A Study on Temporal Analysis Method for Burned Area Using Landsat 8 Images

doi:10.16879/jkca.2022.22.2.017

All Issue

2022 Vol.22, Issue 2 Preview Page Next Page

Research Article

A Study on Temporal Analysis Method for Burned Area Using Landsat 8 Images Landsat 8 영상을 이용한 산불피해지 시계열변화 분석방법에 관한 연구: 안재성¹, 이양원²
Jaseong Ahn¹, Yangwon Lee²; ¹경일대학교 국토정보학부 교수
²부경대학교 공간정보시스템공학전공 교수

¹Professor, Department of Land and Information Science, Kyungil University
²Professor, Department of Spatial Information Engineering

31 August 2022. pp. 17-26

PDF

Abstract

Forests can be affected by wildfire in the form of primary damage (direct burn) and secondary damage (indirect withering). The distribution of the primary and secondary damages can change according to the elapsed time after a wildfire. This paper examined the method to analyze the temporal change of the damaged areas by wildfire. We proposed a time-series cluster analysis to categorize the wildfire-damaged areas in terms of the temporal change characteristics. A case study of the Kangwon fire in March 2022 shows that the damaged areas were divided into several categories, and three out of the nine groups were affected by the secondary damage. The time-series cluster map can provide information about the areas of the severe damage right after the wildfire and the subsequent damage one or more months later.

Keywords

Satellite image

Burned area

Burn severity

Temporal clustering

산불이 발생하면 수목은 산불의 직접 영향을 받는 1차 피해와 시간이 경과하면서 다양한 원인으로 고사하는 2차 피해를 입는다. 산불 발생 후 피해지 조사 시점에 따라서 산불 피해지의 분포 패턴이 달라지고 2차 피해 현상이 진행하는 과정도 지역마다 다르게 나타난다. 이 연구는 산불발생 후 산불피해지의 변화를 분석하는 방법을 제안하는 것이 목적이다. 이 연구에서 제안하는 방법은 시계열 군집 분석을 통해서 비슷한 피해 변화 양상을 보이는 산불 피해지를 구분할 수 있다. 2022년 3월 4일부터 3월 13일까지 산불이 진행한 울진･삼척 지역을 대상으로 산불 피해지를 분석하였다. 9개의 군집으로 분류한 결과를 보면, 세 개의 군집이 다양한 산불 피해지 변화 양상을 보여주고 있다. 이 연구에서는 각 군집의 지도화로 공간 분포 특성을 보여준다. 산불 피해지가 집중되어 있는 지역, 시기적으로 특정 시기에 산불이 발생한 지역 등에서 각 군집이 분포하는 것을 확인할 수 있다.

키워드

위성영상

산불피해지

산불피해강도

시계열군집분석

References

김구･김형우･이수진･이호상･이양원, 2014, “위성자료를 이용한 한반도 산불정보 하이브리드 앱의 구현 및 활용,” 한국지도학회지 14(3), 29-39. 10.16879/jkca.2014.14.3.029
김대선･박노욱･김나리･김광진･이수진･김영호･김지원･신대윤･조영현･이양원, 2017, “회귀크리깅을 이용한 AMSR2 토양수분자료의 다운스케일링,” 한국지도학회지 17(2), 99-110. 10.16879/jkca.2017.17.2.099
김대선･이양원, 2020, “Sentinel-2 영상과 클러스터링 기법을 이용한 산불피해강도 분류: 2020년 안동 산불을 사례로,” 기후연구 15(3), 173-185. 10.14383/cri.2020.15.3.173
산림청, 2022a, 보도자료: 최병암 산림청장, 경북 울진·강원 삼척 산불 주불진화 완료.
산림청, 2022b, 2021 산불통계연보.
신정일･서원우･김태정･우충식･박주원, 2019, “산불 피해강도 분류를 위한 고해상도 위성 및 무인기 다중분광영상의 활용 가능성 분석,” 대한원격탐사학회지, 35(6-2), 1095-1106. 10.7780/kjrs.2019.35.6.2.6
원명수･구교상･이명보, 2007, “Landsat 영상으로부터 정규화탄화지수 추출과 산불피해지역 및 피해강도의 정량적 분석,” 한국지리정보학회지, 10(3), 80-92.
원명수･장근창･윤석희･이훈택, 2019, “2019년 강원도 대형산불지역의 열해 피해로 인한 피해강도 변화 탐색,” 대한원격탐사학회지, 35(6-2), 1083-1093. 10.7780/kjrs.2019.35.6.2.5
윤형진･정종철, 2019a, “기계학습을 이용한 Sentinel-2 산불피해등급 분류,” 국토연구, 106, 107-117. 10.15793/kspr.2020.106..006
윤형진･정종철, 2019b, “다시기 Sentinel-2A 영상을 활용한 산불피해 변화탐지 및 NBR 오분류 픽셀 탐지,” 대한원격탐사학회지, 35(6-2), 1107-1115. 10.7780/kjrs.2019.35.6.2.7
이수진･김광진･김영호･김지원･이양원, 2017, “Sentinel-2 영상 기반의 FBI(Fire Burn Index) 개발 및 우리나라 산불피해지역 탐지 실험,” 한국사진지리학회지, 27(4), 187-202. 10.35149/jakpg.2017.27.4.012
이수진･원명수･장근창･이병두･변상우･김광진･이양원, 2016, “MODIS 위성자료를 이용한 한반도 산불발생 GIS 데이터베이스 구축,” 한국지도학회지, 16(3), 129-137. 10.16879/jkca.2016.16.3.129
최재완･박홍련･박녕희･한수희･송정헌, 2017, “ITPCA기반의 무감독 변화탐지 기법을 이용한 산림황폐화 분석,” 대한원격탐사학회지, 33(6-3), 1233-1242. 10.16879/jkca.2016.16.3.129
Amos, C., Petropoulos, G., and Ferentinos, K., 2019, Determining the use of Sentinel-2A MSI for wildfire burning & severity detection, International Journal of Remote Sensing, 40(3), 905-930. 10.1080/01431161.2018.1519284
Bär, A., Michaletz, S.T., and Mayr, S., 2019, Fire effects on tree physiology, New Phytologist, 223, 1728-1741. 10.1111/nph.15871
Chuvieco, E., Mouillot, F., van der Werf, G., Miguel, J., Tanase, M., Koutsias, N., Garcia, M., Yebra, M., Padilla, M., Gitas, I., Heil, A., Hawbaker, T., and Giglio, L., 2019, Historical background and current developments for mapping burned area from satellite Earth observation, Remote Sensing of Environment, 225, 45-64. 10.1016/j.rse.2019.02.013
Collins, L, McCarthy, G., Mellor, A., Newell, G., and Smith, L., 2020, Training data requirements for fire severity mapping using Landsat imagery and random forest, Remote Sensing of Environment, 245, 111839. 10.1016/j.rse.2020.111839
Collins, L., Griffioen, P., Newell, G., and Mellor, A., 2018, The utility of Random Forests for wildfire severity mapping, Remote Sensing of Environment, 216, 374-384. 10.1016/j.rse.2018.07.005
Hessburg, P., Salter, R., and James, L., 2007, Re-examining fire severity relations in pre-management era mixed conifer forests: inferences from landscape patterns of forest structure, Landscape Ecology, 22, 5-24. 10.1007/s10980-007-9098-2
Hu, X., Ban, Y., and Nascetti, A., 2021, Uni-temporal multispectral imagery for burned area mapping with deep learning, Remote Sensing, 13, 1509. 10.3390/rs13081509
Hultquist, C., Chen, G., and Zhao, K., 2014, A comparison of Gaussian process regression, random forests and support vector regression for burn severity assessment in diseased forests, Remote Sensing Letter, 5(8), 723-732. 10.1080/2150704x.2014.963733
Irons, J.R., Dwyer, J.L., and Barsi, J.A., 2012, The next landsat satellite: the landsat data continuity mission, Remote Sensing of Environment, 112, 11-21. 10.1016/j.rse.2011.08.026
Keeley, J.E., 2009, Fire intensity, fire severity and burn severity: A brief review and suggested usage, International Journal of Wildland Fire, 18(1), 116-126. 10.1071/wf07049
Key, C.H. and Benson, N.C., 2006, Landscape assessment, in Lutes, D.C., Keane, R.E., Caratti, J.F., Key, C.H., Benson, N.C., Sutherland, S., and Gangi, L.J., eds., FIREMON: Fire Effects Monitoring and Inventory System, US Department of Agriculture. 10.2737/rmrs-gtr-164
Knopp, L., Wieland, M., Rättich, M., and Martinis, S., 2020, A deep learning appraoch for burned area segmentation with Sentinel-2 data, Remote Sensing, 12, 2422. 10.3390/rs12152422
Marlon, J., Bartlein, P., Carcaillet, C., Gavin, D., Harrison, S., Higuera, P., Joose, F., Power, M., and Prentice, I., 2009, Erratum: Climate and human influences on global biomass burning over the past two millennia, Nature Geoscience, 2(4), 307. 10.1038/ngeo468
Paparrizos, J. and Gravano, L., 2016, k-shape: Efficient and accurate clustering of time series, ACM SIGMOD Record, 45(1), 69-76. 10.1145/2949741.2949758
Pereira, A.A., Pereira, J., Libonati, R., Oom, D., Setzer, A.W., Morelli, F., Machado-Silva, F., De Carvalho, L.M.T., 2017, Burned area mapping in the Brazilian savanna using a one-class support vector machine trained by active fires, Remote Sensing, 9(11), 1161. 10.3390/rs9111161
Pinto, M., Libonati, R., Trigo, R., Trigo, I., and DaCamara, C., 2020, A deep learning approach for mapping and dating burned areas using temporal sequences of satellite images, ISPRS Journal of Photogrammetry and Remote Sensing, 160, 260-274. 10.1016/j.isprsjprs.2019.12.014
Scherl, M., 2010, Benchmarking of cluster indices, Ph.D. Thesis, Department of Statistics, Ludwig-Maximilians University.
Seydi, S., Hasanlou, M., and Chanussot, J., 2022, Burnt-Net: Wildfire burned area mapping with single post-fire Sentinel-2 data and deep learning morphological neural network, Ecological Indicators, 140, 108999. 10.1016/j.ecolind.2022.108999

Information

Publisher :The Korean Cartographic Association
Publisher(Ko) :한국지도학회
Journal Title :Journal of the Korean Cartographic Association
Journal Title(Ko) :한국지도학회지
Volume : 22
No :2
Pages :17-26
DOI :https://doi.org/10.16879/jkca.2022.22.2.017

[1] 김구･김형우･이수진･이호상･이양원, 2014, “위성자료를 이용한 한반도 산불정보 하이브리드 앱의 구현 및 활용,” 한국지도학회지 14(3), 29-39. 10.16879/jkca.2014.14.3.029

[2] 김대선･박노욱･김나리･김광진･이수진･김영호･김지원･신대윤･조영현･이양원, 2017, “회귀크리깅을 이용한 AMSR2 토양수분자료의 다운스케일링,” 한국지도학회지 17(2), 99-110. 10.16879/jkca.2017.17.2.099

[3] 김대선･이양원, 2020, “Sentinel-2 영상과 클러스터링 기법을 이용한 산불피해강도 분류: 2020년 안동 산불을 사례로,” 기후연구 15(3), 173-185. 10.14383/cri.2020.15.3.173

[4] 산림청, 2022a, 보도자료: 최병암 산림청장, 경북 울진·강원 삼척 산불 주불진화 완료.

[5] 산림청, 2022b, 2021 산불통계연보.

[6] 신정일･서원우･김태정･우충식･박주원, 2019, “산불 피해강도 분류를 위한 고해상도 위성 및 무인기 다중분광영상의 활용 가능성 분석,” 대한원격탐사학회지, 35(6-2), 1095-1106. 10.7780/kjrs.2019.35.6.2.6

[7] 원명수･구교상･이명보, 2007, “Landsat 영상으로부터 정규화탄화지수 추출과 산불피해지역 및 피해강도의 정량적 분석,” 한국지리정보학회지, 10(3), 80-92.

[8] 원명수･장근창･윤석희･이훈택, 2019, “2019년 강원도 대형산불지역의 열해 피해로 인한 피해강도 변화 탐색,” 대한원격탐사학회지, 35(6-2), 1083-1093. 10.7780/kjrs.2019.35.6.2.5

[9] 윤형진･정종철, 2019a, “기계학습을 이용한 Sentinel-2 산불피해등급 분류,” 국토연구, 106, 107-117. 10.15793/kspr.2020.106..006

[10] 윤형진･정종철, 2019b, “다시기 Sentinel-2A 영상을 활용한 산불피해 변화탐지 및 NBR 오분류 픽셀 탐지,” 대한원격탐사학회지, 35(6-2), 1107-1115. 10.7780/kjrs.2019.35.6.2.7

[11] 이수진･김광진･김영호･김지원･이양원, 2017, “Sentinel-2 영상 기반의 FBI(Fire Burn Index) 개발 및 우리나라 산불피해지역 탐지 실험,” 한국사진지리학회지, 27(4), 187-202. 10.35149/jakpg.2017.27.4.012

[12] 이수진･원명수･장근창･이병두･변상우･김광진･이양원, 2016, “MODIS 위성자료를 이용한 한반도 산불발생 GIS 데이터베이스 구축,” 한국지도학회지, 16(3), 129-137. 10.16879/jkca.2016.16.3.129

[13] 최재완･박홍련･박녕희･한수희･송정헌, 2017, “ITPCA기반의 무감독 변화탐지 기법을 이용한 산림황폐화 분석,” 대한원격탐사학회지, 33(6-3), 1233-1242. 10.16879/jkca.2016.16.3.129

[14] Amos, C., Petropoulos, G., and Ferentinos, K., 2019, Determining the use of Sentinel-2A MSI for wildfire burning & severity detection, International Journal of Remote Sensing, 40(3), 905-930. 10.1080/01431161.2018.1519284

[15] Bär, A., Michaletz, S.T., and Mayr, S., 2019, Fire effects on tree physiology, New Phytologist, 223, 1728-1741. 10.1111/nph.15871

[16] Chuvieco, E., Mouillot, F., van der Werf, G., Miguel, J., Tanase, M., Koutsias, N., Garcia, M., Yebra, M., Padilla, M., Gitas, I., Heil, A., Hawbaker, T., and Giglio, L., 2019, Historical background and current developments for mapping burned area from satellite Earth observation, Remote Sensing of Environment, 225, 45-64. 10.1016/j.rse.2019.02.013

[17] Collins, L, McCarthy, G., Mellor, A., Newell, G., and Smith, L., 2020, Training data requirements for fire severity mapping using Landsat imagery and random forest, Remote Sensing of Environment, 245, 111839. 10.1016/j.rse.2020.111839

[18] Collins, L., Griffioen, P., Newell, G., and Mellor, A., 2018, The utility of Random Forests for wildfire severity mapping, Remote Sensing of Environment, 216, 374-384. 10.1016/j.rse.2018.07.005

[19] Hessburg, P., Salter, R., and James, L., 2007, Re-examining fire severity relations in pre-management era mixed conifer forests: inferences from landscape patterns of forest structure, Landscape Ecology, 22, 5-24. 10.1007/s10980-007-9098-2

[20] Hu, X., Ban, Y., and Nascetti, A., 2021, Uni-temporal multispectral imagery for burned area mapping with deep learning, Remote Sensing, 13, 1509. 10.3390/rs13081509

[21] Hultquist, C., Chen, G., and Zhao, K., 2014, A comparison of Gaussian process regression, random forests and support vector regression for burn severity assessment in diseased forests, Remote Sensing Letter, 5(8), 723-732. 10.1080/2150704x.2014.963733

[22] Irons, J.R., Dwyer, J.L., and Barsi, J.A., 2012, The next landsat satellite: the landsat data continuity mission, Remote Sensing of Environment, 112, 11-21. 10.1016/j.rse.2011.08.026

[23] Keeley, J.E., 2009, Fire intensity, fire severity and burn severity: A brief review and suggested usage, International Journal of Wildland Fire, 18(1), 116-126. 10.1071/wf07049

[24] Key, C.H. and Benson, N.C., 2006, Landscape assessment, in Lutes, D.C., Keane, R.E., Caratti, J.F., Key, C.H., Benson, N.C., Sutherland, S., and Gangi, L.J., eds., FIREMON: Fire Effects Monitoring and Inventory System, US Department of Agriculture. 10.2737/rmrs-gtr-164

[25] Knopp, L., Wieland, M., Rättich, M., and Martinis, S., 2020, A deep learning appraoch for burned area segmentation with Sentinel-2 data, Remote Sensing, 12, 2422. 10.3390/rs12152422

[26] Marlon, J., Bartlein, P., Carcaillet, C., Gavin, D., Harrison, S., Higuera, P., Joose, F., Power, M., and Prentice, I., 2009, Erratum: Climate and human influences on global biomass burning over the past two millennia, Nature Geoscience, 2(4), 307. 10.1038/ngeo468

[27] Paparrizos, J. and Gravano, L., 2016, k-shape: Efficient and accurate clustering of time series, ACM SIGMOD Record, 45(1), 69-76. 10.1145/2949741.2949758

[28] Pereira, A.A., Pereira, J., Libonati, R., Oom, D., Setzer, A.W., Morelli, F., Machado-Silva, F., De Carvalho, L.M.T., 2017, Burned area mapping in the Brazilian savanna using a one-class support vector machine trained by active fires, Remote Sensing, 9(11), 1161. 10.3390/rs9111161

[29] Pinto, M., Libonati, R., Trigo, R., Trigo, I., and DaCamara, C., 2020, A deep learning approach for mapping and dating burned areas using temporal sequences of satellite images, ISPRS Journal of Photogrammetry and Remote Sensing, 160, 260-274. 10.1016/j.isprsjprs.2019.12.014

[30] Scherl, M., 2010, Benchmarking of cluster indices, Ph.D. Thesis, Department of Statistics, Ludwig-Maximilians University.

[31] Seydi, S., Hasanlou, M., and Chanussot, J., 2022, Burnt-Net: Wildfire burned area mapping with single post-fire Sentinel-2 data and deep learning morphological neural network, Ecological Indicators, 140, 108999. 10.1016/j.ecolind.2022.108999

Journal of the Korean Cartographic Association ISSN:1598-6160(Print) 한국지도학회지

All Issue