고해상도 위성영상 기반의 피해규모 자동산정시스템 개발 연구

A Study on the Development of Automated Damage Estimation System using High Resolution Satellite Imagery

Article information

J. Korean Soc. Hazard Mitig. 2016;16(2):161-172
Publication date (electronic) : 2016 April 30
doi : https://doi.org/10.9798/KOSHAM.2016.16.2.161
황승호*, 김계현, 이건휘***, 이미란****
* Member. Master Course, Department of Geoinformatic Engineering, Inha University
*** Master, Department of Geoinformatic Engineering, Inha University
**** Researcher, National Disaster Management Institute
**Corresponding Author. Member. Professor, Department of Geoinformatic Engineering, Inha University (Tel: +82-32-860-7602, Fax: +82-32-872-8922, E-mail: kyehyun@inha.ac.kr)
Received 2016 January 18; Revised 2016 January 19; Accepted 2016 March 03.

Abstract

현재 우리나라에서는 자연재해로 인한 피해규모 파악을 위해 재해지역에 지자체 인력을 파견하여 수 작업에 의한 피해조사를 수행하고 있다. 그러나 한정된 인력과 수작업에 의한 피해조사로 많은 시간이 소요되어 어려움이 많은 실정이다. 따라서 본 연구에서는 태풍으로 인한 홍수 피해조사를 효율적으로 지원하기 위하여 피해규모 자동산정시스템을 개발하였다. 이를 위하여 영상기반의 변화탐지에 주로 활용되는 CVA(Change Vector Analysis)와 DNDVI(Differential Normalized Difference Vegetation Index) 알고리즘을 위성영상에 적용하여 피해면적을 산출하고, GIS DB를 이용하여 피해추정액을 산정하였다. 연구대상지역은 2013년 재해 피해가 컸던 여주시 흥천면으로 선정하였으며, 대상지역의 위성영상과 GIS DB를 구축하였다. 개발된 시스템을 대상지역 내에 피해가 심한 4개 지역에 적용하여 피해면적과 피해액을 산정하였다. 이후 동일지역에 대해 육안판독을 수행하여 피해면적과 피해액을 산정하고 이를 참값으로 가정하였다. 시스템을 통해 산정된 피해면적과 피해액을 참값과 비교한 결과, 피해면적의 분류정확도는 87.23%, Kappa 값은 0.716으로 나타났다. 또한, 4개 지역에 대한 육안판독 결과, 산정된 피해액의 규모가 시스템의 결과와 동일한 순서로 나타났다. 따라서 개발된 시스템을 피해조사를 위한 우선순위 선정과 인력 배분 결정 등에 활용한다면 현장조사에 의존하는 기존 피해조사 업무 효율성의 제고에 기여가 클 것으로 사료된다.

Trans Abstract

Currently in South Korea, to grasp the damage of natural disasters, damage investigations are conducted by dispatching personnel from local governments to disaster regions. However, there are difficulties due to limited human resources and damage investigations that must be done manually and such investigations are considerably to be time consuming. Therefore, to provide support the investigations of flood damage due to typhoons, this study developed an automated damage estimation system. To achieve this goal, CVA(Change Vector Analysis) and DNDVI(Differential Normalized Difference Vegetation) algorithms were used to calculate the damage areas and estimated the damage cost using GIS DB. Heungcheon-myeon in Yeoju-si was selected as the study area and the database was constructed using satellite images and GIS DB in the study area. To calculate the size of the damage areas and damage cost, the developed system was applied to four sites with serious damages. The true value of the size of the damage areas and the damage cost were estimated through the visual interpretation of the damage areas. When the damaged areas and the damage cost calculated through the system were compared to the true values, the classification accuracy of the damage areas was 87.23% and the Kappa value was 0.716. Furthermore, according to the results of visual interpretation of the four sites, the rank of the calculated damage cost was of the same order as that of the results derived from the system. Consequently, if the developed system is used to determine priorities and allocation of personnel for damage investigations, it will contribute to enhance the work efficiency of the existing damage investigations.

1. 서론

최근 태풍과 홍수 같은 자연재해로 인한 피해가 전 세계적으로 빈번하게 발생하고 있다. 이러한 자연재해 피해는 이상기후로 인하여 돌발적으로 발생하고 피해범위도 광역화되고 있으며 이에 따른 피해규모도 증가하고 있다.

현재 우리나라는 자연재해로 인한 피해규모 파악을 위하여 지자체 단위로 조사 공무원을 자연재해 지역에 파견하여 수작업에 의한 피해조사를 수행하고 있다. 이와 같은 방식은 광역적인 자연재해 지역의 피해조사에 있어 상대적으로 많은 조사인력과 시간을 필요로 한다. 따라서 지자체의 한정된 인력을 효율적으로 활용할 수 있는 방식으로의 개선이 시급하다. 또한 광범위한 자연재해 지역에 대한 피해조사를 신속하고 효율적으로 수행하기 위하여 표준화 된 피해조사체계를 기반으로 자동화된 피해조사시스템의 운용이 시급한 실정이다(NIDP, 2008).

더불어 IT 기술의 발달과 원격탐사 기술이 고도화됨으로써 방재분야에서도 이를 활용한 피해조사 기술개발의 필요성이 증대되고 있다. 이러한 고도화된 원격탐사 기술은 보다 고해상도 위성영상 취득을 가능하게 하고 있다. 또한, 광범위한 자연재해 지역에 대하여 원격탐사 기술을 활용하는 연구가 국내·외에서 활발하게 이루어지고 있다(Jensen, 2003). 이러한 연구의 일환으로 우리나라, 미국, 유럽, 일본 등은 고해상도위성영상을 활용하여 자연재해 지역을 분석하는 연구를 진행하고 있다. 이러한 연구의 대부분은 피해지역 식별 및 면적산출에 있어 피해 전·후 위성영상에 대하여 육안판독을 통해 변화지역을 유추하는 방법과 함께 원격탐사 전문가의 개입을 통한 감독분류 방법, 분류정확도가 낮은 무감독분류 방법 등을 활용하고 있다. 그러나 이러한 방법들은 부정확한 피해지역을 산정하거나 전문가의 개입이 절대적으로 필요하기 때문에 국가기관이나 피해조사를 수행하는 당사자가 피해조사 수행 시 활용하기 어려운 실정이다. 따라서 고해상도 위성영상을 활용하여 정확한 피해지역을 산정하고 이를 피해조사 수행 시 현업에서 활용할 수 있는 실용화 연구가 필요하다. 우리나라는 현재 실용화 연구에 활용할 수 있는 위성으로 Kompsat-2, 3, 3A, 5호를 운용 중에 있다. 또한, 공간 및 분광 해상도가 현재 운용중인 위성보다 더욱 향상된 Kompsat-6, 7호를 각각 2019년, 2020년에 발사할 예정이다.

원격탐사 기술과 함께 위치정보를 기반으로 시설물관리에서부터 환경관리, 국방, 도시계획, 방재 등 광범위한 분야에서 활용되고 있는 GIS기술의 필요성은 나날이 증가하고 있다. 특히 정확한 위치정보와 함께 제반 피해정보의 확보가 필요한 방재분야에서도 GIS 기반 활용시스템의 구축이 필수적이다(Kim, 2011).

따라서 본 연구에서는 태풍으로 인한 홍수피해 발생 시 재해지역의 개략적인 피해규모를 신속하게 산정하여 지역별 피해조사 우선순위 산정 및 인력배분 결정 등을 지원할 수 있는 피해규모 자동산정시스템을 고해상도 위성영상과 GIS 기술을 활용하여 개발하였다.

2. 선행 연구사례

최근 고해상도 위성영상을 이용하여 자연재해로 인한 피해정보 추출 및 분석에 관한 연구가 국내·외에서 활발하게 이루어지고 있다. 국내 연구사례로 Park et al.(2006)은 태풍 RUSA 전·후의 IKONOS-2, QuickBird-2, SPOT-5, KOMPSAT-1 위성영상을 이용하여 태풍으로 인한 강원도 강릉 사천천 주변의 변화 정보를 추출하였다. 이 연구에서는 자동으로 임계치를 설정하는 무감독분류를 통해 피해 전·후 영상에서 분류항목이 변경된 지역을 태풍 피해에 따른 변화지역으로 간주하였다. Lee et al.(2004)은 Landsat 7 ETM+ 영상을 이용하여 태풍 RUSA로 인한 강릉의 남대천 유역의 토지피복변화 분석방법을 제시하는 연구를 수행하였다. 이 연구에서는 식생의 활성도를 나타내는 NDVI(Normalized Difference Vegetation Index)의 차이를 활용한 DNDVI(Differential Normalized Difference Vegetation Index)알고리즘을 피해 전·후 영상에 적용하여 변화지역을 탐지하였다. 이를 통해 태풍으로 인한 침수지역 및 피해면적을 산출하였다.

해외연구사례로 Wang(2004)은 미국 North Carolina의 Pitt County의 태풍 후 홍수 피해를 분석하였다. 이 연구에서는30m 해상도를 가진 DEM과 홍수 시 하천수위계를 통해 관측된 수위 자료를 이용하여 범람지역을 산출하고 이를 LandsatTM 영상으로부터 추출된 범람지역과 중첩하여 정밀한 범람지역을 추출하는 기법을 사용하였다.

시스템 구축 사례로 Jeon et al.(2010)은 2003년 태풍 매미와 2009년 집중호우로 인한 부산의 피해발생 이력을 지도에 표출하는 피해이력 표출시스템을 개발하였다. 이 피해이력 표출시스템은 홍수와 해일, 산사태, 풍해별로 발생한 피해 이력데이터를 공간 데이터베이스로 구축하여 행정구역별로 자연재해 발생지역과 피해내용, 피해원인, 피해분류 등을 지도기반에서 검색할 수 있다. 아울러 국립방재연구소인 NIDP(2008)는 재해로 인한 피해규모를 산정할 수 있는 피해조사시스템을 개발하였다. 이 시스템은 사용자가 피해 전·후 위성영상에 대한 육안판독을 통해 피해지역과 피해유형을 지정하고 피해유형의 면적과 동의 개수, 길이 등을 지정하여 피해추정액을 산정하였다.

선행 연구사례들을 분석한 결과 재해로 인한 피해면적 산출을 주로 다루고 있으나 시스템으로 구축되어 있지 않기 때문에 매년 발생하는 재해에 쉽게 적용하기 어려운 실정이다. 또한, 시스템 구축 사례들은 단순히 과거 피해정보를 표출하거나, 육안판독을 통해 피해지역을 유추하는 방식으로 정확한 피해지역을 분류하는데 한계점이 있다.

이러한 한계점을 해결하기 위하여 본 연구에서는 재해 전·후 고해상도 위성영상들의 분광특성을 고려하여 효율적으로 피해규모를 산정하는 피해규모 자동산정시스템을 개발하였다.

3. 피해규모 산정 방법론

3.1 피해규모 산정 대상

피해규모 자동산정시스템을 개발하기 위해서는 시스템에서 피해여부를 반영할 수 있는 대상에 대한 정의가 필요하다. 이에 따라 재해 발생 시 피해조사 및 복구계획수립 방법 등에 관한 규정을 정리한 ‘2013년 자연재난조사 및 복구계획수립지침’(NEMA, 2013)에 의거하여 사유시설과 공공시설로 나누어 피해규모 산정 대상을 정의하였다. 이 지침에서 사유시설은 주택, 농경지, 농림시설, 축산시설, 선박 등 총 9개 항목으로 분류되며, 공공시설은 도로 및 교량, 도로시설물, 하천제방 등 총 16개 항목으로 분류된다. 본 연구에서는 고해상도위성영상과 GIS 기술을 활용하여 피해규모를 산정하는 것이 목표이기 때문에 지침에서의 사유시설과 공공시설 항목들에 대하여 실제 반영할 수 있는 대상을 분석하였다. 위성영상은 바닷속과 건물 등을 투과하여 촬영될 수 없는 등 지상에 있는 대상물 중 일부를 촬영할 수 없는 한계점을 가지고 있다. 따라서 위성영상이 건물의 지붕 밑과 교량 밑, 바닷속, 건물 내부 등에 대해서 촬영할 수 없는 등의 한계점을 고려하여 사유시설과 공공시설의 각 항목들에 대하여 판독가능여부를 분석하였다. 이 판독가능여부 분석은 우리나라에서 현재 운용 중이며 공간해상도가 4 m인 Kompsat-2 위성을 기준으로 수행하였다. 또한, 위성영상으로 판독이 가능하더라도 선박, 수산생물 입식 등과 같이 공간자료로 구축되어있지 않은 항목에 대해서는 GIS 기술을 활용한 피해규모 산정이 불가능하다. 따라서 4 m 공간해상도를 가지는 위성영상으로 판독이 가능하며 수치지형도, 연속지적도, 임도망도와 같은 공간자료로 구축이 되어있는 경우에 한하여 피해규모 산정 대상으로 정의하였다(Table 1).

Objects of Damage Estimation

3.2 피해규모 산정 방법

본 연구에서는 피해규모 산정을 위해 건물의 피해 동 수, 농경지의 피해 면적, 도로의 피해 길이와 같이 재해 피해를 입은 대상들의 피해단위와 그에 따른 피해추정액을 피해규모로 정의하였다. 피해규모 자동산정시스템을 개발하기 위해서는 피해규모를 산정하는 방법에 대한 정의가 필요하다. 피해규모산정 방법은 Fig. 1과 같은 프로세스로 정의하였다. 피해규모산정 프로세스는 1단계 전처리 과정, 2단계 피해지역 탐지 과정, 3단계 피해규모 산정 과정 총 3단계로 나뉘며 최종적으로 재해로 인한 피해규모를 산정하게 된다.

Fig. 1

Damage Estimation Process.

3.2.1 전처리 과정

위성영상은 촬영과정에서 위성의 자세, 대기상태 등 다양한 요인에 의하여 자료의 왜곡이 발생한다. 이러한 왜곡은 수집된 자료의 처리나 분석 시 오차요인으로 작용하기 때문에 보정을 통한 자료의 수정 작업이 필요하며 이러한 수정 과정을 전처리 과정이라고 한다. 본 연구에서는 피해 전·후 위성영상이 동일한 위치정보를 갖도록 정사보정을 수행하는 것을 전처리 과정으로 정의하였다. 전처리 과정을 거치지 않은 위성영상을 활용해 피해규모를 산정하면 피해 전·후 영상의 위치정보가 일치하지 않아 부정확한 산정결과를 초래하게 된다. 따라서 피해규모 산정을 위하여 사용되는 위성영상은 GCP(Ground Control Points)자료와 영상자료, 수치표고자료(DEM)를 이용하여 피해 전·후 영상이 동일한 위치정보를 갖도록 정사보정이 완료된 상태여야 한다. 본 연구에서는 국내에서 개발된 3DSuite 전처리 프로그램을 활용하여 위성영상의 전처리를 수행하였다.

3.2.2 피해지역 탐지 과정

피해지역 탐지 과정은 전처리 과정을 거친 재해 피해 전·후 위성영상을 활용해 자연재해로 인한 피해면적을 산출하는 과정이다. 피해지역 탐지 과정은 변화지역 탐지, 탐지 결과 필터링, 탐지 결과 Vector화, 오분류 제거를 거쳐 최종적으로 피해면적을 산출하는 것으로 정의하였다. 세부적으로 변화지역 탐지 과정에서는 고해상도 위성이 기본적으로 탑재하고 있는Red, Blue, Green, NIR 밴드를 활용하여 효과적으로 변화탐지를 수행할 수 있는 CVA(Change Vector Analysis)와 DNDVI알고리즘을 활용하여 변화면적을 산정하는 것으로 정의하였다. CVA 알고리즘은 서로 다른 두 시기 영상의 화소 Vector들간의 크기를 이용하여 변화지역의 크기를 추정하는 대표적인 변화탐지 기법 중 하나이다(Wang et al., 2013). 토지에 변화가 생기게 되면 분광학적인 특성이 달라지며, 변화가 없었던 시점에서 변화가 생긴 시점으로의 변화 크기와 방향을 설명하는 벡터를 분석하는 방법이 CVA이다(Malila, 1980; Michalek et al., 1993). Dhakal et al.(2002)은 다양한 변화탐지 알고리즘을 홍수 지역에 적용한 연구를 수행했으며, CVA가 가장 높은 정확도를 나타냈다. CVA의 식은 Eqs. (1)과 같다.

(1)CMπxel=k = 1N[BVi, j,k(data2)BVi, j,k(data1)]2

여기에서 BVi,j,k(date2)BVi,j,k(date1)는 각각 k밴드의 Date2와 Date1의 화소 밝기값이며 N은 영상밴드의 총 개수이다. 이를 통해 CMπxel을 구할 수 있으며 이는 해당 픽셀에 대한 변화크기이다.

피해 전·후 영상의 각 픽셀에 대한 변화크기가 피해여부의 기준이 되는 임계치보다 클 경우 재해 피해로 인한 변화픽셀로 간주하며 이러한 변화픽셀이 모여 변화면적을 형성하게 된다. 이렇게 형성된 면화면적 중 시계열 변화로 인하여 식생이 증가한 지역은 분광특성이 크게 달라지기 때문에 피해지역이 아님에도 변화면적으로 산출될 수 있다. 이를 방지하기 위해 원격탐사에서 식생의 활성도를 나타내는 지표로 많이 사용되는 NDVI의 시기차를 이용한 DNDVI 알고리즘을 활용하였다. NDVI는 Rouse(1974)가 개발한 정규화식생지수로써 식생의 시공간적 변화탐지를 효과적으로 수행할 수 있으며, 지구 기후 감시와 생물권의 상호작용 모델링 및 천연자원관리, 농업작물 감시 등 다양한 분야에서 활용되고 있다. NDVI는 -1에서 1의 범위를 가지며 식생분석을 위해 가장 광범위하게 활용되고 있다. 일반적으로 육지의 물체들은 0~0.8사이의 값을 나타내며 식생의 모니터링 수단으로 계절별, 특정 시기별 식생활동을 비교하여 광합성 활동, 생장 주기, 최초 및 최고 생장시기, 잎의 변화 시기 등의 정보를 제공한다(Huete et al., 1999). NDVI의 식은 Eqs. (2)와 같다. 또한 NDVI의 시기차를 이용한 DNDVI 알고리즘은 Eqs. (3)과 같다.

(2)NDVI=NIRREDNIR+RED
(3)DNDVI=NDVI1NDVI2

여기에서 NIR은 근적외선 영역의 반사율이며, RED는 가시광선 영역중 적색광 영역의 반사율을 나타낸다. 이러한 근적외선 영역과 적색광영역의 반사율을 활용한 DNDVI 알고리즘의 결과로 피해 전 영상에 비해 피해 후 영상의 식생이 증가하였다면 그 지역을 변화면적에서 제외한다. 이렇게 CVADNDVI 알고리즘을 통해 산정한 변화면적은 정확한 피해 면적산출을 방해하는 영상잡음을 포함하고 있다. 영상잡음이란 위성영상 촬영 당시 대기상태나 위성상태 등에 의해 발생된 노이즈를 뜻한다. 이러한 노이즈를 제거하기 위하여 탐지결과 필터링 과정에서는 필터링 기법을 활용하여 영상의 노이즈를 제거한다. 필터링 기법은 약 15평(약 50 m2)의 크기를 가진 건물을 변화탐지 알고리즘을 통해 탐지할 수 있는 가장 작은 대상으로 간주하고 이보다 작은 크기를 가진 변화면적은 영상잡음으로 간주하여 제거하는 방법으로 정의하였다. 필터링을 마친 변화면적은 수치지형도와 같은 공간자료와의 중첩이 가능하도록 Vector자료로 변환하는 탐지 결과 Vector화 과정을 수행한다. Vector화 된 변화면적은 구름, 시계열 변화 등재해 피해로 인한 변화면적이 아닌 오분류 면적을 포함하고 있다. 이러한 오분류 면적을 자동으로 제거하는 방법은 현재 국내·외 기술력으로는 불가능한 실정이다. 따라서 오분류 면적을 제거하기 위한 방법으로 육안판독을 통한 스크린 디지타이징을 수행하여 수동으로 직접 제거하는 것으로 오분류제거 방법을 정의하였다. 정의된 오뷴류 제거 방법을 통해 오분류 제거 과정까지 마친 변화면적은 최종적으로 자연재해로 인한 피해면적으로 정의하였다.

3.2.3 피해규모 산정 과정

피해규모 산정 과정은 피해지역 탐지 과정에서 산정된 피해면적과 피해규모 산정 대상의 중첩을 통해 재해로 인한 피해규모를 산정하는 과정이다. 피해규모 산정 과정은 중첩분석을 통한 피해 유형 추출, 육안판독을 통한 세분류 항목 선택을 통해 최종적으로 피해액 산출 및 조회를 지원한다. 중첩분석을 통한 피해 유형 추출 과정에서는 수치지형도, 연속지적도, 임도망도와 같은 공간자료로 구축되어있는 피해규모 산정 대상과 피해면적의 중첩을 수행한다. 이 과정에서는 피해면적에 포함된 모든 피해규모 산정 대상을 재해로 인한 피해 대상으로 간주하였다. 피해규모 산정 대상은 ‘2013년 자연재난조사 및 복구계획수립 지침’에 의거하여 항목, 분류, 세분류로 나누어진다. 반면, 본 연구에서 피해규모 산정 대상을 반영하는 수치지형도, 연속지적도, 임도망도와 같은 공간자료들은 피해규모 산정 대상의 분류 수준까지만 반영이 가능한 실정이다. 따라서 주택 파손에 대한 세분류 유형은 전파, 유실, 반파 중 전파가 자동으로 적용되도록 하였으며, 이와 같이 모든 피해규모 산정 대상에 대한 세분류 유형은 분류에 따른 가장 대표적인 기본 세분류 항목이 자동으로 적용되도록 하였다. 그러나 실제로는 모든 피해대상이 가장 대표적인 세분류 유형의 피해만 입지는 않는다. 따라서 육안판독을 통한 세분류 항목 선택 과정에서는 시스템의 세부항목변경 기능을 통해 주택 파손의 경우 전파로 정의되어있는 기본 세분류 항목을 유실로 변경하는 것과 같이 수동으로 기본 세분류 항목을 다른 세분류로 변경할 수 있도록 하였다. 또한, 피해규모 산정 대상들은‘2013년 자연재난조사 및 복구계획수립 지침’내에 면적, 길이, 동수와 같은 단위와 각 단위에 대한 복구 단가가 정해져있다. 따라서 각 피해규모 산정 대상들에 대한 복구 단가를 통해 피해액 DB를 구축하였으며, 피해액 DB를 세분류 항목 선택까지 마친 피해규모 산정 대상들과 연계하여 피해액 산출 및 조회가 가능하도록 하였다. 피해액은 피해 대상의 피해면적, 피해길이와 같은 피해단위와 각 단위에 대한 복구 단가를 곱하여 산정하는 것으로 정의하였다.

4. 피해규모 자동산정시스템 개발

4.1 대상지역 선정

본 연구에서는 2013년 7월 22~23일 집중호우로 인하여 약 80억 원의 재해 피해를 입은 경기도 여주시 흥천면을 연구대상지역으로 선정하였다(Fig. 2). 흥천면은 여주시의 서북방향 약 12 km 지점에 위치하고 있으며, 여주군 면적의 약 7%인 44.19 km2를 차지한다. 지형적으로 하천과 산을 포함하고 있어 태풍이나 집중호우와 같은 재해 발생 시 하천범람, 산사태 등의 재해 피해 위험이 큰 지역이다. 당시 흥천면에서는 집중호우로 인하여 주택, 도로, 농경지, 하천 등에서 큰 피해가 발생하여 연구대상지역으로 적합하였다.

Fig. 2

Study Area

4.2 자료수집 및 DB 구축

본 연구에서는 자연재해 지역의 피해규모를 산정하기 위해 Kompsat-2 위성영상, 수치지형도, 연 속지적도, 임도망도, ‘2013년 자연재난조사 및 복구계획수립 지침’을 확보하여 시스템에서 활용 가능한 DB를 구축하였다. 이러한 DB는 Table 2와 같은 영상 DB와 Table 3와 같은 GIS DB, 그리고 피해액 DB로 나누어 구축하였다. 영상 DB는 시스템에서 피해 전·후 위성영상으로 활용되며 2013년 5월 6일에 촬영된 여주시 흥천면의 위성영상과 동일지역의 2013년 9월 27일에 촬영된 위성영상을 확보하여 구축하였다. 구축된 영상 DB는 변화탐지알고리즘을 통해 피해면적을 산출하기 위하여 활용되었다. GIS DB는 시스템에서 재해 피해대상으로 활용되며 수치지형도의 교통, 건물, 시설, 식생, 지형, 경계 레이어와 연속지적도, 임도망도를 확보하여 구축하였다. 구축된 GIS DB는 피해면적에 포함된 재해 피해대상을 추출하기 위하여 활용되었다. 피해액 DB는 시스템에서 재해 피해대상의 피해액 정보로 활용되며 ‘2013년 자연재난조사 및 복구계획수립 지침’을 바탕으로 구축하였다. 구축된 피해액 DB는 피해면적에 포함된 모든 재해 피해대상들의 피해추정액을 산정하는데 활용되었다.

Image DB

GIS DB

4.3 시스템 개발환경 정의

피해규모 자동산정시스템의 개발언어는 전 세계적으로 시스템 개발에 널리 사용되며, 기술지원도 용이한 Microsoft사의 VisualBasic.NET 2010을 선정하였다. 또한, 영상의 범위설정, 자동 탐지 알고리즘을 활용하기 위하여 ESRI사의 ArcObjects 10.0을 컴포넌트로 사용하였다. ArcObjects는 마이크로소프트의 COM(Component Object Model) 규약에 따라 개발되었으며, ArcGIS Desktop에 상응하는 기능의 애플리케이션 개발이 가능하다. 아울러 ESRI의 객체지향 데이터모델인 Geodatabase를 완벽하게 지원하며 COM, .NET, Java, C++ 등 다양한 개발 플랫폼을 지원한다.

4.4 시스템 GUI

시스템 GUI는 Fig. 3과 같이 기본 메뉴 영역, 피해정보 추출 영역, 지도 조작 영역, 레이어 트리 영역, 맵 컨트롤 영역으로 구성하였다. 기본 메뉴 영역에서는 위성영상과 피해규모산정결과물 파일의 입·출력 및 변경, 시스템초기화, 화면캡쳐, 시스템 기능들에 대한 도움말 조회가 가능하다. 피해정보 추출 영역에서는 피해규모 산정을 수행할 범위와 임계치를 지정하여 피해면적을 추출하고, 추출된 면적에 대한 피해추정액을 산정할 수 있다. 지도 조작 영역은 기본적인 화면의 확대, 축소, 이동, 거리 측정 등 화면조작 기능을 수행한다. 레이어트리 영역은 시스템에서 기본적으로 설정된 레이어 목록을 보여주며, 체크박스를 통해 원하는 레이어의 표출이 가능하다. 레이어 영역은 피해 전 목록과 피해 후 목록으로 나누어 구성하였으며, 피해규모산정 결과물의 추가 및 삭제가 가능하도록 하였다. 맵 컨트롤 영역은 위성영상 및 GIS DB들을 화면상에 보여주는 역할을 하며 피해 전·후 위성영상을 동시에 표출할 수 있도록 피해 전, 피해 후 화면으로 나누어 구성하였다.

Fig. 3

Automated Damage Estimation System GUI

4.5 시스템 주요기능

본 연구에서 개발된 피해규모 자동산정시스템의 주요기능은 변화탐지 알고리즘을 통해 피해면적을 산출하고 피해면적에 포함된 피해대상들의 피해추정액을 산정하는 데에 있다. 이러한 기능은 시스템의 피해정보 추출 영역에서 이루어진다. 피해정보 추출 영역은 범위설정 기능과 자동탐지실행 기능, 피해액산정 기능의 총 3가지로 나뉜다. 범위설정 기능에서는 맵 컨트롤영역에 표출되는 피해 전·후 위성영상을 보고 사용자가 직접 피해규모를 산정할 범위를 설정할 수 있다. 이러한 범위가 설정된 상태에서 자동탐지실행 기능을 실행하게 되면Fig. 4와 같이 피해여부의 기준이 되는 임계치를 설정하는 창이 표출된다. 이 창에서는 설정된 범위 내의 피해 전·후 위성영상과 시스템에서 변화탐지 알고리즘으로 활용되는 CVA 결과에 대한 평균 화소값과 표준편차값을 제공한다. 이를 사용자가 참고하여 직접 임계치를 설정할 수 있도록 하였다. 임계치 설정을 마친 후 실행버튼을 클릭하면 피해 전·후 위성영상의 CVA 결과가 임계치 이상의 차이를 갖는 픽셀들을 피해면적으로 산출하게 된다. 아울러 Fig. 5와 같이 구름이나 그림자와 같은 오분류를 제거할 수 있는 오분류 지역 제거 창이 표출된다. 이 과정에서는 오분류 지역 제거 창의 연필버튼을 이용하여 사용자가 피해 전·후 위성영상에 오분류로 판단되는 지역을 스크린 디지타이징 방식으로 그릴 수 있다. 오분류 지역을 그린 후 완료버튼을 클릭하면 오분류 지역이 제거된 피해면적을 산출하게 된다. 이렇게 오분류 제거를 마친 피해면적을 산출한 후 피해액산정 기능을 실행하면 시스템에서 피해면적에 포함되는 GIS DB를 추출하게 된다. 나아가 피해정보 DB와 연계를 통해 피해추정액을 산정하게 된다.

Fig. 4

Threshold Setting Screen

Fig. 5

Misclassification Remove Screen

5. 연구 결과 및 고찰

본 연구를 통해 개발된 피해규모 자동산정시스템을 연구 대상지역인 경기도 여주시 흥천면에 적용하였다. 세부적으로는 연구 대상지역의 피해조사 우선순위 지역 및 인력배분 결정을 위하여 대표 피해지역들을 선정하였으며, 이를 시스템을 통해 피해규모를 산정할 범위로 지정하였다. 대표 피해지역들은 연구대상 지역에 육안판독을 수행하여 피해를 가장 많이 입은 것으로 판단되는 농경지, 산림, 주택, 하천 지역을 선정하였으며, 각각의 피해면적은 36,000 m2, 5,984 m2, 28,832 m2, 38,063 m2으로 나타났다(Fig. 6).

Fig. 6

Representative Damaged Area

이후 시스템을 통해 대표 피해지역들의 피해면적을 산출하기 위하여 피해면적 산출에 활용되는 CVA 알고리즘의 임계치를 설정하였다. 임계치는 일반적으로 미리 알려져 있지 않으며, 경험적으로 결정되어야 한다(Yeom et al., 2010). 대표피해지역들의 임계치를 설정하기 위해 오차매트릭스를 활용하여 대표 피해지역에 대한 임계치 별 분류정확도를 계산하였다.

오차매트릭스는 배열 또는 표 형태로 두 영상의 분류정확도를 비교하는 수단으로써 활용된다(Lillesand et al., 2007). 오차매트릭스를 통해 분류정확도를 구하기 위해서는 피해지역에 대한 실제 피해면적 참값이 필요하기 때문에, 대표 피해지역들에 대한 실제 피해면적 정보의 존재 여부를 NDMS(National Disaster Management System) 및 지자체에 문의한 결과 정확한 위치정보를 갖는 실제 피해면적 정보는 존재하지 않았음을 파악하였다. 따라서 육안판독을 수행해 산출된 피해면적을 실제 피해면적으로 가정하여 시스템을 통해 산출된 피해면적의 분류정확도를 계산하였다. 임계치 별로 분류정확도를 계산한 결과 하천 지역은 임계치 90, 나머지 지역은 임계치 100이 가장 높은 정확도를 나타냈다(Table 4). 이러한 결과를 통해 본 연구에서는 시스템에 적용할 임계치를 하천지역은 90으로 설정하였으며, 나머지 지역들은 100으로 설정하였다.

Classification Accuracy of Representative Damaged Area

임계치 설정 후 시스템의 자동탐지실행 기능을 통해 대표피해지역들의 피해면적을 산출하였다. 아울러 시스템을 적용하여 피해면적을 산출했을 경우와 육안판독을 수행하여 피해면적을 산출했을 경우에 소요되는 시간을 측정하여 비교하였다. 시스템을 적용하여 피해면적을 산출했을 경우 농경지, 산림, 주택, 하천에 대하여 각각 약 10초, 5초, 8초, 11초의 시간이 소요되었다. 동일한 농경지, 산림, 주택, 하천 지역에 대하여 육안판독을 수행했을 경우 각각 약 15분, 4분, 12분, 20분이 소요되었다. 따라서 시스템을 적용했을 경우, 육안판독을 수행했을 경우에 비하여 많은 시간이 단축되는 것을 확인하였다.

또한 시스템을 통해 육안판독으로 오분류를 제거하는 경우 어느 정도의 시간이 소요되는지를 측정하기 위하여 오분류를 포함하고 있는 지역을 선정하여 오분류 제거를 수행하였다.대표 피해지역으로 선정된 지역들은 육안판독을 수행하여 피해를 가장 많이 입은 것으로 판단되는 지역이었기 때문에 구름 등과 같은 오분류가 포함되지 않은 지역이었다. 따라서 구름 등과 같은 오분류를 제거하는데 소요되는 시간을 측정하기 위하여 피해 전·후 영상에 구름의 존재를 파악하였지만 두영상 모두 맑은 날씨에 촬영되었기 때문에 구름이 존재하지 않았다. 이에 연구대상지역 내에서 피해를 입지 않았음에도 피해를 입은 것으로 나타난 고속도로 지역에 대하여 오분류 제거를 수행하였다. 고속도로가 피해를 입지 않았음에도 피해면적으로 산출된 이유는 피해 전 영상과 피해 후 영상을 촬영할 당시 위성의 고도, 촬영각, 위치차이로 인한 것으로 판단되었다. 연구대상지역 내 고속도로를 포함하는 277,400 m2에 대하여 오분류를 제거를 수행한 결과, 약 30분의 시간이 소요되었으며, 12,200 m2의 면적이 오분류 면적으로 제거되었다.

이후 산출된 피해면적에 대한 정확도 평가를 위하여 이산다변량 기법의 하나인 Kappa 분석을 이용하였다(Foody, 2002). Kappa 값은 원격탐사를 이용하여 만든 분류지도와 참조 자료사이의 일치도나 정확도를 나타내는데, 완전한 우연의 결과는0, 완벽하게 일치하는 경우는 1의 값으로 나타난다. 이는 우연에 의해 일치할 수 있는 경우를 배제하기 위해 도입된 개념으로, 기존에 주로 이용된 오차매트릭스는 전체 정밀도에서 단순히 행렬의 대각선 요소들만을 이용해 계산되므로 누락오차가 고려되지 않는데 반해, Kappa 값은 행렬의 대각선 요소가 아닌 다른 요소들이 고려되기 때문에 원격탐사 분류지도의 정확도 평가에 있어서 더 적합하다(Laurent et al., 2005). 또한 Kappa 값은 일반적으로 0.8이상일 경우 일치도가 강함을 의미하며, 0.4이하일 경우 일치도가 낮다고 판단하는 기준이된다(Jensen, 2005).

산출된 피해면적에 대한 분류정확도와 Kappa 값을 계산하기 위하여 대표 피해지역들과 대표 피해지역들 전체에 대한오차 매트릭스를 생성하였다(Table 5, 6, 7, 8, 9). 이후 생성된 오차 매트릭스를 통해 분류정확도와 Kappa 값을 계산하였다(Table 10). 모든 픽셀 수에 대해 바르게 분류된 픽셀수를 의미하는 분류정확도는 전체 피해지역에 대하여 87.23%로 계산되었으며, Kappa 값은 0.716으로 나타나 강한 일치도는 아니지만 효과적으로 피해면적을 분류하는 것으로 나타났다.

Error Matrix of Cropland Damaged Area

Error Matrix of Forest Damaged Area

Error Matrix of House Damaged Area

Error Matrix of River Damaged Area

Error Matrix of Total Damaged Area

Classification Accuracy and Kappa Coefficient

대표 피해지역들의 피해규모 산정을 위하여 앞서 산출된 피해면적을 시스템의 피해액산정 기능에 적용하였다. 적용 결과각 피해면적에 포함되는 GIS DB와 피해액이 피해규모로 산정되었다(Fig. 7).

Fig. 7

Damage Estimation Result(Cropland)

시스템을 통해 산정된 피해규모가 실제 피해 정보를 정확하게 반영했는지를 파악하기 위하여 NDMS 및 지자체에 피해규모 관련 정보의 존재 여부를 문의한 결과, 사유시설 및 공공시설에 대한 피해정보가 NDMS 및 지자체 재해대장에 기재되어 있으나 피해물량 및 복구액 정보 등이 혼재되어 있어, 이를 실제 피해규모 정보로 활용할 수 는 없는 것으로 파악되었다. 따라서 NDMS 및 지자체 재해대장에 기재되어있는 정보를 피해규모 정보로 변환하기 위해서는 별도의 피해규모생성 방법론 정의가 필요한 실정이다. 나아가 향후 NDMS 및 재해대장에 기재되어있는 피해정보들이 실제 피해규모 정보로 활용 가능한지에 대한 분석도 필요하다. 이후 육안판독을 통해 산출된 대표 피해지역들의 피해면적을 시스템의 피해액산정 기능에 적용하여 피해규모를 산정하고 이를 실제 피해규모를 대신하는 피해규모 참값으로 가정하였다. 각 대표 피해지역에 대하여 시스템을 통해 산정된 피해규모와 육안판독을 통해 산정된 피해규모 참값을 Table 11과 같이 비교하였다.

Comparison of Damage Estimation Result

시스템을 통해 산정된 피해추정액 규모의 크기 순서와 육안판독을 통해 산정된 피해액 규모의 크기 순서는 주택, 농경지, 하천, 산림 순으로 동일하게 나타났다. 따라서 자연재해로 인한 피해지역 중 시스템을 통해 산정된 피해추정액의 크기가 큰 지역에 우선적으로 피해조사를 수행하고 많은 인력을 투입한다면 보다 효율적인 피해조사 지원이 가능할 것으로 판단된다.

시스템을 통해 산정된 피해규모의 피해추정액 약 12억 원은 피해규모 참값의 피해액인 약 10억원에 비하여 약 2억 원을 과다 추정하고 있는 것으로 나타났다. 시스템을 통해 산정된 피해규모와 피해규모 참값이 다르게 산정된 이유는 시스템의 피해액산정 기능에 적용된 피해면적이 각각 다르기 때문으로 확인되었다. 따라서 시스템과 육안판독을 통해 산출된 피해면적이 다른 원인을 분석하였으며, 크게 세 가지로 나타났다.

첫 번째 원인은 Kompsat-2 영상의 낮은 분광해상도 때문이다. 다양한 분광정보를 포함하고 있는 지역은 Kompsat-2 영상의 R, G, B, NIR 밴드만을 활용하여 모든 분광특성을 반영하는데 한계가 있다. 농경지, 산림, 하천 지역의 경우 식생, 수분, 토양 등 다양한 분광정보를 포함하고 있는 지역이지만Kompsat-2 영상의 낮은 분광해상도로 인해 정확한 피해면적을 산출하는데 한계를 보이는 것으로 판단되었다. Kompsat-2 영상과 같은 고해상도 위성영상이 R, G, B, NIR 밴드만을 반영하는 이유는 공간해상도가 높을수록 분광해상도는 낮아질 수밖에 없는 위성영상의 특성 때문이다. 따라서 향후에는 고해상도 위성영상에 비하여 분광해상도가 높은 중·저해상도 위성영상을 통해 SWIR, TIR 밴드 등을 추가적으로 같이 활용한다면 농경지, 산림, 하천 지역에 대하여 보다 정확한 피해면적 산출이 가능할 것으로 기대된다.

두 번째 원인은 서로 다른 시기에 촬영된 피해 전·후 위성영상 때문이다. 서로 다른 시기의 위성은 다른 촬영각 및 위치를 갖게 되며 이로 인해 동일지역 촬영 시 영상 내의 건물과 같이 높이가 있는 동일대상물의 위치가 틀어지게 된다. 주택지역은 높이를 가지고 있는 건물을 많이 포함하고 있기 때문에 서로 다른 시기에 촬영된 피해 전·후 영상 내 건물과 같이 높이가 있는 동일 대상물의 위치가 지붕 등에 의해 틀어지게 되고 틀어진 면적의 밝기값 차이가 매우 커지게 된다. 따라서 틀어진 지역이 모두 피해면적으로 산정되어 오분류 면적이 된다. 오분류 면적은 시스템의 오분류 제거창을 통해 제거할 수 있지만 선정범위에 대한 오분류를 육안판독을 통해 모두 제거하는 것은 시간이 많이 소요되며 영상에 대한 전문지식이 필요하기 때문에 현실적으로 어려운 실정이다. 따라서 오분류를 줄이기 위한 근본적인 방법으로 연구에 적용된 영상에 비하여 전처리가 보다 잘 된 영상을 시스템에 적용한다면 주택지역과 같이 건물을 많이 포함하고 있는 지역의 피해면적이 보다 정확하게 산출 될 것으로 기대된다.

세 번째 원인은 시계열 변화로 인한 변화지역 때문이다. 시계열 변화는 모든 지역에서 나타날 수 있으며, 본 연구에서는 하천지역에서 주로 나타났다. 피해 전 영상에서는 식생지역이었지만 피해 후 영상에서는 대지와 같이 반사율이 크게 산정되는 지역으로 변한 경우는 시계열적 변화에 의한 식생감소지역임에도 불구하고 피해 전·후 영상의 큰 밝기값 차이로 인하여 피해지역으로 산정되며 오분류 면적이 된다. 따라서 시계열적으로 가까운 피해 전·후 위성영상을 시스템에 적용하여 식생감소로 인한 오분류 면적을 줄인다면 모든 지역에 대한 피해면적이 보다 정확하게 산출될 것으로 기대된다.

6. 결론

현재 국내에서는 지자체 공무원의 수작업에 의한 재해 피해규모의 파악을 위한 현장피해조사를 수행하고 있다. 그러나 한정된 지자체의 인력으로 광역적인 자연재해 피해지역에 대한 현장조사를 수행할 인력이 부족하여 상대적으로 많은 시간이 소요되는 현실이다. 따라서 신속하고 효율적인 피해조사방안의 마련이 시급한 실정이다.

이러한 피해조사에 활용될 수 있는 국내·외의 선행연구에서는 단순히 과거 피해정보를 표출하거나 위성영상에 육안판독을 수행하여 재해로 인한 피해지역을 유추하는 방식의 연구가 진행된 정도이다. 실제 자연재해 피해지역에 대한 피해 전·후 위성영상의 분광특성을 활용하여 피해규모를 자동으로 산정하는 연구는 진행되지 않은 실정이다. 따라서 본 연구에서는 광범위한 자연재해 지역에 대하여 피해 전·후 위성영상의 분광특성 차이를 통해 효율적으로 피해조사를 지원하는 고해상도 위성영상 기반의 피해규모 자동산정시스템을 개발을 목표로 하였다.

시스템 개발을 위해 소방방재청에서 발행한 ‘2013년 자연재난조사 및 복구계획수립 지침’을 통하여 위성영상에서 판독 가능한 항목을 시스템에서 반영할 피해규모 산정 대상으로 정의하였다. 또한 시스템의 피해규모 산정 방법을 전처리과정, 피해지역 탐지 과정, 피해규모 산정 과정의 총 3단계 프로세스로 정의하였다. 정의한 프로세스에 의거하여 전처리 된피해 전·후 위성영상에 변화탐지 알고리즘을 적용하여 피해면적을 산출하고 피해면적에 포함된 피해규모 산정 대상들의 피해액을 산정하는 피해규모 자동산정시스템을 개발하였다. 개발된 시스템을 2013년 7월 집중호우로 인하여 큰 피해를 입은 여주시 흥천면에 적용하기 위하여 피해규모 산정 대상을 반영할 수 있는 DB를 구축하였다. 구축된 DB 중 수치지형도와 연속지적도, 임도망도는 GIS DB 형태로, 피해 전·후 위성영상은 영상 DB 형태로, 그리고 ‘2013년 자연재난조사 및 복구계획수립 지침’에서 반영할 피해규모 산정 대상들의 단가 및 피해액 정보는 피해액 DB 형태로 각각 나누어 구축되었다.

이후 육안판독을 통해 연구대상지역 내 자연재해 피해가 컸던 농경지, 산림, 주택, 하천 지역을 시스템에서 피해규모를 산정할 범위로 지정하여 피해면적을 산출하였다. 시스템을 적용했을 경우와 육안판독을 수행했을 경우에 대한 피해면적산출 소요시간을 비교하였다. 시스템을 적용하는 것이 많은 시간을 단축시킬 수 있는 것으로 나타났다. 아울러 산출된 피해면적들의 전체 분류정확도는 87.23%로 상당히 높게 계산된 것을 확인하였으며, Kappa 값은 0.716으로 나타나 효과적으로 피해면적이 산출된 것을 확인하였다.

산출된 피해면적을 시스템의 피해액산정 기능에 적용한 결과 피해면적 내에 포함된 GIS DB와 피해추정액이 피해규모로 산정되었다. 이후 시스템을 통해 산정된 피해규모와 육안판독을 통해 산정된 피해규모 참값을 비교하였다. 비교결과, 시스템을 통해 산정된 피해추정액 규모의 크기 순서와 육안판독을 통해 산정된 피해액 규모의 크기 순서는 주택, 농경지, 하천, 산림 순으로 동일하게 나타났다. 따라서 개발된 피해규모 자동산정시스템은 시스템을 통해 산정된 피해규모가 상대적으로 큰 지역에 대해서 우선적으로 많은 인력을 투입하고 적은 지역에 대해서는 소수 인원만을 투입하는 등 재해지역에 대한 피해조사 시 인력배분에 활용될 수 있다. 또한, 시스템에서 산정된 피해규모의 크기에 따라 피해조사 우선순위지역 결정에 활용할 수 있으며, 이를 통해 2차 피해의 최소화 및 효율적인 피해복구 지원이 가능하다. 이와 같이 피해규모자동산정시스템의 다양한 활용으로 본 연구의 목적인 신속하고 효율적인 피해조사 지원이 가능할 것으로 판단된다. 또한, 본 연구를 통해 개발된 시스템의 결과를 검증할 수 있는 실제피해면적 및 피해규모 정보는 NDMS 및 지자체에 존재하지 않았다. 따라서 침수 피해, 산사태, 토사유출 등과 같은 다양한 재해 피해유형을 반영할 수 있다고 판단된 육안판독 결과를 통해 검증을 수행하였다. 따라서 향후 현지조사를 통한 피해정보 확보 및 침수흔적도와 같은 실제 피해정보나 실제 피해정보에 근접한 자료와 시스템의 결과를 비교하는 추가 연구가 필요할 것으로 판단된다.

시스템을 통해 산정된 대표 피해지역들의 피해추정액은 피해액 참값을 약 2억 원 차이로 추정하고 있는 것으로 나타났다. 이러한 피해추정액과 피해액 참값의 차이는 시스템의 피해액산정 기능에 적용된 피해면적의 차이 때문으로 확인되었다. 피해면적의 차이는 고해상도 위성영상의 낮은 분광해상도, 피해 전·후 위성의 촬영각 및 위치 차이, 시계열 변화로 인해 발생된 오분류 면적에 의한 것으로 확인되었다. 이러한 오분류 면적은 중·저해상도 위성영상의 추가활용, 전처리가 잘된위성영상의 활용, 피해 전·후 위성영상의 촬영기간의 차이가 짧은 영상의 활용을 통해 줄일 수 있을 것으로 기대된다. 그러나 현재 국내에서 활용 가능한 위성들의 경우에 주요 활용목적이 자연재해 피해지역의 탐지가 아닌 실정이다. 나아가 동일 지역에 대한 실제 활용이 가능한 피해 전·후 영상의 경우에도 촬영 주기가 3달 이상인 경우가 대부분으로 자연재해로 인한 피해지역의 탐지에 어려움이 크다. 따라서 이러한 측면에서 재해지역 촬영과 피해의 사전 예측으로 제반 국가적 비용 감소를 위한 방재위성의 운영도 필요한 것으로 판단된다. 아울러 긴급하게 조사가 필요한 지역의 경우에 UAV(Unmanned Aerial Vehicles) 또는 드론(Drone)을 활용하여 재해로 인한 피해지역을 탐지한다면 위성의 재방문 주기에 대한 한계점을 보완할 수 있을 것으로 사료된다. 따라서 향후 UAV 및 드론을 활용하여 재해 피해지역을 탐지할 수 있는 시스템의 개발이 필요할 것으로 판단된다.

또한, 향후 본 연구에서 활용된 알고리즘 외에 보다 국내 지형 및 기후여건을 효과적으로 반영할 수 있는 피해탐지 알고리즘의 적용성 검토가 필요하다. 아울러 본 연구에서 활용된 Kompsat-2 영상보다 공간해상도가 높은 위성영상을 활용한 추가연구를 수행한다면, 본 연구 결과와의 비교를 통해 공간 해상도가 피해탐지 정확도에 미치는 영향을 정량적으로 분석할 수 있을 것으로 판단된다. 나아가 시스템의 정확도와 활용도를 높이고 시스템의 한계점을 보완하기 위한 후속 연구가지속적으로 수행되어야 할 것이다.

감사의 글

본 연구는 안전행정부 국립재난안전연구원의 지원(재난원인과학조사(DSI) 기반기술 구축, NDMI-주요-2014-05)에 의해 수행되었습니다. 이에 감사드립니다.

References

1. Dhakal A.S, Amada T, Aniya M, Sharma R.R. 2002;Detection of Areas Associated with Flood and Erosion caused by a Heavy Rainfall Using Multispectral Landsat TM Data. Photogrammetric Engineering and Remote Sensing 68(No. 3):233–239.
2. Foody G.M. 2002;Status of Land Cover Classification Accuracy Assessment. Remote Sensing of Environment 80(No. 1):185–201. 10.1016/S0034-4257(01)00295-4.
3. Huete A, Justice C, Leeuwen W. 1999;MODIS Vegetation Index (MOD13) Algorithm Theoretical Basis Document Version3.
4. Jensen J.R. 2003;Remote Sensing of the Environment : An Earth Resource Perspective, Sigmapress.
5. Jensen J.R. 2005. Introductory Digital Image Processing : A Remote Sensing Perspective. 3rd Editionth ed. Pearson Prentice Hall. Upper Saddle River, NJ:
6. Jeon T.G, Hwang H.S, Kim C.S. 2010;A UIS-based System Development to Express the Damage History Information of Natural Disasters. Journal of Korea Multimedia Society 13(No. 12):1739–1747.
7. Kim K.H. 2011. GIS Introduction. Munundang:
8. Laurent E.J, Shi H, Gatziolis D, Lebouton J.P, Walters M.B, Liu J. 2005;Using the Spatial and Spectral Precision of Satellite Imagery to Predict Wildlife Occurrence Patterns. Remote Sensing of Environment 97(No. 2):249–262. 10.1016/j.rse.2005.04.015.
9. Lee M.S, Park G.A, Kim S.J. 2004;Land Cover Change Detection by Typhoon RUSA. Journal of The Korean Society of Civil Engineers 24(No. 5):47–52.
10. Lillesand T, Kiefer R, Chipman J. 2007. REMOTE SENSING AND IMAGE INTERPRETATION Wiley & Sons, Inc.
11. Malila W.A. 1980. Change Vector Analysis: An approach for detecting forest changes with Landsat. proc. of Machine Processing of Remotely Sensed Data Symposium West Lafayette: p. 326–336.
12. Michalek J.L, Luczkovich J.J, Stoffle R.W. 1993;Multispectral Change Vector Analysis for Monitoring Coastal Marine Environments, Photogrammetric Engineering and Remote Sensing. 59(No. 3):381–384.
13. National Emergency Management Agency. 2013. Natural Disaster Recovery Planning Research and Guidance.
14. National Institute for Disaster Prevention. 2007. Development of the Ground based Damage Investigation System.
15. National Institute for Disaster Prevention. 2008;Development of Automated Damage Investigation System using Spatial Images.
16. Park N.W, Jang D.H, Chi K.H. 2006;Analysis on the Sedimentary Environment Change Induced by Typhoon in the Sacheoncheon, Gangneung using Multi-temporal Remote Sensing Data. Journal of The Korean Earth Science Society 27(No. 1):83–94.
17. Rouse J.W, Haas R.H, Schell J.A, Deering D.W. 1974. Monitoring Vegetation Systems in the Great Plain with ERTS. Proceedings, Third Earth Resources Technology Symposium Greenbelt: NASA SP-351; p. 3010–3017. PMC423006.
18. Wang Y. 2004;Using Landsat 7 TM data acquired days after a flood event to delineate the maximum flood extent on a coastal floodplain. International Journal of Remote Sensing 25(No. 5):959–974. 10.1080/0143116031000150022.
19. Yeom J.M, Han K.S, Kim I.H. 2010;The Study of Land Surface Change Detection Using Long-Term SPOT/VEGETATION. Journal of The Korean Association of Geographic Information Studies 13(No. 4):111–124.
20. Yoon G.W, Yun Y.B, Park J.H. 2003;Change detection of flood area using LANDSAT TM Data. Journal of The Korean Society for Geospatial Information System 11(2):47–52.

Article information Continued

Table 1

Objects of Damage Estimation

Division Item Classification Unit Spatial Data Layers
Private Facility Cropland Recovery Loss⋅Sunk m2 Cadastral Map Crop Field, Paddy Field
House Recovery Breakage The Number of Building 1:5,000 Digital Topographic Map Building
Agriculture and Forestry Recovery Pomiculture Facility m2 Vegetation
Saltern Facility m2 Boundary
Livestock Product Facility Breakage⋅Loss m2 Building
Livestock Waste Facilities m2 Building
Grass Loss ha Vegetation
Fishery Product Facility Fish Farm m2 Facility
Public Facility Road and Bridge Road m Traffic
City and County Road m Traffic
Bicycle road m Traffic
Bridge m Traffic
Road Facility Structure m Topography
Subsidiary Facility m Facility
River Levee Construct m Facility
Reinforcement m2 Facility
Agriculture Facility Dike m3 Facility
School Facility Fence m2 Building
Railway Facility Loss m Traffic
Sunk m Traffic
Small Facility Small Sized Bridge m Traffic
Cultural Heritage Facility Repair m2 Facility
Newly Built m2 Facility
Forest Facility Forest Road km Forest Road Map -

Fig. 1

Damage Estimation Process.

Fig. 2

Study Area

Table 2

Image DB

Spatial Data Data Type Source Agency Spatial Resolution Time Date
Kompsat-2 Satellite Image Raster Korea Aerospace
Research Institute
Pan : 1 m
Multi : 4 m
Before Damage 2013. 05. 06
After Damage 2013. 09. 27

Table 3

GIS DB

Spatial Data Data Type Source Agency Scale Content
Digital Topographic Map NGI National Geographic Information Institute 1:5,000 Traffic Road centerline, Sidewalk, Bride, Railway
Building Building, Fence
Facility Levee, Floodgate, Culvert, Fish Farm, Cultural Heritage, Median Strip, Stiffened Barrier Panel
Vegetation Topographic Boundary
Topography Retaining Wall
Boundary Land Cover Boundary
Cadastral Map Shape File Local Government 1:500~1:6,000 Crop Field, Paddy Field
Forest Road Map Shape File Korea Forest Service 1:25,000 Forest Road

Fig. 3

Automated Damage Estimation System GUI

Fig. 4

Threshold Setting Screen

Fig. 5

Misclassification Remove Screen

Fig. 6

Representative Damaged Area

Table 4

Classification Accuracy of Representative Damaged Area

Division Threshold
80 90 100 110
Cropland(%) 87.64 89.11 90.66 89.64
Forest(%) 94.12 94.12 94.39 93.85
House(%) 83.07 86.12 86.73 84.02
River(%) 83.14 83.23 81.63 75.11

Table 5

Error Matrix of Cropland Damaged Area

CVA Result Damaged Area(m2) Undamaged Area(m2) Total (m2)
Visual Reading
Damaged Area(m2) 9,056 1,632 10,688
Undamaged Area(m2) 1,728 23,584 25,312
Total(m2) 10,784 25,216 36,000

Table 6

Error Matrix of Forest Damaged Area

CVA Result Damaged Area(m2) Undamaged Area(m2) Total (m2)
Visual Reading
Damaged Area(m2) 288 272 560
Undamaged Area(m2) 64 5,360 5,424
Total(m2) 352 5,632 5,984

Table 7

Error Matrix of House Damaged Area

CVA Result Damaged Area(m2) Undamaged Area(m2) Total (m2)
Visual Reading
Damaged Area(m2) 6,351 2,305 8,656
Undamaged Area(m2) 1,521 18,655 20,176
Total(m2) 7,872 20,960 28,832

Table 8

Error Matrix of River Damaged Area

CVA Result Damaged Area(m2) Undamaged Area(m2) Total (m2)
Visual Reading
Damaged Area(m2) 14,384 3,664 18,048
Undamaged Area(m2) 2,720 17,295 20,015
Total(m2) 17,104 20,959 38,063

Table 9

Error Matrix of Total Damaged Area

CVA Result Damaged Area(m2) Undamaged Area(m2) Total (m2)
Visual Reading
Damaged Area(m2) 30,079 7,873 37,952
Undamaged Area(m2) 6,033 64,894 70,927
Total(m2) 36,112 72,767 108,879

Table 10

Classification Accuracy and Kappa Coefficient

Division Classification Accuracy (%) Kappa Coefficient
Cropland 90.66 0.777
Forest 94.39 0.603
House 86.73 0.676
River 83.23 0.663
Total 87.23 0.716

Fig. 7

Damage Estimation Result(Cropland)

Table 11

Comparison of Damage Estimation Result

Damaged Area Automated Damage Estimation System Visual reading
Damage Damage Cost (Thousand won) Damage Damage Cost (Thousand won)
Individual Total Individual Total
Cropland House 13 Building 195,000 345,965 5 Building 75,000 325,720
Cropland 7,165.21m2 16,136 6,805.73m2 15,326
Road and Bridge 111.40m 98,868 114.57m 215,841
Road Facility 9.00m 24,076 - -
Forest Facility 1,122.46m2 11,885 1,846.62m2 19,553
Forest Forest Facility 304.00m2 3,219 3,219 448.00m2 4,744 4,744
House House 27 Building 405,000 671,943 17 Building 255,000 568,165
Cropland 3,566,89m2 8,033 3,751.00m2 8,447
Road and Bridge 257.38m 228,947 303.21m 269,744
Road Facility 8.99m 24,066 8.99m 24,066
Forest Facility 556.93m2 5,897 1,030.17m2 10,908
River Cropland 2,027.16m2 4,565 228,555 2,479.35m2 5,583 135,914
Road and Bridge 43.98m 39,143 52.07m 46,345
River Levee 55.27m 147,920 16.27m 43,553
Forest Facility 3,487.48m2 36,927 3,818.61m2 40,433
Total Damage Cost (Thousand won) 1,249,682 1,034,543