Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-3857(Print)
ISSN : 2288-131X(Online)
Korean Journal of Environment and Ecology Vol.38 No.3 pp.277-292
DOI : https://doi.org/10.13047/KJEE.2024.38.3.277

Determination of Fire Severity and Deduction of Influence Factors Through Landsat-8 Satellite Image Analysis1

Soo-Dong Lee2, Gyoung-Sik Park3*, Chung-Hyeon Oh4, Bong-Gyo Cho4, Byeong-Hyeok Yu5
2Dept. of Landscape Architecture, Gyeongsang National University, 52725, Korea
3Dept. of Landscape Architecture, Graduate School, Gyeongsang National University, 52725, Korea (par0612@naver.com)
4Dept. of Urban system Engineering, Graduate School, Gyeongsang National University, 52725, Korea
5Social Value & Innovation Office, Korea National Park Service, Wongju 26446
* 교신저자 Corresponding author: par0612@naver.com
23/10/2024 17/04/2024 17/04/2024

Abstract


In order to manage large-scale forest fires concentrated in Gangwon-do and Gyeongsangbuk-do with severe topographical heterogeneity, a decision-making process through efficient and rapid damage assessment using satellite images is essential. Accordingly, this study targets a large-scale forest fire that ignited in Gangneung and the Donghae, Gangwon-do on March 5, 2022, and was extinguished around 19:00 on March 8, to estimate the fire severity using dNBR and derive environmental factors that affect the grade. As environmental factors, we quantified the regular vegetation index representing vegetation or fuel type, the forest index that classifies tree species, the regular moisture index representing moisture content, and DEM in relation to topography, and then analyzed the correlation with the fire severity. In terms of fire severity, the widest range was 'Unbured' at 52.4%, followed by low severity at 42.9%, medium-low severity at 4.3%, and medium-high severity at 0.4%. Environmental factors showed a negative correlation with dNDVI and dNDWI, and a positive correlation with slope. Regarding vegetation, the differences between coniferous, broad-leaved, and other groups in dNDVI, dNIWI, and slope, which were analyzed to affect the fire severity, were analyzed to be significant with p-value < 2.2e-16. In particular, the difference between coniferous and broad-leaved forests was clear, and it was confirmed that coniferous forest suffered more damage than broad-leaved forest due to the higher fire severity in the Gangwon-do region, including Pinus densiflora, which are dominant species, as well as P. koraiensis, P. rigida and P. thunbergii.



Landsat-8 위성영상 분석을 통한 산불피해 심각도 판정 및 영향 인자 도출1
- 강릉, 동해 산불을 사례로 -

이수동2, 박경식3*, 오충현4, 조봉교4, 유병혁5
2경상국립대학교 조경학과 교수
3경상국립대학교 대학원 조경학과 석사
4경상국립대학교 대학원 도시시스템 공학과 박사 과정 수료
5국립공원공단 사회가치혁신실 과장

초록


지형적인 이질성이 심한 강원도, 경상북도에 집중되고 있는 대형 산불을 관리하기 위해서는 위성 영상을 활용하여 효율적이고 신속한 피해 평가를 통한 의사 결정 과정이 필수적이다. 이에 본 연구는 2022년 3월 5일에 강원도 강릉 및 동해에서 발화하여 3월 8일 19시경 진화된 대형 산불을 대상으로, dNBR을 활용한 산불 심각도 산정과 등급에 영향을 미치는 환경요인을 도출하고자 하였다. 환경요인으로는 식생 또는 연료 유형을 대표하는 정규식생지수, 수종을 구분한 임상도, 수분함양을 나타내는 정규수분지수, 지형과 관련해서는 DEM 등을 수치화한 후 산불 심각도와의 상관 관계를 분석하였다. 산불 심각도는 산불 피해 없음(Unbured)이 52.4%로 가장 넓었고, 심각도 낮음 42.9%, 심각도 보통-낮음 4.3%, 심각도 보통-높음 0.4% 순이었다. 환경요인의 경우 dNDVI, dNDWI와는 음의 상관관계를, 경사도와는 양의 상관관계를 나타내었다. 식생과 관련해서는 산불 심각도에 영향을 미치는 것으로 분석된 dNDVI, dNDWI, 경사도 모두에서 침엽수, 활엽수, 기타의 집단간 차이가 p-value < 2.2e-16로 유의미한 것으로 분석되었다. 특히, 침엽수와 활엽수의 차이가 명확하였는데, 강원도 지역에서 우점종인 소나무를 비롯하여 잣나무, 리기다소나무, 곰솔 등의 산불 심각도가 높아 침엽수가 활엽수에 비해 피해를 받는 것이 확인되었다.



    서 론

    인간은 불과 함께 공존해왔으며, 산불은 3억 5천만년 이상 지구 표면과 대기 조성에 영향 미치고 있다(Doerr and Santín, 2016). 산불의 강도와 규모는 인간의 직간접적인 영향과 기후 및 연료 가용성에 따라 차이를 보이는데, 방출된 에어로졸 및 온실가스는 다시 기후변화를 유발하여 산불과의 상호작용을 하는 것으로 추정하고 있다(Senande-Rivera et al., 2022).

    산불은 연료를 건조시키기에 충분한 기상 조건, 인위적 또는 자연적 발화원 등의 상호작용에 의해 발생하기 때문에 생물기후 및 인적 요인의 기여도에 대한 논쟁이 벌어지고 있는 것으로 보인다(Abram et al., 2021;Bistinas et al., 2014;Forkel et al., 2019;Kelley et al., 2019;Pausas and Ribeiro, 2013;Teckentrup et al., 2019). 지역적인 규모에서는 인간의 활동이 주된 요인일 수 있으나 지구적인 규모에서는 생산성과 수분 조건에 영향을 미치는 기후와 더 밀접한 연관성이 있다고 하였다(Senande-Rivera et al., 2022;Jones et al., 2022). 소규모 산불은 식물 생장과 동물 증식에 유리하게 작용하여 특정 생태계를 유지시키기도 하지만 (Wright and Bailey, 1982;Han, 2000), 대형 산불은 식생 훼손, 토양 보유량 및 유기물 감소, 토양색 변화 등을 유발하 여 생물다양성과 수문학적 환경을 악화시킬 수도 있다 (Ying et al., 2018). 또한, 빠른 속도로 번지기 때문에 생물 다양성 감소와 같은 생태적인 피해뿐만 아니라 임산물 손실, 관광객 감소 등 사회·경제적 측면에서도 폭넓게 영향을 미칠 수 있다고 한다(Ratz, 1995;Malamud et al., 1998;Heward et al., 2013). 지구 규모에서는 온실가스 배출에 악영향을 미칠 뿐만 아니라 공중보건, 경제활동 및 생태계 서비스에 부정적인 영향을 미칠 수 있기 때문에(Tyukavina et al., 2022) 관리를 위해서는 발생 메커니즘과 영향 인자에 대한 이해가 선행되어야 할 것이다.

    일반적으로 좁은 범위의 산불은 직접 조사를 통해 강도와 규모를 파악할 수 있으나 대형화된 경우에는 신속한 의사 결정 과정을 수행하기 위한 방법론이 필요하다(Chung et al., 2020). 인공위성 영상을 활용한 산불피해 심각도 파악은 화재 및 자원 관리를 위한 중요한 도구로 인식되고 있는 데(Lisa et al., 2021), 경제적일 뿐만 아니라 분석 프로그램, 방법론 등이 지속적으로 개발 및 수정되어 왔기 때문에 최근에 많은 연구에서 활용되고 있다(Newcomer et al., 2009;Lisa et al., 2021). 최근 발생하는 산불은 대형화, 빈도 증가, 피해 강도 심화 등의 특성을 지니는 것으로 파악되었는데, 이러한 특성 때문에 현장조사에 의존하는 것보다 원격 탐지 기법을 활용하는 것이 시간, 인력, 경제적 측면에서 넓은 면적을 빠르게 탐색할 수 있다고 하였다(Lentile et al., 2006). 산불과 관련된 위성 관측은 1970년대에 시작되었는 데, 1980년대 이후 NOAA의 고해상도 영상을 분석하면서 발전해 나간 것으로 보고 있다(Giglio and Roy, 2020). 2000년대 이후에는 Landsat-TM, SPOT-HRG, IRS-AWIFS, Envisat-MERIS, Terra-MODIS 등 30m급의 고해상도 이미지가 제공되면서 작은 규모의 산불까지 감지할 수 있게 되 었다(Chuvieco et al., 2007;Coops et al., 2019;Hawbaker et al., 2017;Ramo et al., 2021;Roteta et al., 2019, 2021;Roy et al., 2019;Verhegghen et al., 2016;White et al., 2017). 또한, 원격 탐지 기법은 광역적이거나 접근이 어려운 지역에서도 식생 및 토양 회복 정도, 수분 함량 등의 변화를 추적할 수 있기 때문에 산불피해 심각도를 매핑하는데 효과적이라고 하였다(Jakubauskas et al., 1990). 위성 영상 분석은 산불 전후에 촬영된 이미지의 적외선 파장을 이용하여 식생 고사율, 탄화 흔적, 수분 손실과 같은 표면 변화를 분석하는 방법론으로 CBI(Composite Burn Index)와의 비교를 통해 신뢰성을 입증한 바 있다(White et al., 1996;Eidenshink et al., 2007;Hall et al., 2008;Soverel et al., 2010;Kolden and Rogan, 2013). 최근 여러 연구에서 활용되고 있는 원격 감지, 지리 정보 시스템과 모델링의 조합은 대형화되고 있는 화재에 의한 표면 생태계의 시공간적 변화를 모니터링하고 예측할 수 있을 뿐만 아니라 관리를 위한 중요한 도구로 인식되고 있다(Heward et al., 2013;Han et al., 2021). 그 외에도 광역적으로 발생한 화재의 범위와 심각도를 단 시간내에 맵핑할 수 있어 생태 연구, 생물다양성 보존, 관리에 필요한 정보도 제공할 수 있다(White and Gibson, 2022).

    전세계에서 산불로 인한 피해 면적은 2001-2015년 21~25%(Curtis et al., 2018), 2003-2014년 12~18%(Liu et al., 2019), 2001-2019년 26~29%(Tyukavina et al., 2022)로 비율의 차이는 있었으나 산림생태계를 지속적으로 훼손 시켜온 것은 사실이다. 누적된 기온 상승으로 인해 산불 발생 빈도는 아한대림, 아열대림, 온대림, 열대림 순으로 증가 할 것이며(Mouillot and Field, 2005;Tyukavina et al., 2022), 21세기 말에는 화재 시즌이 길어진 온대 및 아한대 기후대에서 약 29% 이상 증가할 것이라고 하였다(Senande- Rivera et al., 2022). 지구온난화는 산불에 영향을 미쳐 대형화, 발생빈도 증가, 피해 강도 심화 등을 유발할 수 있다고 하였는데(Ying et al., 2018;Jones et al., 2022), 화전 포기, 화재 예방, 진화 효율성 증가와 같은 요인에 기인하여 20세기 초반에는 약 7% 감소한 것에 비해 기후변화로 인해 후반 에는 10% 이상 증가하면서 역전된 것으로 보고 있다(Doerr and Santín, 2016).

    온대 지역에 속하는 우리나라의 경우 1960년대부터 2000년까지 연간 평균 451건, 3,760㏊, 2002년부터 2021년까지는 평균 454건, 1,130㏊의 피해가 발생하였는데, 발화 원인은 입산자에 의한 실화가 대부분을 차지하였다(Lee et al., 2012;Korea Forest Service, 2022). 산불 피해는 산림으로 구성된 강원도가 가장 심했는데, 2019년에는 전체 피해 면적의 87%를 차지한 것으로 분석된 바 있다(Korea Forest Service, 2016;2019). 대형 산불에 원인은 강풍과 고온건조한 날씨가 중요원인으로 알려져 있는데, 영동지역은 봄철의 대형 산불 발생 조건이 뚜렷한 지역이다(Lee et al., 2011). 강원도의 경우 2000년대에 발생한 300㏊ 이상인 대형 산불 중 80%가 발생하였는데, 이는 81%가 산림으로 구성되어 영서지방에 비해 영동지방이 기후변화의 영향에 취약할 것이라는 분석과 일치한 결과이다(Chae et al., 2011). 1990년대와 2000년대의 대형 산불은 지역별 발생 건수는 경북이, 피해면적은 강원도가 가장 넓었다(Lee et al., 2012).

    국내에서 산불은 봄철인 2~4월에 강한 편서풍의 영향으로 상대습도와 연료습도(Fuel Moisture Contents)가 낮아짐과 동시에 산림 내 식생도 건조해지면서 집중적으로 발생한다고 하였다(Lee and Lee, 2006). 특히, 가을, 겨울철에 가뭄이 발생하면 이듬해 봄에 산불 발생 확률은 증가할 가능성은 높아지는 것으로 나타났다(Yoo et al., 2021). 산불의 강도는 인적 요인보다는 기후에 영향을 미치는 환경 변수들이 더 큰 가중치를 가진다고 하였기 때문에(Senande-Rivera et al., 2022;Jones et al., 2022), 피해를 받은 지역을 관리하기 위해서는 지역적인 규모에서의 영향 인자를 파악하는 것은 필수적인 과정이다(Raut et al., 2020). 다만, 국내에서 발생하는 산불의 경우 강원도, 경상북도 등 지형적인 이질성이 심한 지역에 집중되고 있어 강도에 어떤 인자가 영향을 미치는지에 대해서는 밝혀진 바 없다. 이에 본 연구는 5일 주기로 재방문하는 Sentinel-2 영상과 정확도가 유사한 Landsat-8 영상을 활용하여 산불피해 심각도를 분류하고자 하였다. 이를 바탕으로 지리적인 위치에 따른 지형, 기후, 식생 등의 요인 중 산불피해 심각도 차이에 실질적인 영향을 미치는 환경변수를 확인하고자 진행하였다.

    연구방법

    1. 연구대상지 개황

    본 연구 대상지는 백두대간 동쪽인 영동지역에 위치하며, 행정구역상 강원도 강릉시 옥계면 및 동해시 망상동, 묵호동, 발현동, 동호동, 부곡동, 천곡동, 삼화동에 속한다 (Figure 1). 산불은 2022년 3월 5일에 발화하여 3월 8일 19시경 진화되었다.

    2. 연구방법

    Landsat 위성은 1972년 Landsat-1을 시작으로 2013년부터 Landsat-8을 발사하여 운영 중에 있다(Jee et al., 2015). 30m급 해상도의 Landsat-8 영상을 활용하여 다양한 유형 또는 계절의 화재, 산림 유형, 지형 등에 대한 테스트를 수행한 결과, 산불피해 심각도의 정확도는 85% 내외인 것으로 확인한 바 있다(Collins et al., 2018;2020;White and Gibson, 2022;Morresi et al., 2022). 비피해지역과 피해가 가장 심한 등급을 구분함에 있어 효율적이라고 하였으며(White and Gibson, 2022), 정확도는 10~20m급 해상도인 Sentinel-2의 70~95%와 비교해도 큰 차이가 없다(Gibson et al., 2020;White and Gibson, 2022). 이에 본 연구에서는 영상 취득이 용이하고 방법론이 잘 정립된 Landsat-8 영상을 활용하여 산불의 범위와 심각도를 파악하고자 한다. 분석에 사용되는 영상은 화재 전인 2022년 3월 3일 Landsat-8 OLI(Band combination 7-5-4)와 진화가 마무리된 3월 8일 이후인 2022년 3월 10일 Landsat-8 OLI (Band combination 7-5-4)를 사용하였다.

    산불 강도(fire intensity)는 연소 과정에서 방출되는 에너지의 강도를, 산불피해 심각도(burn severity)는 산불 강도가 피해를 입은 지역의 생태계 기능에 어떤 영향을 미치는지를 또는 생태학적 중요성을 이해하는데 필요한 지수이다 (Keeley, 2009;Han et al., 2021). 산불 전후에 지표에서 방출되는 적외선 파장을 분석하여 초목 고사율, 탄화흔적, 수분 손실과 같은 표면 변화를 정량화하여 산출한 수치로, 현장 검증 방법 중 하나인 CBI(Composite Burn Index) 수치와 비교한 결과 80% 이상 일치하는 등 신뢰성이 입증된 바 있다(White et al., 1996;Eidenshink et al., 2007;Hall et al., 2008;Soverel et al., 2010;Huang et al., 2022;Dixon et al., 2022). 산불피해 심각도는 근적외선(NIR: Near Infrared, 0.76-0.90mm)과 단파장 적외선(SWIR: Short wavelength Infrared, 2.08-2.35mm)을 이용하여 화재 전후로 방출되는 복사 에너지의 강도를 분석하여 정규산불피해지수(NBR : Normalized Burn Ratio)와 dNBR 값을 산정한 후 미국 지질조사국(U.S.Geological Survery)에서 제시한 분류 표(Table 1)에 근거하여 7개 유형으로 등급화할 수 있다(Roy et al., 2006;Keeley, 2009;Schroeder et al., 2010;Laurent et al., 2018;Chuvieco et al., 2020;van Gerrevink and Veraverbeke, 2021). NBR은 산불피해지역을 강조하기 위해 고안한 지수로, Landsat-8 Collection 2 Level 2 Science Products 영상의 11개 밴드 중 Band 5(NIR)와 Band 7(SWIR2)의 반사율 차이를 계산하는 방식으로 산불피해 심각도 지수를 생성할 수 있는 이상적인 도구라고 하였다 (Key and Benson, 2006;Adagbasa et al., 2018;Afina et al., 2021). NBR의 경우 건강한 식생은 NIR에서는 높으나 SWIR에서는 낮은 반사율을 가지는 반면, 피해 지역인 경우에는 NIR에서는 낮으나 SWIR에서는 높은 반사율을 가진다(Lee et al., 2008a). 이를 바탕으로 산불 전의 NBR(prefire_NBR)에서 산불 후의 NBR(postfire_NBR)를 빼서 변화량를 산출한 값이 dNBR로, 값이 클수록 해당지역의 산불피해 심각도가 높음을 의미한다. 분석은 QGIS 3.28 프로그램의 Semi-Automatic Classification Plugin를 이용하여 분석하였다.

    N B R = ( N I R S W I R 2 ) / ( N I R + S W I R 2 )
    (1)

    d N B R = p r e f i r e N B R p o s t f i r e N B R
    (2)

    산불피해 심각도는 식생, 죽은 바이오매스 및 토양에 대한 화재 유발 생태 변화의 정도로 정의되는데(Eidenshink et al., 2007;Kolden and Rogan, 2013), 정확도 차이는 해상도 뿐만 아니라 지형의 거칠기, 수관의 질감 등 복잡성 영향을 받을 수 있다. 연구자별로 차이는 있으나 수분함량, 식생 유형, 연료 유형 및 상태, 관리 여부, 바람의 세기, 지형 및 거칠기 등이 화재 강도를 결정하는 것으로 분석한 바 있다 (Heward et al., 2013;Ghermandi, 2019;Dixon et al., 2022;Wang et al., 2022b). 결국 환경요인과의 관계를 명확하게 할수록 분류 정확도를 높일 수 있다고 하였기 때문에 영향을 미칠 수 있는 생물 및 비생물적 요인을 파악하는 것은 필수적이다. 다수의 연구에서 식생유형, 연료유형, 수분함량, 지형 등이 산불피해 심각도에는 영향을 미치는 환경요인으로 판단하고 있어 이들 항목을 반영할 수 있는 변수를 선정하였다. 식생 또는 연료 유형은 활력도를 나타내는 정규식생지수(NDVI: Normalized difference vegetation index)와 수종을 구분한 임상도를, 수분함양은 정규수분지수(NDWI : Normalized difference water index), 지형과 관련해서는 파악하고자 DEM 등을 분석하여 수치화한 후 산불피해 심각도에 미치는 영향을 분석하고자 하였다.

    먼저, NDVI는 식물이 반사하는 근적외선과 흡수는 적색광의 차이를 이용하여 측정하여 식생을 정량화할 때 사용하는 지수로, 산불피해 심각도를 정확하게 예측할 수 있다고 하였다(Cocke et al., 2005). NDVI는 1차생산성과 수목의 활력을 분석하기 위해 일반적으로 사용되는 식생 지수이다(Glenn et al., 2008). Landsat 8 영상의 11개 밴드 중 Band 5(NIR), Band 4(Red)를 이용하여 산출하며(수식 3), dNDVI는 산불 전 NDVI(prefireNDVI) 값에서 산불 후 NDVI(postfireNDVI) 값을 빼서 변화량을 산정한 것이다(수식 4). dNDVI를 통해 화재 피해 지역의 활력 차이를 구별할 수 있을 것으로 판단되었다(Molla et al., 2017). 산불 강도는 식생의 유형과 생산성, 건조 정도에 의해 결정된다고 하였는데(Jones et al., 2022), 전자는 임상도를, 후자는 정규수분지수(NDWI)를 통해 확인할 수 있다. 해당 지역의 산림 형태를 확인 및 분석하기 위해 산림청(forest.go.kr)에서 제공하는 1:5000 축척의 임상도의 임종, 임상, 수종, 경급, 영급 등의 다양한 속성정보를 추출하여 상관관계를 분석하고자 하였다. 상록침엽수인 소나무의 경우 화재에 취약하기 때문에 산불 강도와의 연관성을 찿기 위한 필수적인 지표이며(Lee et al., 2008b), 침엽수와 활엽수를 구분하여 분석하였다. 산불의 강도는 수분과 연관성이 높은데, 정규수분지수(NDWI)는 화재 전후의 유출 및 침식과 연관성이 높다고 하여(Doerr et al., 2006) 심각도와의 관계를 파악하고자 선정하였다. NDWI는 지역 경관의 물과 관련된 특징을 향상시키기 위해 개발한 공식으로 Landsat 8 영상의 Band-5(NIR), Band-6(SWIR 1)를 이용하여 수식 5와 같이 산정하였다(Gao, 1996). dNDWI는 산불 전 NDWI (prefireNDWI) 값에서 산불 후 NDWI(postfireNDWI) 값을 빼서 변화량을 산정한 것으로(수식 6) 전후의 수분변동을 파악하기 위한 것이다. 강원도의 경우 대부분 산악지역으로 이루어져 있어 지형적 요소가 중요하다는 판단에 따라 해발고, 경사, 향을 변수로 활용하고자 하였다. 우리나라와 같은 산지 지형에서는 1:5000 축척의 수치지형도를 기반으로 DEM을 형성하는 것이 바람직하다고 하여(Chung and Kim, 2020) 이를 기준으로 분석하였다.

    N D V I = N I R R E D N I R + R E D
    (3)

    d N D V I = p r e f i r e N D V I p o s t f i r e N D V I
    (4)

    N D W I = N I R S W I R 1 N I R + S W I R 1
    (5)

    d N D W I = p r e f i r e N D W I p o s t f i r e N D W I
    (6)

    본 논문은 산불피해 심각도 등급 산정, 환경요인 도출, 상관관계 분석을 통한 영향 요인 도출 3단계로 진행하고자 한다. 1단계 산불심각도 등급 산정은 Landsat-8 영상의 11개 밴드 중 Band 5(NIR)와 Band 7(SWIR2)의 반사율 차이를 이용하여 NBR, dNBR을 산출한 후, 미국 지질조사국(U.S. Geological Survey)에서 제시한 분류표(Table 1)를 바탕으로 등급을 구분하였다. 2단계 환경요인 도출에서는 기존 연구 결과를 고려하여 산불피해 심각도에 영향을 미칠 수 있는 변수인 식생(NDVI) 및 연료 유형(임상도), 수분함양(NDWI), 지형(경사, 향, 해발고)의 값을 산출하였다. 3단계 상관관계 분석에서는 산불피해 심각도가 어떤 변수들에 영향을 받는지를 분석하고자 하였는데, R4.2.3 프로그램을 활용하였다. 분석에 앞서 정규성, 독립성, 등분산성 분석은 shapiro 테스트, Q-Q plot 등을 활용하였고, 만족 시 ANOVA 분석을, 만족하지 못할 경우 wilcox.test를 통해 집단간 차이가 유의미한지를 검정하였다. 세집단 이상의 등분산 가정을 확인하기 위해 Levene Test를 실시하였고, 정규성, 독립성, 등분산성 검정을 만족하지 못할 경우 Kruskal-Wallis chi-squared를, 사후분석의 경우 TukeyHSD를 활용하였다. 범주형 변수와 수치형 변수의 관련성을 확인하고자 Fisher's Exact Test for Count Data with simulated p-value(based on 2000 replicates)를 활용하였다.

    결과

    1. 정규탄화지수(Normalized burn ration: NBR)

    dNBR 값을 바탕으로 산불피해 심각도를 파악한 결과 (Table 2), 피해지는 심각도 낮음(Low Severity), 심각도 보통- 낮음(Moderate-low Severity), 심각도 보통-높음(Moderatehigh Severity) 3개 유형으로 구분되었다. 강릉‧동해 지역에 발생한 산불 피해지의 경계 내부 면적은 총 4,431.8㏊로, 산불 피해 없음(Unbured)이 52.4%로 가장 넓었는데, 이들 지역에는 도시화지역, 경작지 등이 포함되어 있었다. 피해지의 경우 심각도 낮음 42.9%, 심각도 보통-낮음 4.3%, 심각도 보통-높음 0.4% 순이었고 심각도 높음 지역은 나타나지 않았다. 도시화 지역, 경작지의 면적 524ha를 제외한 3,877㏊ 정도의 면적이 산림 면적으로 도출되었는데, 이 중에서는 미피해지 45.8%, 심각도 낮음 47.0%, 심각도 보통-낮음 6.3%, 심각도 보통-높음 1.0%의 순이었다. 심각도 낮음 이상 지역의 대부분이 산림 지역이었다.

    2. 상관관계 분석

    Figure 4는 식생 및 연료 유형, 수분함양, 지형을 대표하는 환경요인 지구와 산불피해 심각도와의 상관관계를 분석 한 것이다. 분석결과 산불피해 심각도는 dNDVI, dNDWI 와는 음의 상관관계를 나타내었는데, 식생의 활력과 수분지수가 높을수록 피해가 덜한 것으로 나타났다. 경사도와는 양의 상관관계를 나타내었는데, 급경사 지역의 경우 환경적인 요인 때문에 침엽수가 우점하는 경향과 연관성이 높은 것으로 판단되었다. 산불피해 심각도와 dNDVI, dNDWI, 지형 중 경사도와의 관계만 파악하였다.

    상관관계 분석을 토대로 피해지역과 비피해지역의 차이가 유의미한지 분석하였다. 정규성을 분석하고자 shapiro 테스트, Q-Q plot 등의 분석을 실시한 결과 p-value < 2.2e-16로 모든 항목에서 만족시키지 못하였다. dNDVI, dNDWI, 경사와의 등분산성도 p-value < 2.2e-16로 만족시키지 못하였다. 정규성, 등분산성 가정을 만족시키지 못하여 wilcox.test를 실시한 결과(Table 3), 산불피해지와 비피 해지는 p-value < 2.2e-16로 차이가 있는 것을 확인할 수 있었다. 지형과 관련해서는 고도, 향의 경우 산불피해지와 비피해지의 차이는 없었으나 경사만 p-value < 2.2e-16로 유의미한 차이가 있었다.

    3. 산불 피해지역의 수종별 차이 분석

    수종별 산불피해 심각도 값의 변동을 나타낸 것이 Figure 7이다. 상록침엽수인 소나무, 잣나무, 리기다소나무, 곰솔과 낙엽침엽수인 일본잎갈나무, 낙엽활엽수인 상수리나무, 신갈나무 등 낙엽성참나무류, 아까시나무 등 기타 낙엽활엽수, 도시화지역의 평균 차이는 명확한 것으로 분석되었다. 이에 대상 수종을 상록침엽수, 활엽수, 기타로 세 집단을 구분하여 차이가 유의미한지 검토하였다.

    정규성 검정을 위한 shapiro 테스트, Q-Q plot 등의 분석을 거친 결과 p-value < 2.2e-16로 만족시키지 못하였다. 독립성과 등분산성 검정에서도 각각 p-value < 2.2e-16로 가정을 만족시키지 못하는 것으로 나타났다. 정규성, 독립성, 등분산성 검정을 만족하지 못하여 분산 분석(ANOVA) 보다는 Kruskal-Wallis chi-squared를 활용하여 차이를 비교하였다. 침엽수, 활엽수, 기타의 집단간 차이에 검정 결과 산불피해 심각도에 영향을 미치는 변수인 dNBR, dNDVI, dNIWI, 경사 모두에서 p-value < 2.2e-16로 집단간 차이가 유의미한 것으로 분석되었다. 특히, 침엽수와 활엽수의 차이가 명확하였는데, 강원도 지역에서 우점종인 소나무를 비롯하여 잣나무, 리기다소나무, 곰솔 등의 산불피해 심각도가 높아 침엽수가 활엽수에 비해 피해를 받는 것이 확인되었다. 그 외 침활혼효림, 죽림 등의 산불피해 심각도가 높은 것으로 파악된 바, 수종의 침엽수 여부는 산불의 강동에 영향을 미치는 것으로 판단되었다.

    집단간 차이가 있다라는 결과에 따라 TukeyHSD를 활용하여 사후분석을 실시한 것이 표 6이다. 산불피해 심각도의 경우 침엽수와 활엽수, 침엽수와 기타 사이에는 차이가 있었으나 활엽수와 기타는 p-value 0.9998997로 집단간 차이가 없는 것으로 분석되었다. 그 외에 dNDVI, dNDWI, 경사도에 있어서는 침엽수와 활엽수, 침엽수와 기타, 활엽수와 기타라는 집단간에 있어서 p-value 0.05 이하로 차이가 있는 것으로 나타났다.

    Table 6은 산불심각도와 침엽수, 활엽수, 기타와의 출현 비율을 나타낸 것이다. 침엽수의 경우 심각도 낮음(Low Severity) 73.6%, 심각도 보통-낮음(Moderate-low Severity) 91.6%, 심각도 보통-높음(Moderate-high Sverity) 100%를 차지하였다. 반면, 활엽수의 경우 심각도 낮음(Low Severity) 에서만 25.3%를 차지했을뿐 중간 이상의 피해는 없는 것으로 나타났다. 결국, 산불은 침엽수가 우점하는 지역에서 피해도가 더 커지는 것을 확인할 수 있었다.

    고찰

    인공위성 영상을 활용한 산불피해 심각도 파악은 고강도 산불이 지배하는 생물군계에서 화재로 인해 유발될 수 있는 생태계의 구조와 기능을 형성하는 핵심 동인을 확인할 수 있다고 하였다(Lisa et al., 2021). Wang et al.(2022a)도 산불의 공간적 패턴을 이해하는 것은 화재 관련 생태 연구와 효과적인 관리를 위해서도 중요성이 높다고 하였다. 원격 감지는 식생 제거 및 토양 노출 정도, 수분 함량 등이 표현되는 반사율의 변화를 추적할 수 있기 때문에 광역적이고 접근이 어려운 지역의 산불피해 심각도를 맵핑하는데 효과적이다(Jakubauskas et al., 1990). 우리나라 강원도에 속하는 강릉, 동해 지역의 경우 지형적인 이질성이 심각하고 험난하여 인공위성 영상을 분석하는 것이 효율적인 것으로 판단 되어 본 연구를 진행하였다.

    강릉‧동해 지역에 발생한 산불 피해지의 산불피해 심각도를 분석한 결과 산불 피해 없음(Unbured) 52.4%, 심각도 낮음 42.9%, 심각도 보통-낮음 4.3%, 심각도 보통-높음 0.4% 순이었고, 높음 지역은 출현하지 않았다. 도시화지역, 경작지 등을 제외한 산림에서는 미피해지 45.8%, 심각도 낮음 47.0%, 심각도 보통-낮음 6.3%, 심각도 보통-높음 1.0%의 순이었다. 일반적으로 산불피해 심각도 분류의 정확도는 해상도 30m인 Landsat 영상의 경우 75~85%(Adagbasa et al., 2018;Collins et al., 2018, 2020;Morresi et al., 2022), 10~20m 해상도인 Sentinel-2의 경우에는 70~95%(Gibson et al., 2020)로 해상도와는 관계없이 유사한 것으로 검증된 바 있어 등급별 면적은 정확할 것으로 판단되었다. 다만, 분류 관련해서 Landsat 영상의 경우에는 낮은 심각도 등급(74%)에 비해 미연소, 수관 화재(95%)의 정확도가 높다고 지적한 바 있다(White and Gibson, 2022). 그 외에도 실제 화재와 위성 영상을 통해 분석한 산불피해 심각도 수치와의 정확도 차이는 낮은 등급에 대한 분류 성능이 낮기 때문일 수 있다고 하여(Collins et al., 2018, 2020;White and Gibson, 2022) 심각도 낮음 등급에 대해서는 세분할 필요가 있을 것으로 판단되었다. 산불피해 심각도에 따라 경관 수준에서의 식생 분포, 생물다양성, 토양 침식, 야생동물의 종구성, 생태계서비스, 인간의 생계에까지 영향을 미칠 수 있다고 하였기 때문에(Schimmel and Granström, 1996;Boby et al., 2010;Driscoll et al., 2010;Tran et al., 2018;Han et al., 2021;Senande-Rivera et al., 2022;Jones et al., 2022;Tyukavina et al., 2022) 산불피해 심각도의 세분화와 정확도를 높이는 것은 중요한 것으로 보인다. 그 외에 약한 강도의 산불은 식물 생장과 동물 서식에 유리한 환경을 조성하거나 특정 생태계를 유지시키는데 기여하기도 한다고 하였기 때문에(Wright and Bailey, 1982;Han, 2000) 심각도 등급이 생태계에 미치는 영향에 대한 장기적인 모니터링은 필요한 것으로 판단되었다.

    한편, 산불피해 심각도는 생태계의 잠재적인 변수로 시간, 지형, 산불 전후의 관계를 명확히 해야 정확도가 높아진다고 하였다(Han et al., 2021). 산불에 영향을 미치는 환경 요인으로는 원인, 식생 및 연료 유형, 관리 여부, 지형, 기후 등과 같은 요인이 영향을 미칠 수 있다고 하여(Wang et al., 2022a;White et al., 1996) 이들을 변수로 산불피해 심각도와의 상관관계를 파악하였다. 환경요인과 산불피해 심각도와의 상관 관계를 분석한 결과 dNDVI, dNDWI와는 음의 상관관계를, 경사도와는 양의 상관관계를 나타내었다. NDVI는 생산성 또는 식생 활력 정도를, NDWI는 수분 지수를 나타내는 지표로 활력이 높고 수분이 많은 지역은 산불 강도가 낮아지는 것은 당연한 것으로 보인다. 지형과 관련해서는 식생과 연관될 수 있는데 급경사지와 능선부는 소나무가 분포할 가능성이 높은데(Shin et al., 2014), 침엽수는 산불에 취약하기 때문에 양의 상관관계를 보인 것으로 추정되었다(Lee et al., 2008b). 지형과 관련해서는 고도, 향의 경우 산불피해지와 비피해지의 차이는 없었으나 경사도만이 유의미한 차이가 있는 것으로 나타났다. 일부 지역에서는 경사, 향, 일사량 및 식생 유형과의 관계에서 직접적인 관계가 도출되지 않은 것은 급격한 지형 변화 뿐만 아니라 식생이 낮은 수준의 생물다양성을 가졌기 때문일 수 있다고 하였다(Newcomer et al., 2009). 본 연구에서는 식생 활력, 수분, 경사도, 침엽수 또는 활엽수 분포 여부가 피해 강도에 영향을 미치는 것으로 나타났다. 하지만, Lee et al.(2009)에 따르면 기상, 연료, 경사, 표고 등과 같은 여러 변수들이 복합적으로 작용하여 산불의 강도에 영향을 미칠 수 있다고 하였기 때문에 상호작용에 대한 추가적인 연구가 필요할 것으로 보인다.

    산불에 있어서 매개변수인 연료 부하 및 상태, 수분 함량, 종 구성, 지형, 바람 세기 등이 화재 행동 전반에 걸쳐 어떤 영향을 미쳤는지가 중요한데(Ghermandi et al., 2019;Heward et al., 2013), 이들 요인 중 바람을 제외하면 연료 유형인 식생이 가장 심각하게 영향을 미친다고 하였다 (Wang et al., 2022a). 식생과 관련해서는 소나무, 잣나무, 리기다소나무, 곰솔 등 상록침엽수와 일본잎갈나무 등 낙엽 침엽수, 상수리나무, 신갈나무, 아까시나무 등 낙엽활엽수림, 도시화지역, 경작지의 평균 차이가 명확하여, 유형을 상록침엽수, 낙엽활엽수, 기타의 세 집단으로 구분하였다. 집단간 차이를 분석한 결과에서도 p-value < 2.2e-16로 차이가 유의미한 것으로 나타났다. 연구대상지가 위치한 동해안 산림은 최근에 일부 지역에서 낙엽성 참나무류로 천이가 진행되고 있으나 약 6,500년 전부터 소나무가 우점하여 산불에 취약한 상태라고 하였다((Fujiki and Yasuda, 2004;Lee et al., 2008b). 소나무 외에 대상지에 넓은 면적으로 식재된 잣나무, 리기다소나무, 곰솔 등의 산불피해 심각도가 상대적으로 높아 침엽수가 취약한 것이 확인되었다. 일반적으로 침엽수가 활엽수에 비해 산불 취약성이 높은 것으로 확인되었는데, 이는 지형의 거칠기 뿐만 아니라 수관의 질감에 따라 다르게 나타날 수 있다고 한 White et al.(1996), White and Gibson(2022)의 연구 결과와도 일치하였다. 사후분석을 실시한 결과에서도 침엽수와 활엽수, 침엽수와 기타 사이에는 차이가 있었으나 활엽수와 기타는 p-value 0.9998997로 집단간 차이가 없었다. 산불피해 심각도와 식생과의 관계를 분석한 결과에서도 침엽수의 경우 심각도 낮음(Low Severity) 73.6%, 심각도 보통-낮음(Moderatelow Severity) 91.6%, 심각도 보통-높음(Moderate-high Sverity) 100%를 차지하였다. 반면, 활엽수의 경우 심각도 낮음(Low Severity)에서만 25.3%를 차지했을뿐 중간 이상의 피해는 없었다. 인공위성 영상 분석 결과의 정확도와 관련해서 소나무가 우세한 산림대의 경우 0.83으로 다른 기후대에 비해 높다라고 한 것에 미루어(Tran et al., 2018) 피해 지역의 대부분은 침엽수인 것으로 판단되었다. Lee et al.(2009)의 연구에서도 산불에 민감한 소나무림의 분포 비율이 다른 요인에 비해 더 큰 영향을 미칠 것이라고 하였다. 또한, 산불의 연료 유형은 산불피해 심각도에 가장 큰 영향을 미치는데 침엽수의 비율이 높은 중요성을 지는 것으로 확인한 바 있다(Wang et al., 2022a). 침엽수와 활엽수의 피해강도의 확연한 차이가 있었는데, Shin et al.(2014)도 산불 발생시 혼효림이 침엽수림에 비해 연소 강도보다 낮은 것으로 확인하였고 연구 결과에서 산림 종다양성을 높이는 것이 연소 강도를 낮출 수 있다고 한 바 있다. 또한, dNBR을 활용한 산불 피해 후 회복과 관련된 연구에서도 참나무류가 가장 빠른 회복율을 보였고, 침엽수는 중간정도, 소나무는 가장 느린 회복율을 보여(Bright et al., 2019) 침엽수 의 면적이 넓을수록 피해는 심각해질 수 있음을 확인하였다. 이러한 연구 결과 및 선행연구를 보았을 때, 경사, 향, 표고 등의 변수가 산불 피해 강도와의 직접적인 영향은 없을 수 있으나, 산불 피해지역은 지형과의 관계보다는 수종 과의 관계가 있음이 확인되었었다. 소나무, 리기다소나무, 곰솔 등의 침엽수들은 산불 피해를 촉진시킬 뿐만 아니라 피해 이후의 회복율이 낮아 산불에 매우 취약하다는 것을 확인할 수 있었다.

    Figure

    KJEE-38-3-277_F1.gif

    Forest fires areas in Gangneung and Donghae.

    KJEE-38-3-277_F2.gif

    Landsat-8 OLI image before and after forest selected to analyze burn severity.

    KJEE-38-3-277_F3.gif

    Fire severity type classification map(Right) using dNBR(Left) in Gangneung and Donghae region.

    KJEE-38-3-277_F4.gif

    Correlation analysis between the value of dNBR and environmental impact factors that affected the forest fire severity.

    KJEE-38-3-277_F5.gif

    Drawings of environmental variables affecting forest fires in the Gangneung and Donghae region.

    KJEE-38-3-277_F6.gif

    Testing the mean difference between forest fires areas and undamaged areas by environmental variable.

    KJEE-38-3-277_F7.gif

    Testing the average difference in fire severity on the degree of impact of each tree species in the forest fires area.

    * Code for forest type - 11: Pinus densiflora, 12: Pinus koraiensis, 13: Larix kaempferi, 14: Pinus rigida, 15: Pinus thunbergii, 30: Quercus acutissima, 32: Quercus mongolica, 33: Quercus variabilis, 34: Quercus spp., 35: Alnus japonica, 37: Betula pendula, 39: Castanea crenata, 44: Liriodendron tulipifera, 45: Populus nigra, 49: Robinia pseudoacacia, 77: Mixed Forest, 78: Bamboo forest, 81: Non-stocked Forest Land, 82: Forest Road, 83: Shrub, 91: Residence, 93: Farmland, a: Urban

    KJEE-38-3-277_F8.gif

    Test for mean differences in fire severity between coniferous, deciduous broad-leaves, and others.

    Table

    Burn severity levels obtained calcuatin dNBR, proposed by USGS

    Fire severity area and ratio in the entire fire damaged area and only forest areas in Gangneung and Donghae region

    Test that betrays the nonparametric method wilcox.test

    Difference analysis between coniferous, deciduous broad-leaves, and others

    Posthoc multiple comparisons of means for the difference in growth between coniferous, deciduous forest, and others : Fisher LSD 95% family-wise confidence level

    Analysis of the relationship between fire severity and vegetation

    Reference

    1. Abram, N.J. , J.B. Henley, A.S. Gupta, T.J.R. Lippmann, H. Clarke, A.J. Dowdy, J.J. Sharples, R.H. Nolan, T. Zhang, M.J. Wooster, J.B. Wurtzel, K.J. Meissner, A.J. Pitman, A.M. Ukkola, B.P. Murphy, N.J. Tapper and M.M. Boer (2021) Connections of climate change and variability to large and extreme forest fires in southeast Australia. Commun Earth Environ 2: 8.
    2. Adagbas, G.E. , S.A. Adelabu and T.W. Okello (2018) Spatiotemporal assessment of fire severity in a protected and mountainous ecosystem. In IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium (pp. 6572-6575). IEEE. 10.1109/IGARSS.2018.8518268
    3. Afina, F.S. , L. Syaufina and I. Sukaesih (2021) Sitanggang Forest and peatland fire severity assessment at Siak Regency, Riau Province using Sentinel-2 Imagery. Journal of Natural Resources and Environmental Management 11(4): 621-630.
    4. Bistinas, I. , S.P. Harrison, I.C. Prentice and J.M.C. Pereira (2014) Causal relationships versus emergent patterns in the global controls of fire frequency. Biogeosciences 11(3): 5087-5101.
    5. Boby, L.A. , E.A.G. Schuur, M.C. Mack, D. Verbyla and J.F. Johnstone (2010) Quantifying fire severity, carbon, and nitrogen emissions in Alaska's boreal forest. Ecological Applications 20(6): 1633-1647.
    6. Bright, B.C. , A.T. Hudak, R.E. Kennedy, J.D. Braaten and A. Henareh Khalyani (2019) Examining post-fire vegetation recovery with Landsat time series analysis in three western North American forest types. Fire Ecology 15(1): 1-14.
    7. Chae, H.M. , G.J. Um and S.Y. Lee (2011) The vulnerability assessment of forest fire in Gangwon province using CCGIS. Journal of the Korean Society of Hazard Mitigation 11(4): 123-130.
    8. Chung, M.K. and Y. Kim (2020) Analysis on topographic normalization methods for 2019 Gangneung-east sea wildfire area using planetscope imagery. Korean Journal of Remote Sensing 36(2): 179-197.
    9. Chung, M.K. , Y.K. Han and Y. Kim (2020) A framework for unsupervised wildfire damage assessment using VHR satellite images with planetscope data. Remote Sensing 12(22): 3835. (In Korean with English abstract)
    10. Chuvieco, E. , A. De Santis, D. Riaño and K. Halligan (2007) Simulation approaches for burn severity estimation using remotely sensed images. Fire Ecology Special Issue 3(1): 129-150.
    11. Chuvieco, E. , I. Aguado, J. Salas, M. García, M. Yebra and P. Oliva (2020) Satellite remote sensing contributions to wildland fire science and management. Current Forestry Reports 6: 81-96.
    12. Cocke, A.E. , P.Z. Fulé and J.E. Crouse (2005) Comparison of burn severity assessments using Differenced Normalized Burn Ratio and ground data. International Journal of Wildland Fire 14(2):189-198.
    13. Collins, L. , G. McCarthy, A. Mellor, G. Newell and L. Smith (2020) Training data requirements for fire severity mapping using Landsat imagery and random forest. Remote Sens Environ 245: 111839
    14. Collins, L. , P. Griffioen, G. Newell and A. Mellor (2018) The utility of random forests for wildfire severity mapping. Remote Sens. Environ 216: 374-384.
    15. Coop, J. , T. DeLory, W. Downing, S. Haire, M. Krawchuk, C. Miller, M. Parisien and R. Walker (2019) Contributions of fire refugia to resilient ponderosa pine and dry mixed‐conifer forest landscapes. Ecosphere 10(7): e02809.
    16. Curtis, P.G. , C.M. Slay, N.L. Harris, A. Tyukavina and M.C. Hansen (2018) Classifying drivers of global forest loss. Science 361: 1108-1111. 10.1126/science.aau3445.
    17. Dixon, D.J. , J.N. Callow, J.M.A. Duncan, S.A. Setterfield and N. Pauli (2022) Regional-scale fire severity mapping of Eucalyptus forests with the Landsat archive. Remote Sensing of Environment 270: 112863
    18. Doerr, S.H. and C. Santín (2016) Global trends in wildfire and its impacts: Perceptions versus realities in a changing world. Philosophical Transactions of the Royal Society B: Biological Sciences 371 (1696): 20150345.
    19. Doerr, S.H. , R.A. Shakesby, W.H. Blake, C.J. Chafer, G.S. Humphreys and P.J. Wallbrink (2006) Effects of differing wildfire severities on soil wettability and implications for hydrological response. Journal of Hydrology 319(1-4): 295-311.
    20. Driscoll, D.A. , D.B. Lindenmayer, A.F. Bennett, M. Bode, R.A. Bradstock, G.J. Cary, M.F. Clarke, N. Dexter, R. Frensham, G. Friend, M. Gill, S. James, G. Kay, D.A. Keith, C. MacGregor, J. Russell-Smith, D. Salt, J.E.M. Watson, R.J. Williams and A. York (2010) Fire management for biodiversity conservation: Key research questions and our capacity to answer them. Biological Conservation 143: 1928-1939.
    21. Eidenshink, J. , B. Schwind, B. , Brewer, Z.L. Zhu, B. Quayle and S. Howard (2007) A project for monitoring trends in burn severity. Fire Ecology 3: 3-21
    22. Forkel, M. , N. Andela, S.P. Harrison, G. Lasslop, M. van Marle, E. Chuvieco, W. Dorigo, M. Forrest, S. Hantson, A. Heil, F. Li, J. Melton, S. Sitch, C. Yue and A. Arneth (2019) A: Emergent relationships with respect to burned area in global satellite observations and fire-enabled vegetation models. Biogeosciences 16: 57-76.
    23. Fujiki, T. and Y. Yasuda (2004) Vegetation history during the Holocene from Lake Hyangho, northeastern Korea. Quaternary International 123: 63-69.
    24. Gao, B.C. (1996) NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment 58: 257-266.
    25. Ghermandi, L. , A. Lanorte, F. Oddi and R. Lasaponara (2019) Assessing fire severity in semiarid environments with the dNBR and RDNBR Indices. Global Journal of Science Frontier Research 19(1): 27-44.
    26. Gibson, R. , T. Danaher, W. Hehir and L. Collins (2020) A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest. Remote Sens. Environ 240:111702.
    27. Giglio, L. and D.P. Roy (2020) On the outstanding need for a long-term, multi-decadal, validated and quality assessed record of global burned area: Caution in the use of Advanced Very High Resolution Radiometer data. Science of Remote Sensing 2(11): 100007.
    28. Glenn, E.P. , A.R. Huete, P.L. Nagler and S.G. Nelson (2008) Relationship between remotely-sensed vegetation indices, canopy attributes and plant physiological processes: Whatvegetation indices can and cannot tell us about the landscape. Sensors 8: 2136-2160.
    29. Hall, M.L. , P. Samaniego, J.L. Le Pennec and J.B. Johnson (2008) Ecuadorian Andes volcanism: A review of Late Pliocene to present activity. Journal of Volcanology and Geothermal Research 176(1): 1-6
    30. Han, D. , X. Di, G. Yang, L. Sun and Y. Weng (2021) Quantifying fire severity: A brief review and recommendations for improvement. Ecosystem Health and Sustainability 7: 1.
    31. Han, S.S. (2000) Forest fire and forest ecosystems restoration. Journal of Forest and Environmental Science 16: 175-193. (In Korean with English abstract)
    32. Hawbaker, T.J. , M.K. Vanderhoof, Y.J. Beal, J.D. Takacs, G.L. Schmidt, J.T. Falgout, B. Williams, N. M. Fairaux, M.K. Caldwell, J.J. Picotte, S.M. Howard, S. Stitt and J.L. Dwyer (2017) Mapping burned areas using dense time-series of Landsat data. Remote Sensing of Environment 198: 504-522.
    33. Heward, H. , A.M.S. , Smith, D.P. , Roy, W.T. , Tinkham, C.M. , Hoffman, P. , Morgan and K.O. Lannom (2013) Is burn severity related to fire intensity? Observations from landscape scale remote sensing. Int. J. Wildland Fire 22: 910-918.
    34. Huang, D. , Y. Tang and R. Qin (2022) An evaluation of PlanetScope images for 3D reconstruction and change detection– experimental validations with case studies. GIScience and Remote Sensing 59(1): 744-761.
    35. Jakubauskas, M.E. , K.P. Lulla and P.W. Mausel (1990) Assessment of vegetation change in a fire-altered forest landscape. Photogrammetric Engineering and Remote Sensing 56(3): 371-377.
    36. Jee, M.J. , J.A. Tyson, S. Hilbert, M.D. Schneider, S. Schmidt and D. Wittman (2015) Cosmic shear results from the deep lens survey - II: full cosmological parameter constraints from tomography. The Astrophysical Journal 824(2): 77.
    37. Jones, M.W., J.T. Abatzoglou, S. Veraverbeke, N. Andela, G. Lasslop and M. Forkel (2022) Global and regional trends and drivers of fire under climate change. Reviews of Geophysics 60(3): e2020RG000726.
    38. Keeley, J.E. (2009) Fire intensity, fire severity and burn severity: A brief review and suggested usage. International Journal of Wildland Fire 18: 116-126.
    39. Kelley, D.I. , I. Bistinas, R. Whitley, C. Burton, T.R. Marthews and N. Dong (2019) How contemporary bioclimatic and human controls change global fire regimes. Nature Climate Change 9(9): 690-696.
    40. Key, C.H. and N.C. Benson (2006) Landscape Assessment (LA). FIREMON: Fire effects monitoring and inventory system. Gen.Tech. Rep. RMRS-GTR-164-CD. Fort Collins, CO:US Department of Agriculture, Forest Service, Rocky Mountain Research Station, LA-1-55. Gen.Tech.
    41. Kim, J.S. and J.S. Oh (2021) Recoverability analysis of forest fire area based on satellite imagery: Applications to DMZ in the Western Imjin stuary. Journal of the Korean Geomorphological Association 28(1): 83-99. (In Korean with English abstract)
    42. Kolden, C.A. and J. Rogan (2013) Mapping wildfire burn severity in the arctic tundra from downsampled MODIS data. Arctic, Antarctic, and Alpine Research 45(1): 64-76.
    43. Korea Forest Service (2016) 2015 Forest fire statistics yearbook, Daejeon, Korea. (in Korean).
    44. Korea Forest Service (2019) 2018 Forest fire statistics yearbook, Daejeon, Korea. (in Korean).
    45. Korea Forest Service (2022) 2021 Forest fire statistics yearbook, Daejeon, Korea. (in Korean).
    46. Laurent, P. , F. Mouillot, M.V. Moreno, C. Yue and P. Ciais (2019) Varying relationships between fire radiative power and fire size at a global scale. Biogeosciences 16: 275-288.
    47. Lee, B.D , J.E. Song, M.B. Lee and J.S. Chung (2008b) The relationship between characteristics of forest fires and spatial patterns of forest types by the ecoregions of South Korea. Journal of Korean Society of Forest Science 97(1): 1-9. (In Korean with English abstract)
    48. Lee, B.D. , M.S. Won, K.M. Jang and M.B. Lee (2008a) Analysis of the relationship between landform and forest fire severity. Journal of the Korean Association of Geographic Information Studies 38(11): 58-67. (In Korean with English abstract)
    49. Lee, H.P. , S.Y. Lee and Y.J. Park (2009) Combustion characteristics of the 5 herb species in Youngdong areas. Journal of Korean Society of Forest Science 98(3): 290-296. (In Korean with English abstract)
    50. Lee, M.W. , S. Y. Lee and J.H. Lee (2012) Study of the characteristics of forest fire based on statistics of forest fire in Korea. Journal of the Korean Society of Hazard Mitigation 12(5): 185-192 (In Korean with English abstract)
    51. Lee, S.Y. and J.E. Kim (2011) A study on meteorological elements effecting on large-scale forest fire during spring time in Gangwon Young-dong Region. Koeran society of hazard mitigation 11(1) : 37-43. (In Korean with English abstract)
    52. Lentile, L.B. , Z.A. Holden, A.M.S. Smith, M.J. Falkowski, A.T. Hudak, P. Morgan, S.A. Lewis, P.E. Gessler and N.C. Benson (2006) Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire 15: 319-345.
    53. Lisa, M. , S.A. Holsinger, L.B. Parks, R.A. Saperstein, E. Loehman, J. Whitman, Barnes and M.A. Parisien (2021) Improved fire severity mapping in the North American boreal forest using a hybrid composite method. Remote Sensing in Ecology and Conservation 8(2): 222-235.
    54. Liu, S. , L. Zhang and Y. Long (2019) Urban vitality area identification and pattern analysis from the perspective of time and space fusion. Sustainability 11(15): 4032.
    55. Malamud, B.D. , G. Morein and D.L. Turcotte (1998) Forest fires: An example of self-organized criticality. Science 281: 1840- 1842.
    56. Molla, I. , E. Velizarova and M. Zaharinova (2017) Fire severity assessment using ndvi derived from Landsat TM/ETM images and terrain data. Ecological Engineering and Environment Protection 8(2017): 29-37.
    57. Morresi, D. , R. Marzano, E. Lingua, R. Motta and M. Garbarino (2022) Mapping burn severity in the western Italian Alps through phenologically coherent reflectance composites derived from Sentinel-2 imagery. Remote Sensing of Environment 269: 112800.
    58. Mouillot, F. and C.B. Field (2005) Fire history and the global carbon budget: A 1° × 1° fire history reconstruction for the 20th century. Glob. Chang. Biol 11: 398-420.
    59. Newcomer, M. , D. Delgado, C. Gantenbein, T. Wang, B. Schiffman, S. Prichard, C. Schmidt and J.W. Skiles (2009) Burn severity assessment in the Okanogan-Wenatchee forest using NASA satellite missions. ASPRS Annual Conference.
    60. Pausas, J.G. and E. Ribeiro (2013) Fire and productivity. Global Ecology and Biogeography 22: 728-736.
    61. Ramo, R. , E. Roteta, I. Bistinas, D. van Wees, A. Bastarrika, E. Chuvieco and G.R. Van der Werf (2021) African burned area and fire carbon emissions are strongly impacted by small fires undetected by coarse resolution satellite data. Proceedings of the National Academy of Sciences 118(9): 1-17.
    62. Ratz, A. (1995) Long-term spatial patterns created by fire: A model oriented towards boreal forests. International Journal of Wildland Fire 5: 25-34.
    63. Raut, S. , K.R. Rijal, S. Khatiwada, S. Karna, R. Khanal, J. Adhikari and B. Adhikari (2020) Trend and characteristics of Acinetobacter baumannii infections in patients attending Universal College of Medical Sciences, Bhairahawa, Western Nepal: A Longitudinal Study of 2018. Infect Drug Resist 8(13): 1631-1641.
    64. Roteta, E. , A. Bastarrika, M. Franquesa and E. Chuvieco (2021) Landsat and Sentinel-2 based burned area mapping tools in Google Earth Engine. Remote Sensing 13(4): 816.
    65. Roteta, E. , A. Bastarrika, M. Padilla, T. Storm and E. Chuvieco (2019) Development of a Sentinel-2 burned area algorithm: Generation of a small fire database for sub-Saharan Africa. Remote Sensing of Environment 222: 1-17.
    66. Roy, D. P. , H. Huang, L. Boschetti, L. Giglio, L. Yan, H.H. Zhang and Z. Li (2019) Landsat-8 and Sentinel-2 burned area mapping - A combined sensor multi-temporal change detection approach. Remote Sensing of Environment 231: 111254.
    67. Roy, D.P. , L. Boschetti and S.N. Trigg (2006) Remote sensing of fire severity: Assessing the performance of the Normalized Burn Ratio. IEEE Geoscience and Remote Sensing Letters 3(1): 112-116.
    68. Schimmel, J. and A. Granström (1996) Fire severity and vegetation response in the boreal swedish forest. Ecology 77(5): 1436- 1450.
    69. Schroeder, K. , S.A. Josey, M. Herrmann, L. Grignon, G.P. Gasparini and H.L. Bryden (2010) Abrupt warming and salting of the Western Mediterranean deep water after 2005: Atmospheric forcings and lateral advection. Journal of Geophysical Research 115(C8).
    70. Senande-Rivera, M. , D. Insua-Costa and G. Miguez-Macho (2022) Spatial and temporal expansion of global wildland fire activity in response to climate change. Nature Communications 13: 1208.
    71. Shin, M.H. , J.H. Lim and W.S. Kong (2014) Relationship between environment factors and distribution ofPinus densiflora after fire in Goseong, Gangwon Province, Korea. Journal of the Korean Society of Environmental Restoration Technology 17(2): 49-60.
    72. Soverel, N.O. , D.D.B. Perrakis and N.C. Coops (2010) Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada. Remote Sensing of Environment 114: 1896-1909. 10.1016/j.rse.2010.03.013
    73. Teckentrup, L. , S.P. Harrison, S. Hantson, A. Heil, J.R. Melton and M. Forrest (2019) Response of simulated burned area to historical changes in environmental and anthropogenic factors: A comparison of seven fire models. Biogeosciences 16(19): 3883-3910.
    74. Tran, B.N. , M.A. Tanase, L.T. Bennett and C. Aponte (2018) Evaluation of spectral indices for assessing fire severity in Australian Temperate Forests. Remote Sens 10: 1680.
    75. Tyukavina, A. , P. Potapov, M.C. Hansen, A.H. Pickens, S.V. Stehman, S. Turubanova, D. Parker, V. Zalles, A. Lima, I. Kommareddy, X.P. Song, L. Wang and N. Harris (2022) Global trends of forest loss due to fire from 2001 to 2019. Front. Remote Sens 3: 825190.
    76. van Gerrevink, M.J. and S. Veraverbeke (2021) Evaluating the hyperspectral sensitivity of the Differenced Normalized Burn Ratio for assessing fire severity. Remote Sens 13: 4611.
    77. Verhegghen, A. , H. Eva, B. Desclée and F. Achard (2016) Review and combination of recent remote sensing based products for forest cover change assessments in Cameroon. International Forestry Review 18(2): 2016-2017.
    78. Wang, W. , W. Wu, F. Guo and G. Wang (2022b) Fire regime and management in Canada's protected areas. International Journal of Geoheritage and Parks. 10: 240-251.
    79. Wang, W. , X. Wang, W. Wu, F. Guo, J. Park and G. Wang (2022a) Burn severity in Canada's mountain national parks: Patterns, drivers, and predictions. Geophysical Research Letters 49(12): 1-11.
    80. White, J.C. , M.A. Wulder, T. Hermosilla, N.C. Coops and G.W. Hobart (2017) A nationwide annual characterization of 25- years of forest disturbance and recovery for canada using landsat time series. Remote Sensing of Environment 194: 303-321.
    81. White, J.D. , K.C. Ryan, C.C. Key and S.W. Running (1996) Remote sensing of forest fire severity and vegetation recovery. Int J Wildland Fire 6(3): 125-136.
    82. White, L.A. and R.K. Gibson (2022) Comparing fire extent and severity mapping between sentinel 2 and landsat 8 satellite sensors. Remote Sensing 14(7): 1661.
    83. Wright, H.A. and A.W. Bailey (1982) Fire ecology: United state and Southern Canada. John Wiley and Sons, New York. 501p.
    84. Ying, L. , J. Han, Y. Du and Z. Shen (2018) Forest fire characteristics in China: Spatial patterns and determinants with thresholds. Forest Ecology and Management 424: 345-354.
    85. Yoo, J.Y. , J.W. Han, D.W. Kim and T.W Kim (2021) Evaluating impact factors of forest fire occurrences in Gangwon province using PLS-SEM: A focus on drought and meteorological factors. KSCE Journal of Civil and Environmental Engineering Research 41(3): 209-217. (In Korean with English abstract)