이태범
(Tae-Beom Lee)
1iD
염상국
(Sang-Guk Yum)
2iD
박민수
(Minsoo Park)
3†iD
-
㈜스마트인사이드AI, AI 솔루션팀, 책임연구원
(SmartInside AI · ltb2xoqja@gmail.com)
-
정회원 · 국립강릉원주대학교 스마트인프라공학부, 부교수
(Gangneung-Wonju National University · skyeom0401@gwnu.ac.kr)
-
종신회원 · 교신저자 · 국립강릉원주대학교 스마트인프라공학부, 조교수
(Corresponding Author ․ Gangneung-Wonju National University · pms5343@gwnu.ac.kr)
Copyright © 2026 by the Korean Society of Civil Engineers
핵심용어
산불 피해 매핑, 무인항공기 영상, 시맨틱 세그멘테이션, SNIC
Keywords
Wildfire damage mapping, UAV imagery, Semantic segmentation, Simple non-iterative clustering
1. 서 론
최근 기후 변화로 인한 이상 고온 및 건조 현상이 빈번해지면서 산불 발생 위험과 피해 규모가 지속적으로 증가하고 있다. 기후 변화에 의해 유발된 극한
기상 조건은 산불의 발생 빈도뿐만 아니라 확산 속도와 피해 강도를 증폭시키며, 그 영향은 자연적인 산림 회복 주기를 넘어서는 수준으로 보고되고 있다(Sung et al., 2022). 산불 재난은 단기간에 광범위한 산림 훼손을 유발할 뿐 아니라, 이후 토양 침식과 사면 불안정 증가로 인해 산사태·토석류 등 2차 재해로 이어질
수 있어 사회 및 환경적 손실이 크다(Yoo et al., 2021). 따라서 산불 발생 직후 피해 범위와 산림 소실 정도를 신속하고 정확하게 파악하는 것은 복구 우선순위 결정 및 효과적인 재난 대응 전략 수립을 위한
핵심 과제로 인식되고 있다.
이와 같은 요구에 따라 최근에는 원격탐사 영상과 머신러닝 및 딥러닝 기법을 활용하여 산불 피해 지역을 자동으로 탐지하고 정량화하려는 연구들이 활발히
수행되고 있다(Ghali and Akhloufi, 2023a;
Ghali and Akhloufi, 2023b). 산불 피해 면적 산정에 사용되는 영상 플랫폼은 크게 위성 기반과 드론(UAV) 기반으로 구분할 수 있다. 위성 원격탐사는 광역 지역을 반복 관측할
수 있어 대규모 산불의 개황 파악과 시계열 모니터링에 유리하지만, 구름 또는 연무 등의 관측 제약과 공간해상도 한계로 인해 경계가 복잡한 소규모 피해지에서는
정밀도가 저하될 수 있다. 반면 드론 영상은 매우 높은 공간해상도와 관측 유연성을 바탕으로 산불 직후 국지적 피해지의 상세 경계와 미세한 소실 패턴을
정밀하게 파악하는 데 강점을 갖는다. 하지만 한 번에 커버 가능한 면적이 제한적이므로, 일반적으로 중·소규모 산불 또는 핵심 구역의 정밀 평가에 더
적합하다(Akhloufi et al., 2021;
Rajagopal et al., 2025). 최근 딥러닝 기반 컴퓨터 비전 기술의 발전에 따라, 위성 또는 드론 영상을 활용한 Semantic Segmentation 기법은 산불 피해 면적을
픽셀 단위로 분류함으로써 피해 범위를 빠르고 정밀하게 산출할 수 있다는 장점으로 인해 널리 활용되고 있다(Tran et al., 2020). 그러나 픽셀 단위의 semantic segmentation 결과는 영상 노이즈와 토지 피복 특성의 이질성에 민감하여 경계가 불안정해지거나, salt-and-pepper
noise와 같은 국지적 오분류가 발생할 수 있다. 이러한 오분류는 피해 면적의 과대 또는 과소 추정으로 이어질 수 있으며, 결과적으로 산불 피해
평가의 신뢰성을 저하시킬 가능성이 있다. 특히 고해상도 드론 영상이나 복잡한 지형 조건에서는 이러한 문제점이 더욱 심화된다.
기존 연구들은 딥러닝 기반 세그멘테이션 모델의 구조 개선이나 학습 데이터 확장에 주로 초점을 맞추어 왔으나, 고해상도 드론 영상에서 발생하는 픽셀
단위 노이즈와 경계 불안정 문제를 후처리 단계에서 체계적으로 보완하려는 시도는 상대적으로 제한적이었다 (Kulinan et al., 2024). 따라서 본 연구에서는 중·소규모 산불 피해지의 정밀한 면적 산출을 목표로, 딥러닝 기반 드론 영상 산불 피해 세그멘테이션 결과의 공간적 일관성과
안정성을 향상시키기 위해 Simple Non-Iterative Clustering (SNIC) 기법을 후처리 단계로 도입한다. SNIC는 슈퍼픽셀
기반 클러스터링 기법으로, 픽셀 간 공간적 연속성과 분광적 유사성을 동시에 고려함으로써 노이즈를 효과적으로 완화하고 객체 경계를 보다 명확하게 보존할
수 있다(Achanta and Süsstrunk, 2017). 본 연구는 딥러닝 기반 드론 영상 산불 피해 세그멘테이션 결과에 SNIC를 결합하여 salt-and-pepper 형태의 국지적 오분류(노이즈)를
저감하고, 산불 피해 영역의 정밀도와 신뢰성을 향상시키는 것을 목표로 한다. 이를 통해 드론 기반 산불 피해 면적 산출의 정확도를 제고하고, 신속한
재난 대응 및 복구 의사결정을 지원할 수 있는 보다 안정적인 분석 프레임워크를 제시하고자 한다.
2. 연구방법
2.1 연구 대상 지역 및 활용 데이터
본 연구의 대상 지역은 대한민국 경상북도 안동시 산불 피해 지역이며, 2020년 5월 6일(산불 발생 약 2주 후) 취득된 UAV 영상을 활용하였다.
본 연구에서는 Tran et al.(2020)에서 공개된 드론 영상 데이터셋을 기반으로 분석을 수행하였고, 해당 데이터는 Phantom 4 Pro V2.0 기체로 약 150 m 고도에서 촬영되었으며,
두 개의 촬영 구역(위치 1, 위치 2)에서 취득된 고해상도 UAV 영상을 대상으로, 각 영상을 912 × 912 픽셀 크기의 패치로 분할하여 위치별로
24개씩, 총 48개의 이미지 패치를 생성하였다. 원본 UAV 영상의 해상도는 5472 × 3648 × 3 픽셀이며, 샘플 이미지는 Fig. 1과 같다. 촬영 위치 정보는 이미지 파일 내 GPS 메타데이터 형태로 포함되어 있다. 또한 메타데이터와 영상을 이용해 상용 후처리 소프트웨어로 정사영상을
생성할 수 있다.
Fig. 1. Example Post-Fire UAV Images from the Wildfire Dataset Used in this Study
2.2 데이터 전처리 및 학습 데이터 구성
본 연구에서 활용한 UAV 영상은 단일 이미지의 해상도가 매우 높아 모델 학습 시 GPU 메모리 사용량이 과도하게 증가하는 문제가 있다. 또한 한
장면 내에서 배경 영역의 비중이 크고 산불 피해 영역이 상대적으로 희소하게 분포하여, 원본 영상을 그대로 학습에 사용할 경우 학습 효율이 저하되고
산불 피해 경계 및 미세한 연소 흔적에 대한 모델의 학습 성능이 제한될 수 있다. 이러한 문제를 해결하기기 위해 본 연구에서는 원본 영상을 일정 크기의
패치(patch) 단위로 분할하는 크롭핑(cropping) 기법을 적용하여 학습 데이터를 구축하였다. Fig. 2와 같이 원본 UAV 이미지를 912 × 912 픽셀 크기의 격자 형태로 분할하고, 각 격자 영역을 독립적인 이미지 패치로 추출하여 세그멘테이션 모델의
입력 데이터로 활용하였다. 이러한 패치 기반 접근법은 원본 영상의 공간적 연속성을 유지하면서도 산불 피해 경계와 국지적인 연소 패턴을 효과적으로 학습할
수 있도록 설계되었다.
Fig. 2. Image Cropping Process for Patch Generation
크롭핑 이후에는 모델의 일반화 성능 향상과 과적합 방지를 위해 데이터 증강 (data augmentation) 기법을 적용하였다. 구체적으로 좌우
반전(horizontal flip), 상하 반전(vertical flip), 90도 회전(rotation)을 적용하여 학습 데이터의 다양성을 확보하였으며,
촬영 시점에 따른 조도 변화 영향을 고려하기 위해 밝기(brightness) 및 대비(contrast) 조정 기법을 추가로 수행하였다. 이를 통해
크롭된 이미지 기반 학습 데이터의 규모를 원본 대비 총 6배로 확장하였으며, 이러한 데이터 증강 과정은 다양한 관측 조건에서의 산불 피해 패턴을 학습함으로써
모델의 강건성을 향상시키는 데 기여한다.
전체 48장의 원본 이미지 패치 중 38장은 학습 및 검증 데이터로 활용하였으며, 데이터 증강을 통해 총 228장의 이미지 패치를 생성하였다. 생성된
패치 데이터는 학습용과 검증용을 3:1 비율로 분할하여 각각 171장과 57장을 모델 학습에 사용하였다. 나머지 10장의 원본 UAV 이미지 패치는
학습 또는 검증 과정에는 사용하지 않고, 모델 성능 평가를 위한 시험(test) 데이터로만 활용하였으며 데이터 증강은 적용하지 않았다. 각 데이터셋의
구성은 Table 1에 요약하여 정리하였다.
Table 1. Dataset Split Used in the Study
|
|
Number of images
|
Data augmentation
|
|
Training set
|
171
|
Applied
|
|
Validation set
|
57
|
Applied
|
|
Test set
|
10
|
Not applied
|
|
Total
|
238
|
-
|
3. 실험결과
3.1 SegFormer 기반 산불 피해 영역 세그멘테이션 및 SNIC 후처리
UAV 영상으로부터 산불 피해 영역을 픽셀 단위로 분류하기 위해 Transformer 기반 semantic segmentation 모델인 SegFormer-B3을
사용하였다. 적용한 모델의 주요 구조 및 학습 파라미터는 Table 2에 정리하였다. SegFormer는 계층적 Transformer 인코더를 통해 다중 스케일 특징을 효과적으로 추출하고, 경량 MLP 기반 디코더를
활용하여 고해상도 장면에서의 의미 정보와 경계 정보를 효율적으로 통합할 수 있다는 장점이 있다(Xie et al., 2021). 본 연구는 산불 발생 이후 취득된 UAV 영상을 대상으로 피해 경계의 정밀한 구분과 피해 면적의 정량적 산정에 초점을 두고 있으며, 실시간 경보보다는
공간적 정확도와 결과의 안정성이 핵심 요구사항이다. 특히 산불 피해 지역은 잔존 식생, 탄화 흔적, 그림자 및 지형 영향 등으로 인해 텍스처와 색상
특성이 복잡하게 나타나며, 이러한 공간적 이질성은 픽셀 단위 분류를 어렵게 만든다. 따라서 본 연구에서는 장거리 의존성(long-range dependency)과
global context를 효과적으로 반영할 수 있는 Transformer 기반 모델을 적용하여, 복잡한 고해상도 UAV 영상 환경에서도 피해 영역의
형태와 경계를 보다 안정적으로 추정하고자 하였다. 분석에는 912 × 912 픽셀 크기로 분할된 UAV 영상 패치를 모델 입력으로 사용하였으며, 모델은
각 픽셀이 산불 피해 영역에 해당하는지 여부를 예측한다. 학습 단계에서는 교차 엔트로피 기반 손실함수를 이용하여 모델을 최적화하였고, 추론 단계에서는
패치 단위의 예측 결과를 원본 좌표계로 복원하여 전체 산불 피해 분포도를 구성하였다. 다만 고해상도 UAV 영상의 질감 이질성과 조도 변화, 그림자
등으로 인해 픽셀 단위 예측 결과에 산발적 노이즈가 발생할 수 있으므로, 후처리 단계에서 공간적 일관성을 강화하는 정제 과정이 필요하다.
Table 2. SegFormer-B3 Model Architecture and Training Parameters
|
Description
|
Value
|
|
Backbone
|
MiT-B3
|
|
Optimizer
|
AdamW
|
|
Learning rate
|
6e-05
|
|
Batch size
|
4
|
SNIC는 Simple Linear Iterative Clustering (SLIC)을 개선한 효율적인 superpixel 분할 알고리즘으로, 반복적
k-means 최적화에 의존하는 방식 대비, 비반복(non-iterative) 절차를 통해 연산량과 메모리 사용량을 줄이면서도 우수한 경계 보존 성능을
제공하는 것으로 보고된다(Achanta and Süsstrunk, 2017). 이에 본 연구에서는 고해상도 UAV 영상에서 후처리 비용을 과도하게 증가시키지 않으면서도 segmentation 결과의 안정성을 향상시키기 위해
SNIC 기법을 채택하였다. 각 912 × 912 패치 영상에 대해 SNIC를 적용하여 슈퍼픽셀 분할 결과를 생성하고, 이를 후처리의 공간 단위로
활용하였다. 이후 semantic segmentation 모델이 출력한 픽셀 단위 예측 결과를 슈퍼픽셀 단위로 재집계하여 최종 피해 마스크를 정제하였다.
즉, Fig. 3과 같이, 하나의 슈퍼픽셀 내부에 포함된 픽셀들의 예측 결과를 대표값으로 통합하고, 해당 대표값을 슈퍼픽셀 전체에 일괄적으로 반영하고자 한다. SNIC
후처리는 픽셀 단위 예측에서 발생할 수 있는 과대 또는 과소 추정을 완화하여 면적 산정의 신뢰성을 높이는 역할을 한다. 따라서, 초기 segmentation
결과에 존재하던 산발적 오분류가 면적 집계에 직접 반영되는 것을 줄이고, 피해 영역의 공간적 연속성과 경계의 일관성을 확보함으로써 최종 산불 피해면적
결과를 보다 안정적으로 조정할 수 있다.
Fig. 3. SNIC-Based Superpixel Refinement for Wildfire Damage Segmentation and Area
Adjustment. (a) Original UAV RGB Patch, (b) Initial Pixel-Wise Segmentation Mask Predicted
by the Semantic Segmentation Model, (c) Overlay of the Initial Prediction on the UAV
Patch (before Post-Processing; Burned Area in Red), (d) Superpixel Boundary Visualization
Generated by SNIC, (e) Overlay of the Refined Result after SNIC-Based Superpixel Aggregation,
(f) Final Binary Burn Mask Used for Burned-Area Estimation
3.2 피해면적 산출 결과
제안한 산불 피해면적 탐지 모델의 학습 및 실험은 그래픽 연산을 위해 48 GB 메모리를 탑재한 NVIDIA RTX A6000 GPU 2대를 사용하였으며,
연산 처리는 Intel Xeon Silver 4215R 프로세서(3.20 GHz) 환경에서 학습되었다. 또한, Ubuntu 20.04 운영체제와 Python
3.9.13 환경으로 구성하였다. 산불 피해면적 탐지 모델은 학습 안정성과 수렴 특성을 고려하여 총 150 epoch 동안 학습을 진행하였다.
각 시험 데이터에 대해 SegFormer가 생성한 초기 피해 마스크로부터 산불 피해면적을 산정하고, 동일한 SegFormer 예측 결과에 SNIC
후처리를 적용하여 정제된 피해 마스크로부터 산불 피해면적을 산정하였다. SNIC 후처리 단계에서는 슈퍼픽셀 개수 k = 50,000, compactness
m = 8로 설정하였다. 생성된 슈퍼픽셀 내부의 예측 확률을 대표값으로 집계한 후, 임계값 0.5를 기준으로 이진화하였다. 이후 두 결과를 ground
truth 기반 피해면적과 비교하여 후처리 적용에 따른 면적 산정 정확도 변화를 평가하였다.
Table 3. Quantitative Comparison on the Test Set
|
|
IoU (%)
|
F1-Score (%)
|
Precision (%)
|
Recall (%)
|
|
SegFormer
|
88.17
|
87.65
|
84.22
|
91.40
|
|
SegFormer + SNIC
|
92.90
|
89.22
|
86.83
|
91.74
|
Table 3는 시험 데이터에 대해 SegFormer 단독 결과와 SegFormer + SNIC 결과의 정량 성능을 Precision, Recall, F1-score,
IoU로 비교한 것이다. 제안하는 방법을 활용한 결과는 baseline 대비 Precision이 84.22 %에서 86.83 %로 증가하였고, F1-score는
87.65 %에서 89.22 %로, IoU는 88.17 %에서 92.90 %로 향상되었다. Recall은 91.40 %에서 91.74 %로 유사한
수준을 보였다.
전반적으로 SNIC 후처리를 적용한 경우, 픽셀 단위 예측에서 발생하는 salt-and-pepper 형태의 산발적 오분류가 완화되면서 피해 영역의
공간적 일관성이 향상되었고, 이에 따라 F1-score와 IoU가 개선되는 경향을 보였다. 특히 SNIC는 오분류 패치를 제거하고 경계의 불연속성을
완화하므로, 과대추정에 해당하는 false positive를 줄이는 데 효과적이다. 이러한 특성은 일반적으로 Precision 향상으로 나타나며,
결과적으로 F1-score 향상으로 이어질 수 있다. 반면 Recall은 피해 영역을 놓치지 않는 능력을 반영하므로, 후처리 과정에서 경계가 과도하게
정제될 경우 일부 미세 피해 픽셀이 제거되어 변화 폭이 상대적으로 작거나 소폭 감소할 수도 있다. 따라서 Fig. 4와 Table 3의 결과는 SNIC 후처리가 고해상도 UAV 영상에서 세그멘테이션 결과의 노이즈를 억제하고 경계 안정성을 강화함으로써, 피해 영역의 정밀한 분할 성능을
향상시키는 데 기여함을 시사한다.
Fig. 4. Example of Refining Wildfire Damage Segmentation Results Using SNIC
4. 결 론
본 연구는 산불 복구 시점에 고해상도 드론(UAV) 영상 기반 산불 피해 영역을 정밀하게 산정하기 위해 SegFormer 기반 시맨틱 세그멘테이션
결과에 SNIC 후처리를 결합한 정제 프레임워크를 제안하였다. 패치 기반 학습 및 데이터 증강 기법을 통해 피해 영역을 픽셀 단위로 분할한 후, SNIC
기반 슈퍼픽셀 집계를 적용함으로써 산발적 오분류(salt-and-pepper noise)를 효과적으로 완화하고 공간적 일관성과 경계 안정성을 개선하였다.
실험 결과, SNIC 후처리 적용 시 baseline 대비 분류 정확도가 유의미하게 향상되었으며, 이를 통해 산불 피해 면적 추정의 신뢰성이 제고됨을
확인하였다. 제안된 방법론은 드론 영상 기반 재난 모니터링 분야에서 실용적 활용 가능성을 입증하였으나, 보다 강건한 일반화 성능 확보를 위해서는 다음과
같은 후속 연구가 필요하다. 먼저, 다양한 산불 강도, 지형 조건, 계절적 변화를 포괄하는 데이터셋 확장을 통해 모델의 적용 범위를 넓혀야 한다.
또한, 다중 시기 영상 분석을 통한 시계열 변화 탐지 기법과의 통합으로 산불 피해 모니터링의 시공간적 정밀도를 더욱 향상시킬 수 있을 것으로 기대된다.
Acknowledgements
This research was supported by the Basic Research Program of the National Research
Foundation of Korea (NRF) (RS-2024-00351179). This work was also supported by the
Gangwon RISE Center through the Regional Innovation System & Education (RISE) program
funded by the Ministry of Education and Gangwon Special Self-Governing Province (2025-RISE-10-004).
References
Achanta R., Süsstrunk S. (2017). "Superpixels and polygons using simple non-iterative
clustering", pp. 4895-4904
Akhloufi M. A., Couturier A., Castro N. A. (2021). "Unmanned aerial vehicles for wildland
fires: Sensing, perception, cooperation and assistance", Drones, Vol. 5, No. 1
Ghali R., Akhloufi M. A. (2023a). "Deep learning approaches for wildland fires remote
sensing: Classification, detection, and segmentation", Remote Sensing, Vol. 15, No.
7
Ghali R., Akhloufi M. A. (2023b). "Deep learning approaches for wildland fires using
satellite remote sensing data: Detection, mapping, and prediction", Fire, Vol. 6,
No. 5
Kulinan A. S., Cho Y., Park M., Park S. (2024). "Rapid wildfire damage estimation
using integrated object-based classification with auto-generated training samples
from Sentinel-2 imagery on Google Earth Engine", International Journal of Applied
Earth Observation and Geoinformation, Vol. 126
Rajagopal B. G., Monish K. S., R D., R JK. (2025). "Hybrid learning framework for
synergistic fusion of SAR and optical UAV data in wildfire surveillance", Scientific
Reports, Vol. 15
Sung J. H., Ryu Y., Seong K.-W. (2022). "Deep learning -based prediction of fire occurrence
with hydroclimatic condition and drought phase over South Korea", KSCE Journal of
Civil Engineering, Vol. 26, No. 4, pp. 2002-2012
Tran D. Q., Park M., Jung D., Park S. (2020). "Damage-map estimation using UAV images
and deep learning algorithms for disaster management system", Remote Sensing, Vol.
12, No. 24
Xie E., Wang W., Yu Z., Anandkumar A., Alvarez J. M., Luo P. (2021). "SegFormer: Simple
and efficient design for semantic segmentation with transformers", Advances in Neural
Information Processing Systems (NeurIPS)
Yoo J., Han J., Kim D., Kim T.-W. (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, Vol. 41, No.
3, pp. 209-217