서 론

최근 위성영상 기반 산불 모니터링은 기후변화로 인한 산불 발생의 빈도와 강도가 증가함에 따라 그 중요성이 급격히 부각되고 있다(Chuvieco et al., 2019). 특히, 산불의 조기 탐지와 실시간 확산 모니터링은 피해 최소화를 위해 필수적이며, 이를 위해 높은 시간해상도의 정지궤도 위성 자료가 활발히 활용되고 있다(Di Biase and Laneve, 2018). 이러한 산불은 산림·생태계 파괴 뿐 아니라 기후변화, 대기오염, 수자원 및 수환경 변화와도 밀접한 관련이 있다(Zhang et al., 2011). 특히 한반도 동해안 및 내륙 산악지형에서는 산불이 수역과 인접하여 발생하는 경우가 많으며, 이러한 수환경 조건이 위성 기반 산불 탐지 알고리즘 오탐지의 주요 원인으로 지목되고 있다(Hall et al., 2019). 예를 들면, 수역과 혼재된 지형에서는 수면 반사나 낮과 밤의 변화가 산불 열신호와 유사한 스펙트럼·열 특성을 나타낼 수 있어 탐지 신뢰도를 낮출 수 있다(Wang et al., 2024).

정지궤도 기상위성 GEO-KOMPSAT-2A (GK-2A)는 약 36,000 km 고도에서 한반도 및 동아시아 지역을 관측하며, 최대 2분 간격의 고빈도 관측이 가능하여 산불 감시체계 구축에 적합한 자료를 제공한다(Kim et al., 2021). 그러나 advanced meteorological imager (AMI) 센서의 공간해상도가 상대적으로 낮아, 작은 화점이나 복잡한 배경(산림-수역 혼재지역 등)에서는 오탐지가 빈번히 발생한다. 이러한 이유로 고해상도 극궤도 위성에 탑재된 센서인 visible infrared imaging radiometer suite (VIIRS)의 VNP14IMG와 moderate resolution imaging spectroradiometer (MODIS)의 MCD14DL 활성산불(active fire) 산출물을 참조 라벨(reference label)로 활용하여 Himawari-8, GK-2A와 같은 정지궤도 위성의 학습 데이터 품질을 향상시키는 연구들이 제안되고 있다(Chen et al., 2022; Kang et al., 2022).

정확한 산불 탐지를 위해서는 구름의 영향을 제거하는 전처리 과정이 필수적이다. 구름은 산불 픽셀을 차폐하거나 밝기온도(brightness temperature, BT)와 반사율(reflectance)을 왜곡시켜 산불로 오탐지될 수 있다(Xie et al., 2018; Zhou et al., 2023). 또한, 구름 마스크가 부정확할 경우 실제 산불 픽셀이 제거되거나 주변 배경이 불필요하게 마스킹되어 탐지 성능이 저하될 수 있다. 기존의 고정 임계값 기반 구름 마스킹은 단순하고 빠르지만, 구름의 시공간적 특성 변화에 유연하게 대응하지 못하는 한계가 있다. 이에 따라 최근 연구에서는 Otsu 알고리즘 기반의 자동 임계값 조정(dynamic thresholding) 기법이 도입되어, 밝기온도와 반사율 분포의 통계적 변화를 고려해 얇은 구름이나 산간 지역의 부분적 구름을 효과적으로 마스킹하는 방법이 제안되고 있다(Zhang et al., 2020).

이와 같은 구름 마스킹 기법의 개선은 산불 탐지 정확도 향상에 직결되지만, 실제 운용 단계에서는 다양한 환경 조건·밴드 조합·전처리 방식의 영향이 복합적으로 작용하므로, 개별 모델의 수작업 튜닝만으로는 최적 성능을 확보하기 어렵다. 이러한 한계를 극복하기 위해 최근에는 머신러닝 및 딥러닝 기반 접근법이 산불 및 구름 탐지에 폭넓게 적용되고 있다. Liu et al. (2023)은 공간 문맥(spatial contextual) 정보와 머신러닝 모델인 random forest (RF)를 결합하여 구름·수역 혼재 지역에서의 오탐지를 효과적으로 감소시켰으며, Kang et al. (2022)은 Himawari-8 AHI 위성의 시계열 복사 신호를 활용한 딥러닝 기반 산불 탐지 모델을 제안하여 정지궤도 위성의 시간해상도 장점을 극대화하였다. 또한, 다채널 위성영상의 스펙트럼 특성을 입력으로 한 convolutional neural network (CNN) 기반 산불 탐지 모델이 제안되어, 구름 및 연무에 의한 탐지 혼선을 효과적으로 완화할 수 있음이 보고되었다(Ghali and Akhloufi, 2023). 이러한 연구들은 다양한 위성영상과 학습 알고리즘을 통합함으로써, 구름 및 복잡한 배경 조건 하에서도 산불 탐지 신뢰도를 향상시킬 수 있음을 시사한다.

그러나 기존 연구에서는 다양한 구름 탐지 및 마스킹 기법이 제안되어 왔음에도 불구하고, 동일한 학습 조건과 데이터셋 환경에서 서로 다른 구름 마스킹 전처리 기법이 산불 탐지 정확도에 미치는 영향을 정량적으로 비교 및 평가한 연구는 미비한 실정이다. 따라서, 본 연구에서는 정지궤도 위성 GK-2A/AMI 영상을 활용하여 구름 마스킹 기법별 산불 탐지 성능을 정량적으로 비교·분석하고자 한다. 이를 위해 데이터 전처리부터 모델 학습, 하이퍼파라미터 최적화 과정 등을 자동화함으로써 주관적 개입을 최소화하고 다양한 알고리즘을 동일한 기준에서 비교·평가할 수 있는 automated machine learning (AutoML) 기법을 적용하였다. 세 가지 구름 마스킹 기법인 (1) GK-2A 구름 산출물(cloud detection, CLD) 기반, (2) 고정 임계값 기반, (3) Otsu 자동 임계값 기반 기법을 동일 데이터셋에 적용하고, 각 전처리 방식이 산불탐지 모델의 분류 성능에 미치는 영향을 정량적으로 평가하였다. 또한, 산불탐지 결과를 채널별로 분석하여 수역 인접 지역에서의 오탐지 양상과 밴드 간 상관관계를 검토함으로써, 수환경 조건이 탐지 신뢰도에 미치는 영향을 규명하고자 하였다. 본 연구는 정지궤도 위성의 시계열 관측 능력과 AutoML의 자동화된 학습·평가 체계를 결합하여, 다양한 구름 조건과 지형·환경 조건에서 일반화 가능하도록 개선하는 데 기여하고자 한다.

연구지역 및 데이터

연구 지역

본 연구에서는 2022년과 2025년에 한반도 동부 지역에서 발생한 대형 산불 사례 중, 위성 관측이 원활하고 피해 규모가 큰 세 지역(경상북도 의성군, 경상북도 울진군, 강원도 강릉시)을 연구 대상으로 선정하였다(Fig. 1).

Fig. 1.

Map of the study area and wildfire ignition points. (a) Land cover map of South Korea. Spatial distribution of yellow dots derived from the VIIRS active fire product (VNP14IMG), used as the reference label for (b) Gangneung-si, (c) Uljin-gun, and (d) Uiseong-gun. Basemaps are from ArcGIS Pro.

이들 지역은 모두 산악지형과 해안선을 포함하는 복합 지형 특성을 가지며, 특히 해안과 인접한 지역에서는 수면 반사에 따른 오탐지가 빈번히 발생하는 것으로 알려져 있다. Fig. 1a는 한반도 지역의 토지 피복 분포를 나타내며, Fig. 1b–d의 노란색 점은 모델의 학습 및 테스트를 위한 참조 라벨로 활용된 VIIRS의 활성산불 산출물(VNP14IMG)의 화점 위치를 나타낸다.

의성군 산불은 2025년 3월 22일 12시 12분(KST)에 발화하여 3월 31일 18시경 진화되었으며, 약 99,282.5 ha의 피해 면적을 기록하였다. 울진군 지역 산불은 2022년 3월 4일 11시 17분에 발생하여 3월 13일에 완전히 진화되었고, 피해 규모는 약 16,301.98 ha에 달하였다. 강릉시 산불은 2022년 3월 5일 01시 08분에 발화하여 3월 11일 13시에 진화되었으며, 약 4,190.38 ha의 산림 피해가 보고되었다. 각 지역의 공간적 범위는 Table 1에 제시된 위경도 좌표를 기준으로 설정하였다.

GK-2A/AMI

GK-2A는 2018년에 발사된 한국의 정지궤도 기상위성으로, 기상탑재체인 AMI를 탑재하고 있다. AMI 센서는 가시광선, 근적외선, 단파 및 열적외선 영역을 아우르는 총 16개의 채널로 구성되어 있으며, 채널별 공간해상도는 파장 대역에 따라 다르다. 0.64 µm의 가시광선 채널은 500 m, 0.47 µm·0.51 µm·0.86 µm 채널은 1 km, 나머지 적외선 채널은 약 2 km의 공간해상도를 제공한다. 특히, GK-2A는 한반도 영역에 대해 2분 간격, 전지구(Full Disk)에 대해 10분 간격의 고빈도 관측이 가능하다. 이러한 높은 시간해상도 덕분에 GK-2A는 한반도와 주변 지역에서 발생하는 산불의 발생과 확산을 실시간에 가깝게 모니터링할 수 있는 핵심 자료로 활용되고 있다.

VNP14IMG

VNP14IMG는 극궤도 위성인 Suomi-NPP, NOAA-20 및 NOAA-21 등에 탑재된 VIIRS의 활성산불 산출물로, 공간해상도 375 m로 높은 해상도의 정밀한 산불 산출물을 제공하며, 전 지구를 대상으로 하루 2번 이상 관측한다. MCD14DL 등 MODIS 기반 산불 탐지 알고리즘을 계승하여 개발된 산출물로, 화점의 위도, 경도, 신뢰도(low, normal, high) 및 관련 스펙트럼 정보를 제공한다.

VNP14IMG 산출물 생성 알고리즘은 주로 I4 채널(약 3.74 µm)과 I5 채널(약 11.45 µm) 간의 밝기온도 차이를 이용해 후보 화점(candidate fire pixel)을 선별한다(Schroeder and Giglio, 2017). 또한 M13 채널(약 4.05 µm, 750 m)을 활용해 수역 등에서 발생할 수 있는 오탐지 가능성에 대해 persistence-검사를 수행함으로써 전체 탐지 신뢰도를 향상시키는 보조기능을 갖추고 있다(Schroeder et al., 2020). 따라서, 상대적으로 큰 탐지 간격을 갖는 위성제품 대비 소규모 화재나 화점 클러스터의 탐지 민감도가 우수하고, 지구적 차원의 산불 발생 및 확산 모니터링에 유용하다.

연구방법

데이터 전처리

본 연구에서는 GK-2A, VNP14IMG, 그리고 토지피복도(land cover map)를 활용하여, 구름 및 산불 탐지 분석을 위한 통합 데이터셋을 구축하였다.

GK-2A의 Korea area (KO) 영역의 데이터는 기상청 API HUB (https://apihub.kma.go.kr/)를 통해 network common data format (NetCDF) 형태로 수집하였다. 모든 밴드는 공간해상도를 2 km 해상도로 통일하기 위해 리샘플링(resampling)을 수행하였으며, 단일 시점의 노이즈 영향을 최소화하고 안정적인 관측값을 확보하기 위해 ±2분의 시간창 내에서 평균화를 적용하였다. 열 이상 현상에 민감도가 높은 적외선 채널의 밝기온도를 주요 입력 변수로 활용하였으며, 적외선 채널 간의 스펙트럴 차이를 반영하기 위해 brightness temperature difference (BTD)를 계산하였다. 낮 동안 반사율이 높은 도심지 등에서 발생할 수 있는 오탐지를 줄이기 위해, 가시광선 채널과 근적외선 채널의 데이터를 추가 수집하였다. 또한, 주·야간의 구분을 위해 solar zenith angle (SZA)을 입력 변수로 활용하였으며, 구름 탐지 분석을 위해 GK-2A의 CLD 제품을 수집하였다.

GK-2A 기반 산불 탐지 모델 구축을 위한 참조 라벨로 VNP14IMG를 활용하였다. 해당 데이터는 NASA의 Fire Information for Resource Management System (FIRMS)를 통해 수집하였으며, 375 m 해상도의 점(point) 형태로 제공된다. 서로 다른 공간해상도와 좌표계를 가진 두 위성 자료 간의 공간적 정합성을 확보하기 위해, 수집된 점 데이터를 Lambert conformal conic (LCC) 좌표계로 투영 변환하였다. 이후 375 m 해상도의 화점 신호가 GK-2A의 2 km 격자 내에 적절하게 반영될 수 있도록 화점 위치를 중심으로 2배 반경의 버퍼(buffer)를 적용한 후, 2 km 해상도로 리샘플링하여 래스터화하였다. 이러한 과정은 해상도와 좌표계가 다른 정지궤도 위성과 극궤도 위성 자료 간의 화소 불일치 문제를 최소화하고 산불 탐지 학습 데이터의 신뢰도를 높이기 위한 절차이다(Lee et al., 2025). 이후 산불 발생 시점부터 진화 시점까지의 VNP14IMG를 통해 구축된 라벨 데이터의 동일 시간대 GK-2A 위성영상을 수집하였다. 구름 마스킹을 통해 구름 영역을 제거한 후, Table 1에 제시된 연구지역을 포함하는 region of interest (ROI)를 설정하여 분석을 수행하였다. 연구에서 사용된 13개 변수와 적용데이터는 Table 2와 같으며, 실제 전처리가 완료된 주요 입력 채널과 참조 라벨 구축 예시는 Fig. 2와 같다.

추가적으로, 해안선 인근에서 발생하는 산불 오탐지 양상을 분석하기 위해 환경부에서 제공하는 30 m 해상도의 토지피복 데이터를 수집하였으며, GK-2A의 공간해상도에 맞게 2 km로 리샘플링하여 분석에 활용하였다. 해당 자료는 시가지, 농경지, 산림, 초원, 습지, 나지, 수역 7개 대분류로 구성되어 있으며, 본 연구에서는 이 중 수역에 해당하는 데이터를 활용하여 추가 분석을 수행하였다.

Fig. 2.

Examples of preprocessed GK-2A input features and reference label: (a) GK-2A false-color composite images VI006, VI008, and VI004 with VNP14IMG product, (b) Reference label, (c) BTD_3_12, and (d) SW038.

구름 마스킹

구름 마스킹 기법이 산불 탐지 정확도에 미치는 영향을 정량적으로 분석하기 위해 (1) GK-2A 구름 산출물 CLD 기반, (2) 고정 임계값 기반, (3) Otsu 자동 임계값 기반의 세 가지 구름 마스킹 기법을 동일한 데이터셋에 적용하였다. GK-2A의 CLD는 픽셀 단위의 구름 상태를 0 (cloud), 1 (probably cloud), 2 (clear)로 제공된다. 본 연구에서는 구름의 영향을 최소화하기 위해 청천(clear sky)에 해당하는 픽셀만 선별하여 데이터셋을 구축하였다. 주간에는 구름으로 인해 가시광선과 근적외선 채널에서 높은 알베도 또는 반사율이 나타나며, 두꺼운 구름으로 덮인 지역은 적외선 채널의 밝기온도가 상대적으로 낮게 나타난다(Xu and Zhong, 2017). 이러한 분광 특성(spectral characteristics)을 반영하여 고정 임계값 기반의 구름 탐지 기법이 활용되고 있으며, 본 연구에서도 이를 적용하였다. 야간 픽셀은 태양 천정각이 85°이상인 픽셀로 정의하였으며, 주간은 식 (1)을 야간은 식 (2)를 만족할 경우 청천 픽셀로 정의하였다. 식 (1), (2)에서 A0.64, A0.86는 각각 VI006과 VI008 채널의 반사율, T12.3은 IR123 채널의 밝기온도를 의미한다.

Zheng et al. (2024)은 기존의 고정 임계값 기법이 구름의 시공간적 특성 변화나 밝기온도 분포 차이를 반영하기 어렵다는 한계를 보완하기 위해 Otsu 알고리즘을 활용한 개선된 구름 탐지 기법을 제안하였으며, 본 연구에서도 이를 적용하였다. 이 기법은 각 영상의 반사율과 밝기온도에 대한 초기 고정 임계값을 설정한 후, 배경 픽셀의 통계적인 분포를 Otsu 기반으로 분석하여 임계값을 동적으로 조정한다.

AutoML

GK-2A 기반 산불 탐지를 위해 파이썬 오픈소스 라이브러리인 pycaret을 활용하여 AutoML 모델을 구축하였다. Pycaret은 분류, 회귀, 군집 등 다양한 작업을 지원하며, RF, extreme gradient boosting (XGBoost), categorical boosting (CatBoost), support vector machine (SVM) 등 주요 알고리즘의 성능을 자동으로 비교 및 평가할 수 있다. 이를 통해 본 연구에서는 다수의 후보 모델에 대한 성능 비교를 자동으로 수행하고, 가장 높은 예측 성능을 보인 모델을 최종 산불 탐지 모델로 선정하였다.

정확도 평가

본 연구에서는 hold-out 방식을 활용하여 학습 및 테스트 데이터를 분할하였다. 동일 지역 내에서도 산불 발생 시기와 환경 조건의 다양성을 반영하기 위해, 동일 지역의 시계열 이미지 데이터를 날짜 기준으로 7:3 비율로 무작위 분할(random split) 하였다. 산불 탐지는 산불과 비산불의 이진 분류 문제로 정의하였으며, true positive (TP), true negative (TN), false positive (FP), false negative (FN)로 구성된 혼동행렬(confusion matrix)을 기반으로 정확도(overall accuracy, OA), 정밀도(precision), 재현율(recall), F1-score를 산출하였다. 정밀도는 모델이 산불로 예측한 픽셀 중 실제 산불인 픽셀의 비율을, 재현율은 실제 산불 픽셀 중 모델이 산불로 예측한 비율로 모델의 산불 탐지 성능을 의미한다. F1-score는 정밀도와 재현율의 조화 평균으로 클래스 불균형이 존재하는 데이터에서 모델 성능을 균형 있게 평가할 수 있다. 데이터 불균형을 고려하여 F1-score를 AutoML 모델 비교 및 최적 모델 선정의 주요 평가 지표로 활용하였으며, 본 연구에 사용된 지표의 계산식은 식 (3), (4), (5), (6)에 제시하였다.

연구결과 및 토의

구름 탐지 결과

본 연구에서는 세 가지 구름 탐지 기법(CLD, 고정 임계값, Otsu 임계값)의 주·야간 구름 탐지 결과를 IR123 밴드의 밝기온도를 활용하여 정성적으로 평가하였다. GK-2A의 CLD 제품은 세 가지 클래스로 구성되어 있으나, 임계값 기반 기법과의 비교를 위해 두 개의 클래스(cloud, clear)로 단순화하였다. 임계값 기반 기법은 IR123 밴드의 밝기온도 값을 활용하여 구름 탐지를 수행하므로, IR123 밴드의 공간적 패턴과 시각적으로 비교하였다(Fig. 3).

Fig. 3.

Results of different cloud detection methods applied to GK-2A images in the area around Korea. (a), (b) CLD product. (c), (d) Fixed threshold method. (e), (f) Improved Otsu method. (g), (h) IR123 brightness temperature (BT).

GK-2A의 CLD 제품은 상대적으로 연기나 연무가 존재하는 영역까지 구름으로 분류하여 비교적 과탐지되는 경향을 보였다(Fig. 3a and b). 특히 해안선 인근에서는 해수면의 높은 반사율로 인해 구름이 아닌 영역이 오탐지되는 경우를 확인할 수 있었다. 임계값 기반 방법들은 주간의 경우 VI006, VI008 밴드의 반사율을 함께 고려하므로, IR123 밝기온도 분포와는 다소 차이를 보였으나, 전반적으로 안정적인 탐지 결과를 나타냈다(Fig. 3c, e, and g). 야간의 경우 IR123 밴드의 낮은 밝기온도 영역에서 실제 구름 영역을 효과적으로 구분하였다(Fig. 3d, f, and h). 특히, Otsu 임계값 기반 방법은 영상 내 밝기온도 분포를 통해 임계값을 동적으로 반영함으로써, 얇은 구름이나 구름·연기 혼재 영역에서도 안정적인 탐지 성능을 보였다. 이러한 결과는 Zheng et al. (2024)에서 보고된 바와 같이, Otsu 기반 방법이 얇거나 흩어져 있는 구름에 대해서도 안정적인 구름 탐지가 가능함을 보여준다.

그러나, Otsu 기반의 임계값 기법은 지역적인 온도 분포가 불균일하거나 관측 시점의 열적 변동이 큰 경우, 임계값이 과도하게 조정되어 일부 구름 영역이 과소 탐지되는 한계도 나타났다. 본 연구의 결과는 정성적 비교에 기반하므로, 관측 시점 및 기상 조건 등에 따른 Otsu 임계값 민감도 분석 등 정량적인 평가를 통해 구름 탐지의 일관성 검증이 필요하다.

AutoML의 구름 탐지 기법별 산불 탐지 성능 평가

모델의 일반화 성능을 평가하기 위해, 동일 연구 지역 내 시계열 데이터를 7:3 비율로 분할하여 학습 및 하이퍼파라미터 최적화에 사용되지 않은 독립적인 테스트 데이터를 대상으로 AutoML의 산불 탐지 정확도 평가를 수행하였다. 그 결과, CLD 및 Otsu 임계값 기반 구름 마스킹 기법에서는 CatBoost, 고정 임계값 기반 기법에서는 XGBoost가 가장 우수한 성능을 보였다. 기법별 산불 탐지 성능 결과는 Table 3과 같으며, 주·야간에 따른 강릉과 울진 산불의 탐지 결과는 Fig. 4와 같다.

CLD 기반 기법은 가장 높은 정밀도(0.806)를 보였으나, 재현율(0.604)이 낮아 실제 산불을 탐지하지 못하는 경향이 높은 것으로 확인되었다. Fig. 4b and f에서 확인할 수 있듯이, 주·야간 모두에서 산불 인근의 연기나 연무 영역을 구름으로 탐지하여, 실제 산불 픽셀이 구름으로 마스킹되는 문제가 발생하였다. 특히, 야간의 경우 IR123 채널의 낮은 밝기온도 영역을 과하게 구름으로 오탐지하는 경향을 보였다.

고정 임계값 기반 기법의 경우 가장 많은 TP(494)를 탐지하였으나, 정밀도와 재현율 모두 0.608로 오탐지와 미탐지가 높게 나타났다. 이는 고정된 임계값이 다양한 대기 및 지역적 특징을 충분히 반영하지 못한 결과로 판단된다. 반면, Otsu 임계값 기반 구름 마스킹 기법은 가장 균형 잡힌 정밀도(0.732)와 재현율(0.718)을 보였으며, F1-score 0.725로 세 기법 중 가장 우수한 성능을 보였다. Fig. 4d and h를 통해 구름과 연기가 혼재된 경계에서도 산불 픽셀을 비교적 안정적으로 탐지하여, CLD 기반 기법에서 발생하는 산불 픽셀의 과도한 마스킹 문제를 완화할 수 있을 것으로 보인다.

이러한 결과는 구름 마스킹 기법의 차이가 산불 탐지 모델의 신뢰도에 직접적인 영향을 미친다는 것을 보여준다. Otsu 기반 임계값 기법은 정량·정성적 평가 모두에서 가장 우수한 성능을 보여, 효과적인 구름 마스킹 기법으로 확인되었다. 구름 탐지의 정밀도가 향상될수록 산불 탐지의 신뢰성이 함께 개선될 수 있음을 시사한다. 그러나, 본 연구에서는 3월에 발생한 산불 사례를 중심으로 분석이 수행되었기 때문에, 지역적 밝기온도 분포나 계절적 대기 특성에 따른 탐지 성능의 변화 가능성이 존재한다(Jang et al., 2019; Romano et al., 2024). 따라서, 적응형 임계값(adaptive threshold) 보정 또는 시계열 기반의 보정 기법을 적용함으로써 구름 탐지의 일관성과 신뢰도를 향상시킬 수 있을 것으로 판단된다.

Fig. 4.

Regional fire detection results using different cloud masking methods for (a–d) Gangneung-si during the daytime and (e–h) Uljin-gun during the night. Red dots indicate VIIRS-based true fire pixels and gray areas represent masked cloud regions.

산불 오탐지 분석

해안선 인근에서 산불이 아닌 픽셀이 산불로 잘못 탐지되는 오탐지 현상이 관찰되어 이에 대한 추가 분석을 수행하였다. 실제 산불이 발생한 픽셀과 오탐지로 분류된 픽셀 중 토지피복도를 참조하여 수역에 해당하는 영역을 선별하고, 입력 변수의 분포를 비교하였다(Fig. 5). 분석 결과, 적외선 채널의 밝기온도 차분 변수 중 BTD_11_12는 실제 산불과 수역 픽셀 간 분포가 유사하게 나타나, 해당 지표가 수역을 산불로 오탐지하는 주요 요인으로 작용한 것으로 판단된다(Fig. 5l). 가시광선 및 근적외선 채널에서는 두 그룹 간 분포 차이가 상대적으로 적었으나, 적외선 채널의 IR112와 IR123에서는 명확한 스펙트럴 차이가 확인되었다(Fig. 5g and h). 수역 픽셀의 경우, IR112와 IR123 채널에서 상대적으로 낮은 밝기온도 분포를 보였다.

향후 토지피복 정보를 이용한 수역 마스킹 또는 적외선 채널(IR112, IR123)의 스펙트럴 특성을 반영한 후처리 보정 변수를 추가함으로써, 오탐지 문제를 완화할 필요가 있다. 이러한 후처리 접근은 기존 정지궤도 위성 기반 산불 탐지 연구에서도 효과적인 보정 방안으로 제시된 바 있다(Kim et al., 2014; Di Biase and Laneve, 2018).

Fig. 5.

Spectra from fire pixels and false-positive water pixels.

결 론

본 연구는 GK-2A 정지궤도 위성영상을 활용하여 산불 탐지 알고리즘을 구축하고, Otsu 임계값 기반의 구름 마스킹 기법의 적용 가능성을 평가하였다. VIIRS의 고정밀 활성산불 산출물 VNP14IMG을 참조 라벨로 활용하였으며, 모델의 학습에 포함되지 않은 독립적인 테스트 데이터셋을 통해 AutoML 기반 탐지 모델의 성능을 평가하였다. 그 결과, Otsu 임계값 기반 구름 마스킹 기법과 AutoML을 통해 최적화된 CatBoost 모델을 결합한 GK-2A 기반 산불 탐지 알고리즘은 구름 및 연기 혼재 영역에서도 안정적인 탐지 성능을 보였으며, 다른 구름 마스킹 기법과 비교하여 가장 높은 F1-score 0.725를 달성하였다. 기존 정지궤도 위성영상 기반 산불 탐지 연구에서 개별적으로 적용되던 구름 마스킹 기법들을 동일한 데이터셋 환경에서 비교 및 분석함으로써, 전처리 단계에 따른 산불 탐지 성능 차이를 정량적으로 규명하였다는 점에서 의의가 있다.

육지와 수역이 혼재하는 복잡한 지형에서 발생한 산불을 대상으로 비교적 높은 탐지율을 보였으나, 해안선의 경우 해수면의 반사 특성으로 인해 오탐지가 일부 발생하였다. 향후 연구에서는 토지피복 정보를 활용한 수역 마스킹과 적외선 채널의 스펙트럴 특징을 반영한 후처리 보정 기법을 적용함으로써 탐지 신뢰도를 향상시킬 필요가 있다. 나아가, 다양한 산불 사례와 계절적 조건을 고려한 추가 검증을 통해 제안된 기법의 일반화 가능성을 평가하고, 기상 및 지형 정보를 결합하여 산불 확산 속도 및 방향 예측을 수행할 경우, 실시간 산불 감시 체계로의 확장 가능성을 높일 수 있을 것으로 기대된다.