본 연구의 결과는dNBR과 전 체적으로 높은 일치를 보이는 경향을 확인할 수 있었다. 흥미롭게도, 다중분광영상 기반 자료인dNBR기반 산 불탐지에서 나타나는 해양에서의 잡음들이 본 연구의 산불 면적 추정 결과에서 비교적 적게 나타나는 점을 확 인할 수 있었다. 육지의 경우, GNDH사례를 제외하고 모든 산불 사례에서SAR영상을 이용한 통계적 처리 및 Fig. 6. The ratio of True Positive (TP) by severity for GNDH and GSSC fire cases.
Fig. 7. Spatial evaluation of forest fire damaged areas estimated by the K-means clustering approach using dNBR data for four forest fire cases. (a), (b), (c) and (d) are the validation results using the dNBR-based burned area as reference for GNDH, GSSC, NK1 and NK2 fire cases, respectively.
(e), (f), (g), and (h) are the confusion matrices for GNDH, GSSC, NK1 and NK2, respectively.
K-means알고리즘의 잡음이 큰 것을 확인할 수 있었다. 혼동행렬의 결과에서도 본 연구의 산불 면적 추정 결과는GNDH, GSSC, NK1, 그리고NK2에서 약86%, 80%, 89%, 84%의OA를 나타내며 전체적으로dNBR과 높은 일치를 보임을 확인할 수 있었다. 네 산불 지역에 대해SAR영상을 이용한PCA및K-means clustering기반 산불 면적 탐지의 결과를dNBR로 평가한 정확도를 평 균했을 때, 약84%의OA를 나타냄을 확인할 수 있었다.
5. 결론
본 연구는 SAR영상을 이용한 PCA 및 K-means
clustering기반 산불 면적 탐지 알고리즘을 한반도 지역
에 적용하였다. 연구결과는NIFOS의 산불 피해 참조자 료 및dNBR을 통해 얻어진 산불 피해면적 자료를 통해 평가하였고, 잡음이 많은SAR영상을 사용했음에도,
NIFOS참조자료 및dNBR과 비교적 높은 일치를 보임
을 확인하였다. 본 연구 결과를 통해, 구름으로 인한 반 사도 오염이 자주 발생하는 한반도의 지역적 특성에도 불구하고, 신속하고 비교적 정확하게 산불을 탐지하여 시의적절한 산불 피해 대응이 가능하게 될 것으로 기대 된다. 또한 미계측지역인 북한에 대해서도 적용가능성 을 확인하여, 한반도 산림 전반에 대해 산불피해 분석 이 가능 할 것으로 기대된다.
본 연구에서는 산불 발생 전후 각각2주간의 영상을 사용하여 산불 탐지를 진행하였다. 그러나 원저자와 동 일하게 산불 발생 전후 각각 한달 간의 영상을 사용했 을 때에는 탐지 성능이 더 낮게 나타났다. 이에 산불 탐 지 성능이 낮았던 이유에 대한 추가적인 분석이 이루어 져야 할 것이다. 한편, 본 연구에서 신뢰할 만한 산불 피 해 강도 참조자료와SAR영상 및K-means clustering을 통한 산불 탐지 알고리즘의 결과를 평가하였을 때, 산 불 피해강도가 낮을수록 산불 피해 탐지 성능이 낮음을 확인할 수 있었다. 추후 추가적인 알고리즘 개선 통해 낮은 산불 피해강도에 보다 나은 분류 정확도를 얻는 노 력이 필요할 것으로 사료된다. 예를 들어, 주성분분석과 K-means clustering이외에 개선된 통계적 알고리즘 또는 분류 알고리즘을 적용하였을 때 더 높은 정확도를 얻을 가능성이 있을 것이다.
사사
본 연구는 행정안전부의 재난안전 부처협력 기술개 발사업(No.20009742) 및 국립산림과학원의 기상 빅데 이터를 활용한 산불위험 통합예보체계 구축 연구 과제 (F0500-2018-01-2018)의 지원으로 수행되었습니다.
References
Addison, P. and T. Oommen, 2018. Utilizing satellite radar remote sensing for burn severity estimation, International Journal of Applied Earth Observation and Geoinformation, 73: 292-299.
Al-Rawi, K.R., J.L. Casanova, and A. Calle, 2001.
Burned area mapping system and fire detection system, based on nueral networks and NOAA- AVHRR imagery, International Journal of Remote Sensing, 22(10): 2015-2032.
Ban, Y., P. Zhang, A. Nascetti, A.R. Bevington, and M.A. Wulder 2020. Near Real-Time Wildfire Progression Monitoring with Sentinel-1 SAR Time Series and Deep Learning, Scientific Reports, 10(1): 1-15.
Bayer, T., R. Winter, and G. Schreier, 1991. Terrain influences in SAR backscatter and attempts to their correction, IEEE Transactions on Geoscience and Remote Sensing, 29(3): 451-462.
Bin, W., L. Ming, J. Dan, L. Suju, C. Qiang, W. Chao, Z. Yang, Y. Huan, and Z. Jun, 2019. A method of automatically extracting forest fire burned areas using gf-1 remote sensing images, Proc. of International Geoscience and Remote Sensing Symposium (IGARSS), Yokohama, JP, Jul, 28- Aug. 2, pp. 9953-9955.
Bowman, D.M.J.S., J.K. Balch, P. Artaxo, W. J. Bond, J.M. Carlson, M.A. Cochrane, C.M. D’Antonio, R.S. DeFries, J.C. Doyle, S.P. Harrison, F.H.
Johnston, J.E. Keeley, M.A. Krawchuk, C.A.
Kull, J.B. Marston, M.A. Moritz, I.C. Prentice,
C.I. Roos, A.C. Scott, T.W. Swetnam, G.R. Van Der Werfand, and S.J. Pyne, 2009. Fire in the earth system, Science, 324(5926): 481-484.
Brown, A.R., G.P. Petropoulos, and K.P. Ferentinos, 2018. Appraisal of the Sentinel-1 and 2 use in a large-scale wildfire assessment: A case study from Portugal’s fires of 2017, Applied Geography, 100: 78-89.
Chen, D., T.V. Loboda, and J.V. Hall, 2020. A systematic evaluation of influence of image selection process on remote sensing-based burn severity indices in North American boreal forest and tundra ecosystems, ISPRS Journal of Photogrammetry and Remote Sensing, 159: 63-77.
De Luca, G., J.M.N. Silva, and G. Modica, 2021. A workflow based on Sentinel-1 SAR data and open-source algorithms for unsupervised burned area detection in Mediterranean ecosystems, GIScience and Remote Sensing, 58(4): 516-541.
Drusch, M., U. Del Bello, S. Carlier, O. Colin, V.
Fernandez, F. Gascon, B. Hoersch, C. Isola, P.
Laberinti, P. Martimort, A. Meygret, F. Spoto, O.
Sy, F. Marchese, and P. Bargellini, 2012. Sentinel- 2: ESA’s Optical High-Resolution Mission for GMES Operational Services, Remote Sensing of Environment, 120: 25-36.
Engelbrecht, J., A. Theron, L. Vhengani, and J. Kemp, 2017. A simple normalized difference approach to burnt area mapping using multi-polarisation C-Band SAR, Remote Sensing, 9(8): 9-11.
Franco, M.G., I.A. Mundo, and T.T. Veblen, 2020.
Field-validated burn-severity mapping in North Patagonian forests, Remote Sensing, 12(2): 1-18.
Geudtner, D., R. Torres, P. Snoeij, M. Davidson, and B.
Rommen, 2014. Sentinel-1 System capabilities and applications, Proc. of 2014 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, QC, CA, Jul. 13-18, pp.
1457-1460.
Gimeno, M., J.S.M. Ayanz, P.M. Barbosa, and G.
Schmuck, 2003. Burnt-area mapping from ERS- SAR time series using the principal components transformation, In SAR Image Analysis, Modeling, and Techniques V, International Society for Optics and Photonics, 4883: 171-180.
Gill, A.M. S.L. Stephens, and G.J. Cary, 2013. The worldwide “wildfire” problem, Ecological Applications, 23(2): 438-454.
Imperatore, P., R. Azar, F. Calo, D. Stroppiana, P.A.
Brivio, R. Lanari, and A. Pepe,2017. Effect of the Vegetation Fire on Backscattering: An Investigation Based on Sentinel-1 Observations, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(10): 4478-4492.
Jung, J., S.H. Yun, D.J. Kim, and M. Lavalle, 2018. Damage- Mapping Algorithm Based on Coherence Model Using Multitemporal Polarimetric-Interferometric SAR Data, IEEE Transactions on Geoscience and Remote Sensing, 56(3): 1520-1532.
Key, C.H. and N.C. Benson, 2006. Landscape Assessment (LA) sampling and analysis methods, USDA Forest Service – General Technical Report RMRS- GTR-164-CD, Washington, D.C., D.C., USA.
Kim, E,-S., S.-H. Lee, and H.-K. Cho, 2010. Segmentbased Land Cover Classification using Texture Information in Degraded Forest Land of North Korea, Korean Journal of Remote Sensing, 26(5): 477-487 (in Korean with English abstract).
Korea Forest Service, 2021. Forestfire statistical yearbook 2020, Korea Forest Service, Daejeon, KR (in Korean).
Lasaponara, R. and B. Tucci, 2019. Identification of Burned Areas and Severity Using SAR Sentinel-1, IEEE Geoscience and Remote Sensing Letters, 16(6): 917-921.
Mallinis, G., I. Mitsopoulos, and I. Chrysafi, 2018.
Evaluating and comparing sentinel 2A and landsat- 8 operational land imager (OLI) spectral indices for estimating fire severity in a mediterranean pine ecosystem of Greece, GIScience and Remote
Sensing, 55(1): 1-18.
Miller, J.D. and A.E. Thode, 2007. Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR), Remote Sensing of Environment, 109(1): 66-80.
Miller, J.D., E.E. Knapp, C.H. Key, C.N. Skinner, C.J.
Isbell, R.M. Creasy, and J.W. Sherlock, 2009.
Calibration and validation of the relative differenced Normalized Burn Ratio (RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains, California, USA, Remote Sensing of Environment, 113(3): 645-656.
Navarro, G., I. Caballero, G. Silva, P.C. Parra, Á. Vázquez, 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.
Parks, S.A., G.K. Dillon, and C. Miller, 2014. A New Metric for Quantifying Burn Severity: The Relativized Burn Ratio, Remote Sensing, 6(3): 1827-1844.
Quintano, C., A. Fernández-Manso, and O. Fernández- Manso, 2018. Combination of Landsat and Sentinel- 2 MSI data for initial assessing of burn severity, International Journal of Applied Earth Observation and Geoinformation, 64: 221-225.
Rousseeuw, P. J., 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis, Journal of Computational and Applied Mathematics, 20: 53-65.
Rizkinia, M. and D. Sudiana, 2021. Evaluation of Combining Optical and SAR Imagery for Burned Area Mapping using Machine Learning, Proc. of 2021 IEEE 11th Annual Computing and Communication Workshop and Conference, NV, USA, Jan. 27- 30, pp. 52-59.
Roy, D.P., L. Boschetti, and A.M. Smith, 2013. Satellite Remote Sensing of Fires, Fire Phenomena and the Earth System: An Interdisciplinary Guide to Fire Science, 2013: 77-93.
Saulino, L., A. Rita, A. Migliozzi, C. Maffei, E. Allevato, A. Pierto Garonna, and A. Saracino, 2020. Detecting Burn Severity across Mediterranean Forest Types by Coupling Medium-Spatial Resolution Satellite Imagery and Field Data, Remote Sensing, 12(4):
1-21.
Schimel, D. and D. Baker, 2002. The wildfire factor, Nature, 420: 29-30.
Shin, J.I., W.W. Seo, T. Kim, C.S. Woo, and J. Park, 2019. Analysis of availability of high-resolution satellite and UAV multispectral images for forest burn severity classification, Korean Journal of Remote Sensing, 35(6-2): 1095-1106 (in Korean with English abstract).
Sim, S., W. Kim, J. Lee, Y. Kang, J. Im, C. Kwon, and S. Kim, 2020. Wildfire Severity Mapping Using Sentinel Satellite Data Based on Machine Learning Approaches, Korean Journal of Remote Sensing, 36(5-3), 1109-1123 (in Korean with English abstract).
Tanase, M.A., M. Santoro, J. De La Riva, F. Pérez- Cabello, and T. Le Toan, 2010. Sensitivity of X-, C-, and L-band SAR backscatter to burn severity in Mediterranean pine forests, IEEE Transactions on Geoscience and Remote Sensing, 48(10):
3663-3675.
Tanase, M.A., M.A. Belenguer-Plomer, E. Roteta, A.
Bastarrika, J. Wheeler, Á. Fernández-Carrillo, K.
Tansey, W. Wiedemann, P. Navratil, S. Lohberger, F. Siegert, and E. Chuvieco, 2020. Burned area detection and mapping: Intercomparison of Sentinel- 1 and Sentinel-2 based algorithms over tropical Africa, Remote Sensing, 12(2): 334.
Tariq, A., H. Shu, Q. Li, O. Altan, M.R. Khan, M.F.
Baqa, and L. Lu, 2021. Quantitative analysis of forest fires in southeastern australia using sar data, Remote Sensing, 13(12): 2386.
Vassilvitskii, S. and D. Arthur, 2006. k-means++: The advantages of careful seeding, In Proceedings of the eighteenth annual ACM-SIAM symposium on
Discrete algorithms, pp. 1027-1035.
Won, M., K. Jang, S. Yoon, and H. Lee, 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), 1083-1093 (in Korean with English abstract).
Won, M., K. Kim, and S. Lee, 2014. Analysis of Burn Severity in Large-fire Area Using SPOT5 Images and Field Survey Data, Korean Journal of Agricultural and Forest Meteorology, 16(2), 114-124 (in Korean with English abstract).
Won, M, M. Lee, W. Lee, and S. Yoon, 2012. Prediction of Forest Fire Danger Rating over the Korean Peninsula with the Digital Forecast Data and Daily Weather Index (DWI) Model, Korean Journal of Agricultural and Forest Meteorology, 14(1), 1-10 (in Korean with English abstract).
Youn, H. and J. Jeong, 2019. Detection of Forest Fire and NBR Mis-classified Pixel Using Multi-temporal Sentinel-2A Images, Korean Journal of Remote Sensing, 35(6), 1107-1115 (in Korean with English abstract).
