earticle

영어

This study aims to evaluate the wildfire severity classification performance of four machine learning algorithm models, Maximum Likelihood Classification(MLC), Random Forest(RF), Support Vector Machine(SVM) and K-Nearest Neighbors(KNN), in the wildfire areas of Hongseong-gun, Chungcheongnam-do, in 2023. Compared with the verification dataset, the overall performance of the models indicated that the Random Forest(RF) showed the highest accuracy. The highest performance of the Random Forest(RF) model can be explained by its ability to combine multiple decision trees for a final prediction. Furthermore, the performance based on wildfire severity showed that all machine learning algorithm models had lower detection performance in heat damage areas compared with crown and surface fire areas. Crown and heat damage areas have similar spectral reflectance patterns, and heat damage and surface fire areas are considered to have shown lower performance due to the complex canopy structure. Machine learning based burn severity estimation provide critical baselines for rapid recovery planning and greenhouse gas emissions calculations.

한국어

본 연구는 2023년 충청남도 홍성군 산불피해지 대상으로 Maximum Likelihood Classification(MLC), Random Forest(RF), Support Vector Machine(SVM), K-Nearest Neighbors(KNN) 이상 4가지 머신러닝 알고리 즘 모델의 산불피해 강도 분류 성능을 파악하기 위해 실시되었다. 검증데이터와 비교한 결과, 모델 총 성능은 Random Forest(RF)의 Overall Accuacy(OA)와 Cohen’s Kappa 계수가 97.2%와 0.95로 가장 높은 성능을 보였다. RF는 여러 개의 의사결정 나무들을 결합하여 최종 예측을 하므로 데이터의 불균형을 해소할 수 있다. 또한, 산불피해 강도에 따른 성능은 모든 머신러닝 알고리즘 모델에서 열해 피해지가 수관화 및 지표화 피해지에 비해 낮은 탐지 성능을 나타냈다. 이는 수관화ㆍ열해 피해지의 분광 반사율 패턴이 유사하고, 열해·지표화 피해지의 경우 복잡한 수관층 구조로 인해 탐지 성능이 낮은 것으로 판단된다. 이와 같은 머신러닝 알고리즘 모델을 통한 산불피해 강도별 면적을 산출은 신속한 복구계획 수립뿐만 아니라 산불로 인한 온실가스 배출량 산정에 기초자료를 제공할 수 있을 것이다.