서 론

산불은 지질재해 발생 위험을 높이는 재해 중 하나로, 짧은 시간 안에 광범위한 산림을 소실시키며 생태계와 사회 전반에 막대한 영향을 미친다(Sim et al., 2020, Lee et al., 2024; Tran et al., 2025). 특히 초대형 산불(catastrophic wildfires)은 강풍과 건조한 기상 조건이 결합할 경우 급속도로 확산되어 인명 피해, 재산 손실 뿐만 아니라 산림 생태계 파괴, 토양 황폐화, 대기질 악화, 기간 산업 파괴 등 다양한 부정적 영향을 초래한다. 최근 기후변화로 인한 고온·건조 일수 증가와 이상기후의 빈발은 초대형 산불 발생 가능성을 더욱 높이고 있으며, 이에 따라 산불에 대한 이해와 관리의 필요성이 강조되고 있다. 우리나라의 산불은 주로 봄철 건조기에 집중되며, 산림청은 피해 면적이 100 ha 이상인 경우를 대형 산불로 정의한다(https://www.forest.go.kr). 그러나 최근 수천 ha에 달하는 초대형 산불이 발생하고 있으며, 이들은 단기간에 국가적 재난으로 확대되는 특징을 가진다. 대표적인 사례로는 2025년 의성–경북 산불, 2022년 울진–삼척 산불, 2022년 강릉–동해 산불, 2020년 안동 산불이 있으며, 이들 산불은 수천에서 수만 ha의 산림을 소실시키며 사회·경제적 충격을 초래하였다. 이처럼 장기간 지속되고 광역적으로 확산되는 산불은 단순한 행정적 정의를 넘어선 심층적 분석이 필요하다.

Landsat 8/9 위성 영상은 30 m 공간해상도와 다중 분광 밴드를 제공하여 산림 연소 전후 상태를 비교하는 데 적합하다(Kim et al., 2022; Gao et al., 2025, Jeong and Son, 2025). 이 중 정규화 연소지수 차(differenced Normalized Burn Ratio, dNBR)는 산불 피해를 정량적으로 평가하는 대표적인 지표로, United States Geological Survey (USGS)에서는 dNBR 값을 기준으로 피해 강도를 다섯 개 등급으로 구분(Unburned/Low: <0.1, Low: 0.1–0.27, Moderate-Low: 0.27–0.44, Moderate-High: 0.44–0.66, High: ≥0.66)하고 있다(Lee et al., 2017; Youn and Jeong, 2019, Guiop-Servan et al., 2025).

따라서 본 연구에서는 2015년부터 2025년까지 국내에서 발생한 1,000 ha 이상, 3일 이상 지속된 초대형 산불 사례를 대상으로 Landsat 8/9 위성 영상을 활용한 dNBR 분석을 수행하였다. 특히 Class 4 (High Severity, dNBR ≥ 0.66)를 실질적 산림 소실 영역으로 간주하여 피해 면적을 산출함으로써, 피해 등급의 정량적 지표를 제시하고자 한다. 이를 통해 대형 산불의 피해 특성과 공간 분포를 규명하고, 향후 산불 취약성 평가 및 산불 확산 시뮬레이션 연구의 기초자료를 제공하는 데 그 목적이 있다.

연구지역

산림청에서 제공하는 공식 집계 자료(KFS, 2025)는 2015년부터 2024년까지 산불 피해 데이터를 제공하며 산불 발화 시기, 진화 시기, 발화 원인 및 피해 면적을 포함한다. 이 기간 동안 발생한 국내 대형 산불 중 피해 면적이 1,000 ha 이상이고, 3일 이상 지속된 주요 사례를 초대형 산불로 정의하고 연구지역을 선정하였으며 2025년 3월에 발생한 초대형 산불 사례를 추가적으로 분석하였다(Fig. 1).

2025년 의성–경북 산불은 3월 22일부터 3월 30일까지 약 9일간 지속되었으며, 의성군에서 발화하여 안동시, 청송군, 영양군, 영덕군, 울진군, 군위군 등 경북 북부 전역으로 확산되었다. 피해 면적은 99,490 ha로, 국내 산불 역사상 최대 규모 중 하나이다. 2022년 울진–삼척 산불은 2022년 3월 4일부터 3월 13일까지 10일간 지속되었으며, 경북 울진군 북부에서 발화하여 강원도 삼척시까지 확산되었다. 피해 면적은 16,302 ha로, 강원·경북 접경 지역의 대표적인 대형 산불 사례이다. 2022년 강릉–동해 산불은 2022년 3월 5일부터 3월 11일까지 발생하였으며, 강릉시와 동해시 일대의 산림을 소실시켰다. 피해 면적은 4,190 ha로, 강원 영동 지역의 대표적인 대규모 산불로 기록된다. 2020년 안동 산불은 2020년 4월 24일부터 4월 27일까지 4일간 지속되었으며, 안동시 풍천면 일대를 중심으로 확산되었다. 피해 면적은 1,944 ha로, 상대적으로 규모는 작지만 농경지와 인근 마을까지 확산되어 사회·경제적 피해가 크게 발생하였다. 이들 연구지역은 모두 봄철 건조기(3–4월)에 발생하였으며, 강풍과 낮은 습도가 결합하여 산불 확산을 가속화시켰다. 또한 대부분 산림이 밀집된 영동 및 영남 내륙 지역에서 발생하여, 지형적 요인과 기상 조건이 복합적으로 작용해 대형 산불로 발전한 공통적인 특성을 보인다.

Fig. 1.

Location of the study area covering selected administrative districts in northern Gyeongsangbuk-do and southern Gangwon-do, South Korea, where catastrophic wildfires occurred from 2015 to 2025.

Fig. 2는 2015년부터 2024년까지 총 5,455건 중 계절별 산불 발생 건수를 나타낸 것이다. 전체 산불 중 봄철(3–5월)에 발생한 건수가 3,028건(55.51%)으로 절반 이상을 차지하였으며, 이는 건조한 기상 조건과 강풍이 겹치는 시기적 특성과 밀접한 관련이 있다. 겨울철(12–2월)에도 1,458건(26.73%)이 발생하여 비교적 높은 비율을 보였는데, 이는 난방 및 입산 활동 증가와 건조한 날씨가 주요 원인으로 작용한다. 반면, 여름철(6–8월, 503건, 9.22%)과 가을철(9–11월, 466건, 8.54%)에는 상대적으로 산불 발생 빈도가 낮았다. 이러한 결과는 우리나라 산불이 특정 계절, 특히 봄철과 겨울철에 집중되는 특성을 보여주며, 산불 관리 및 방재 정책 수립 시 계절적 요인을 고려해야 함을 시사한다. Fig. 3은 2015년부터 2024년까지 우리나라에서 발생한 산불의 연도별 발생 건수와 피해 면적을 산불 규모별 기준에 따라 제시한 결과이다. 전체 산불 발생 현황(Fig. 3a)은 연간 발생 건수는 2015년부터 2021년까지 약 600건 내외로 비교적 안정적인 수준을 유지하였다. 그러나 2022년에는 총 756건으로 급증하였으며, 같은 해 피해 면적은 약 25,000 ha에 달해 다른 연도와 뚜렷한 차이를 보였다. 100 ha 이상 대형 산불(Fig. 3b)의 경우, 매년 평균 2–3건 발생하는 수준에 그쳤으나, 2022년에는 11건이 발생하여 피해 면적이 20,000 ha를 초과하였다. 500 ha 이상 대형 산불(Fig. 3c)은 2022년에만 5건이 집중적으로 발생하였으며, 이로 인해 약 22,000 ha의 피해 면적이 집계되었다. 마지막으로, 1,000 ha 이상 초대형 산불(Fig. 3d)은 2019년, 2020년, 2023년에 각각 1건씩 발생하였으나 피해 면적은 수천 ha 수준에 머물렀다. 반면, 2022년에는 단일 연도에 2건이 발생하였으며, 피해 면적이 20,000 ha 이상으로 집계되어 최근 10년간 가장 심각한 초대형 산불 피해를 기록하였다. 종합하면, 2022년은 발생 빈도와 피해 면적 모두에서 최근 10년 동안 가장 심각한 산불 피해가 나타난 해로 평가된다. 이는 기상 조건, 지형적 특성, 연료 조건이 복합적으로 작용하여 초대형 산불로 발전했음을 시사한다.

Fig. 2.

Seasonal distribution of wildfire occurrences in South Korea from 2015 to 2024. The majority of wildfires occurred in spring (55.51%), followed by winter (26.73%), summer (9.22%), and autumn (8.54%).

Fig. 3.

Annual wildfire statistics in South Korea from 2015 to 2024: Orange bars indicate the total burned area (ha), and blue lines represent the number of wildfire events.

연구방법

본 연구에서는 Google Earth Engine (GEE) 플랫폼을 활용하여 국내 주요 초대형 산불 사례(≥1,000 ha, ≥3일 지속)의 피해를 정량적으로 분석하였다. 사용된 영상자료는 Landsat 8 및 Landsat 9 Collection 2, Tier 1, Level-2 (Level-2 Science Products)이며, 이는 표준 방사보정 및 대기보정이 이미 적용된 자료로써 반사도 변환에 적합하다. 우선, 각 Landsat 영상에 대해 USGS에서 제공하는 스케일 계수(0.0000275)와 오프셋(-0.2)을 적용하여 밴드값을 반사도로 변환하였다. 이후, QA_PIXEL 밴드를 활용하여 구름 및 기타 잡음 요소를 제거하였다. QA_PIXEL 밴드에는 Cirrus (비트 2), Cloud (비트 3), Cloud Shadow (비트 4), Snow (비트 5) 등의 품질 정보가 포함되어 있으며, 이를 이진 연산으로 추출·마스킹하여 구름, 그림자, 적설지역을 제거하였다. 이를 통해 화재 전후 영상에서의 노이즈를 최소화하고, 안정적인 반사도 자료를 확보하였다. 각 산불별로 발화일(occurrence date)과 진화일(extinguishing date)을 기준으로, 전후 60일의 기간을 설정하였다. 해당 기간 동안 AOI (Area of Interest, 분석영역) 내에 포함되며 구름량이 50% 이하인 장면을 선별하였다. AOI는 행정구역 경계(GADM v4.1의 시·군 단위)를 기반으로 연구 대상 지역을 정의한 뒤, Earth Engine 내 FeatureCollection.geometry 함수를 통해 다중 폴리곤을 통합하여 구축하였다. 선별된 장면은 median 합성을 통해 대표 영상을 생성하였는데, 이는 화소 단위의 중위수 계산을 통해 잔여 구름, 대기 변동성, 센서 노이즈의 영향을 줄이는 데 효과적이다. 결과적으로 각 산불 전후를 대표하는 합성 영상이 구축되었다. 산불 피해 산정을 위해 정규화 연소지수(Normalized Burn Ratio, NBR)를 산출하였다. NBR은 근적외선 밴드(B5)와 단파적외선 밴드(B7)를 활용하여 (B5−B7) / (B5+B7)로 계산된다. 산불 전후 합성 영상에서 각각 NBR을 산출한 뒤, 두 시기의 차이를 구하여 정규화 연소지수 차이(dNBR)를 도출하였다. dNBR 값은 화재 전후의 식생 변화를 정량적으로 나타내며, 값이 클수록 피해 강도가 높음을 의미한다. 도출된 dNBR은 USGS 기준 분류체계를 적용해 등급화하였다. dNBR < 0.10은 무피해·경미 피해, 0.10–0.27은 저강도 피해, 0.27–0.44는 중·저강도 피해, 0.44–0.66은 중·고강도 피해, 0.66 이상은 고강도 피해(Class 4)로 구분하였다. 특히 본 연구에서는 Class 4 (≥0.66)를 산림이 실질적으로 소실된 영역으로 정의하여 피해 면적을 집계하였다(Fig. 4).

Fig. 4.

Workflow for burn severity assessment of catastrophic wildfires using Landsat 8/9 Collection 2 Level-2 surface reflectance data within the Google Earth Engine (GEE) platform. The procedure includes QA_PIXEL-based cloud masking, AOI definition, median compositing of pre- and post-fire imagery, NBR and dNBR calculation, USGS severity classification, and extraction of high-severity burned areas (Class 4, dNBR ≥ 0.66).

이러한 접근은 행정적으로 피해 면적을 산출하는 산림청의 방식과 비교·연계가 가능하며, 과대추정 위험을 완화하면서도 심각 피해 구간을 효과적으로 반영할 수 있는 장점을 가진다. 분석 결과는 Landsat RGB 합성(4-3-2 밴드), dNBR 분포도, 피해 강도별 클래스를 시각화하였다. 최종적으로, 산불별 dNBR 분석 결과를 기반으로 피해 규모(ha, km²) 및 강도별 비율을 도출하였다.

연구결과

본 연구에서는 2015년부터 2025년까지 국내에서 발생한 대표적인 초대형 산불을 대상으로 산불 피해 정도를 정량화하기 위해 dNBR을 적용하였다. Fig. 5는 2025년 의성–경북, 2022년 울진–삼척, 2022년 강릉–동해, 2020년 안동 등 네 차례 주요 산불에 대한 피해등급 공간 분포를 나타낸 것이다. 피해등급은 0–4로 구분되었으며, 0은 피해 없음(unburned), 1–2는 경미–중간 피해(low to moderate severity), 3은 심각(high severity), 4는 매우 심각(very high severity)을 의미한다. 분석 결과 2025년 의성–경북 산불은 전체 면적에서 심각(3등급) 및 매우 심각(4등급) 피해가 중앙과 남부 산림 지역을 중심으로 광범위하게 나타나 분석 기간 중 가장 큰 피해를 기록하였으며, 이는 극한 기상 조건에서 산불이 급격히 확산되었음을 보여주고 광범위한 생태계 교란을 시사한다. 2022년 울진–삼척 산불은 동해안 산악지형을 따라 길게 이어진 고등급 피해 지역이 뚜렷하게 확인되었는데, 이는 강풍과 지형적 요인이 화세를 능선부와 사면으로 집중시켜 광범위한 고강도 피해를 유발했음을 반영한다. 같은 해 발생한 강릉–동해 산불은 전체 소각 면적이 울진–삼척에 비해 상대적으로 작았으나 특정 지역에서 국지적으로 고등급 피해(3–4등급)가 집중되는 양상이 나타났으며, 이는 동해안 소나무림 중심의 생태계가 건조·강풍 조건에서 작은 화재에도 급격히 확산될 수 있음을 보여준다. 2020년 안동 산불은 규모가 비교적 작았음에도 불구하고 북부 지역을 중심으로 고등급 피해가 관찰되어 국지적 기상 및 식생 조건에 따라 소규모 산불도 심각한 피해를 야기할 수 있음을 확인하였다.

Fig. 5.

dNBR-based burn severity classification of catastrophic wildfires from 2015 to 2025 in South Korea using Landsat 8/9 imagery: (a) the 2025 Uiseong-Gyeongbuk wildfire, (b) the 2022 Uljin-Samcheok wildfire, (c) the 2022 Gangneung-Donghae wildfire, and (d) the 2020 Andong wildfire. The color scheme represents burn severity classes (0: unburned/low, 1-2: low to moderate, 3: high, 4: very high severity).

정량적 피해 규모는 Table 1에 제시되어 있으며, 이는 각 산불에 대한 피해 심각도별 면적을 나타낸다. 2025년 의성–경북 산불은 총 피해 면적이 약 7,304.6 km²로 가장 광범위하였고, 이 중 고강도 피해(Class 4)는 228.4 km²로 분석 기간 내 초대형 산불 중 피해가 가장 심각하였다. 2022년 울진–삼척 산불은 총 피해 면적이 2,316.4 km²였으며, 이 가운데 20.7 km²가 고강도 피해 지역으로 나타났다. 강릉–동해 산불은 총 1,371.3 km²의 피해 면적을 기록하였고, 특히 저강도 피해(Class 1)가 148.6 km²로 상대적으로 높은 비중을 차지하였다. 반면 2020년 안동 산불은 전체 피해 면적이 1,884.3 km²였으나 고강도 피해 지역은 5.8 km²에 불과하여 다른 산불에 비해 피해 강도가 제한적이었다.

종합하면, Fig. 5에서 확인된 공간적 피해 분포와 Table 1에서 제시된 심각도별 면적 통계는 2015–2025년 사이 초대형 산불의 피해 규모와 심각도가 발생 지역의 기상·지형 조건에 따라 크게 달라짐을 보여준다. 특히 고강도 피해 지역(Class 4)의 규모와 공간 분포는 산림 복원 전략 수립, 토지이용 계획, 그리고 산불 후 2차 재해(산사태, 토석류 등) 위험 평가에 있어 핵심적으로 고려되어야 할 지표임을 확인할 수 있다.

토 론

본 연구는 Landsat 8/9 위성 영상을 활용하여 국내 주요 대형 산불 사례의 피해 특성을 dNBR 기반으로 정량화하였다. 그 결과, 피해 면적뿐만 아니라 피해 강도의 공간적 분포까지 규명할 수 있었으며, 이는 기존의 행정 집계 자료가 제공하지 못하는 중요한 정보를 보완한다. 특히 Class 4 (High Severity, dNBR ≥ 0.66) 영역은 산림이 실질적으로 소실된 구간을 반영함으로써, 산불 이후 환경적·지형적 2차 재해 위험 평가에 활용될 수 있는 잠재력이 크다.

첫째, 산사태 취약성 평가와의 연계성이다. 산불 피해가 심각한 지역은 지표의 유기물층이 제거되고, 토양 구조가 변형되며, 불침투성 수층(hydrophobic layer)이 형성될 가능성이 높다. 이러한 변화는 강우 시 지표면 유출을 급격히 증가시켜 산사태와 토석류 발생 위험을 크게 높인다. dNBR Class 4로 분류된 고강도 피해 지역은 이러한 토양·수문학적 변화가 극대화된 영역으로 간주할 수 있으며, 향후 산사태 및 토석류 취약성 지도 작성 시 중점 고려 지역으로 설정할 수 있다. 특히, 고해상도 DEM, 강우 시나리오, 토양 데이터와의 융합을 통해 산불 후 복합재해(Fire-Flood-Landslide Cascade) 위험성을 평가하는 데 핵심적인 입력자료로 활용 가능하다.

둘째, 산불 확산 시뮬레이션의 기초자료로서 의미가 있다. 산불의 확산 가능성은 연료 조건, 지형, 기상 요소에 크게 좌우된다. dNBR 기반 피해 분포는 과거 산불에서 어떤 지역이 고강도 피해를 입었는지 보여줌으로써, 동일 지역에서의 연료 가연성(Fuel availability)과 산불 지속성(Fire persistence)을 추정하는 데 도움이 된다. 예를 들어, Class 1–2로 분류된 저강도 피해 지역은 일정 수준의 연료가 잔존할 수 있으나, Class 4 지역은 연료가 거의 전소되어 단기간 재발 위험은 낮지만 중장기적으로는 산림 복원 양상에 따라 다시 취약성을 가질 수 있다. 따라서 dNBR 분석은 향후 산불 확산 모델(예: FARSITE, FlamMap) 구축 시 초기 연료 조건의 보정 및 시뮬레이션 검증 자료로 활용될 수 있다.

셋째, 본 연구는 국내 산불 관리 정책 및 복구 계획에도 실질적인 시사점을 제공한다. 기존의 산불 피해 면적 집계는 단일 수치로 제시되는 반면, dNBR 기반 분석은 피해 강도별 면적 비율과 공간 분포를 함께 제시함으로써 복구 우선순위 지역 설정에 직접적으로 기여할 수 있다. 예컨대, Class 4 피해 지역은 조림·복원 사업이 시급히 필요한 지역으로, Class 1–2 피해 지역은 자연 복원 가능성이 높은 지역으로 구분할 수 있다. 이는 한정된 예산과 인력을 효율적으로 배분하는 데 중요한 기준이 된다.

또한, GeoAI 기반의 산불 취약성 연구에서는 산림 유형, 임상도, 토양도 등의 정적 공간 데이터를 기계학습 모델과 통합하여 사전적 위험 지역 예측에 집중하고 있다(Nam et al., 2024). 본 연구에서 제시한 dNBR 기반 피해 강도 결과는 그러한 사전 예측 결과의 후속 검증 지표(post-validation indicator)로서도 활용될 수 있다. 특히 고위험지역의 실제 피해 강도와 예측 정확도를 비교함으로써 모델의 설명력 향상 및 지역 맞춤형 취약성 평가 체계 확립에 기여할 수 있다.

종합하면, dNBR Class 4를 활용한 산불 피해 분석은 단순한 면적 추정을 넘어, 산사태와 같은 2차 재해 취약성 평가, 산불 확산 시뮬레이션의 초기 조건 설정 및 검증, 복구 및 관리 전략 수립 등 다양한 방면에서 활용 가능하다. 이러한 통합적 접근은 향후 기후변화로 인한 대형 산불의 증가 추세에 대응하는 효과적인 근거자료를 제공할 것으로 기대된다.

결 론

산림청은 피해 면적 100 ha 이상을 대형 산불로 규정하고 있으나, 본 연구는 대규모 산불의 고강도 피해 특성을 규명하기 위해 피해 면적 1,000 ha 이상, 지속 기간 3일 이상을 초대형 산불(catastrophic wildfires)로 정의하여 분석하였다. Google Earth Engine 기반 Landsat 8/9 위성 영상을 활용해 산불 전·후 시계열 합성으로 dNBR을 산출하고, USGS 기준에 따라 5개 등급으로 분류하였다. 이 중 Class 4 (High Severity, dNBR ≥ 0.66)를 실질적 산림 소실 영역으로 간주하여 피해 면적을 평가하였다. 사례 분석 결과, 2025년 의성–경북 산불은 Class 4 피해 면적이 22,837 ha로 최근 10년간 가장 큰 규모였으며, 2022년 울진–삼척 산불은 2,074 ha, 2020년 안동 산불은 584 ha, 2022년 강릉–동해 산불은 143 ha로 나타났다. 이는 동일 연도와 산불이라도 피해 규모와 강도 분포가 크게 달라질 수 있음을 보여주며, 단일 수치의 총 피해 면적으로는 파악하기 어려운 공간적 이질성을 드러낸다. Class 4 기반 정량화는 복구 우선순위 설정과 예산 배분을 지원하는 정책적 의사결정 자료로 활용될 수 있으며, 연소 후 토양 유실과 산사태 위험 구역을 특정해 2차 재해 취약성 평가에도 기여할 수 있다. 또한 고강도 피해 분포는 산불 확산 시뮬레이션의 초기 조건 보정과 검증 자료로 유용하며, 동일한 절차는 다른 지역이나 시기에도 적용 가능해 표준화된 비교·축적 연구로 이어질 수 있다. 결론적으로, 본 연구는 기존의 100 ha 기준을 넘어 1,000 ha 이상·3일 이상 지속되는 초대형 산불 개념을 도입하여 국내 사례를 분석하였으며, Class 4 기준 피해 산정이 피해 등급 및강도의 공간 분포를 반영한다는 점에서 의의가 크다. 이러한 접근은 산불 복구 전략, 산불 취약성 평가, 산불 확산 시뮬레이션 등 재해 관리 전반에 활용 가능한 기초자료를 제공할 것이라 판단된다.