KR102481827B1 - 인공위성 데이터를 이용한 산불 위험 예보 방법 - Google Patents

인공위성 데이터를 이용한 산불 위험 예보 방법 Download PDF

Info

Publication number
KR102481827B1
KR102481827B1 KR1020200035272A KR20200035272A KR102481827B1 KR 102481827 B1 KR102481827 B1 KR 102481827B1 KR 1020200035272 A KR1020200035272 A KR 1020200035272A KR 20200035272 A KR20200035272 A KR 20200035272A KR 102481827 B1 KR102481827 B1 KR 102481827B1
Authority
KR
South Korea
Prior art keywords
vegetation
forest fire
satellite
risk
fire risk
Prior art date
Application number
KR1020200035272A
Other languages
English (en)
Other versions
KR20210118695A (ko
Inventor
이주형
Original Assignee
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020200035272A priority Critical patent/KR102481827B1/ko
Priority to PCT/KR2021/003374 priority patent/WO2021194165A1/ko
Publication of KR20210118695A publication Critical patent/KR20210118695A/ko
Application granted granted Critical
Publication of KR102481827B1 publication Critical patent/KR102481827B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
    • B64G1/1021—Earth observation satellites
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
    • B64G1/66—Arrangements or adaptations of apparatus or instruments, not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • B64G2700/00—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

인공위성 데이터를 이용한 산불 위험 예보 방법이 개시된다. 본 발명의 일 측면에 따르면, 프로세서상에서 구현되는 인공위성 데이터를 이용한 산불 위험 예보 방법으로서, 상기 인공위성에서 관측된 데이터를 이용하여 식생 정보(vegetation information)을 획득하는 단계와; 상기 인공위성에서 관측된 데이터를 이용하여 토양 수분(soil moisture)을 산출하는 단계와; 상기 식생 정보와 상기 토양 수분으로부터 산불 발생 위험을 판단하는 단계를 포함하는, 인공위성 데이터를 이용한 산불 위험 예보 방법이 제공된다.

Description

인공위성 데이터를 이용한 산불 위험 예보 방법{Method for prediction of wildfire risk with satellite data}
본 발명은 인공위성 데이터를 이용한 산불 위험 예보 방법에 관한 것이다. 보다 상세하게는, 인공위성에서 관측하여 획득된 식생 정보와 토양 수분을 이용하여 인간의 접근이 용이하지 않은 지역 산불 위험에 대한 예보를 할 수 있는, 인공위성 데이터를 이용한 산불 위험 예보 방법에 관한 것이다.
식생 및 낙엽이 건조한 상태에서 바람에 의해 순식간에 확산되는 대형 산불은 그 규모가 1000 ha 가 넘는데, 기후 변화와 관련하여, 미국, 캐나다, 호주, 아마존 등 국내외 안팎으로 산불의 규모가 대형화되는 추세이다. 이러한 대규모 산림 재난의 특징은 인간의 눈으로는 파악하기도 접근하기도 용이하지 않아 이에 대한 대책 또는 예보 관리가 꼭 필요하다.
우리 나라 산림청에서도 Daily Weather Index (DWI) 모델을 사용하여, 습도와 풍속 등 기상 정보와 산림 분포 정보 등의 임상정보를 이용하여 산불 위험에 대한 예보를 하고 있다.
산불 위험을 예보하는데 있어 연료가 될 수 있는 나무와 수 년 간 산속에 쌓인 낙엽 같은 물질들의 연소성을 파악하는 것이 중요한데, 현재 이 산불 위험을 예보하는 방법에는 식생 연료의 연소성(fuel combustibility) 정보가 빠져 있다.
또한, 인간의 접근이 용이하지 않은 대규모 산불에 대해 위험을 예측하는데 한계가 있다.
대한민국 등록특허공보 제10-1531364호 (2015년06월24일 공고)
본 발명은 인공위성에서 관측하여 획득된 식생 정보와 토양 수분을 이용하여 인간의 접근이 용이하지 않은 지역까지 산불 위험에 대한 예보를 할 수 있는, 인공위성 데이터를 이용한 산불 위험 예보 방법을 제공하는 것이다.
본 발명의 일 측면에 따르면, 프로세서상에서 구현되는 인공위성 데이터를 이용한 산불 위험 예보 방법으로서, 상기 인공위성에서 관측된 데이터를 이용하여 식생 정보(vegetation information)을 획득하는 단계와; 상기 인공위성에서 관측된 데이터를 이용하여 토양 수분(soil moisture)을 산출하는 단계와; 상기 식생 정보와 상기 토양 수분으로부터 산불 발생 위험을 판단하는 단계를 포함하는, 인공위성 데이터를 이용한 산불 위험 예보 방법이 제공된다.
상기 식생 정보는, 다음 [식]에 따른 식생 온도(Tc)를 포함할 수 있다.
[식]
Figure 112020030527687-pat00001
여기서,
Figure 112020030527687-pat00002
Figure 112020030527687-pat00003
Figure 112020030527687-pat00004
여기서,
Figure 112020030527687-pat00005
Figure 112020030527687-pat00006
Figure 112020030527687-pat00007
Figure 112020030527687-pat00008
Figure 112020030527687-pat00009
여기서,
Figure 112020030527687-pat00010
Figure 112020030527687-pat00011
Figure 112020030527687-pat00012
Figure 112020030527687-pat00013
여기서,
Figure 112020030527687-pat00014
Figure 112020030527687-pat00015
상기 인공위성에는 수동 마이크로웨이브(passive microwave) 센서가 탑재될 수 있으며, 이 경우, 상기 토양 수분은, 상기 수동 마이크로웨이브 센서를 통해 획득된 밝기 온도(brightness temperature)를 이용하여 산출될 수 있다.
상기 인공위성에는 능동 마이크로웨이브(active microwave) 센서가 탑재될 수 있으며, 이 경우, 상기 토양 수분은, 상기 능동 마이크로웨이브 센서를 통해 획득된 후방 산란지수(backscattering coefficients)를 이용하여 산출될 수 있다.
삭제
상기 산불 발생 위험을 판단하는 단계는, 아래의 [식]에 따라 식생 스트레스 지수(Canopy Stress Index, CSI)를 산출하는 단계와;
[식]
Figure 112020030527687-pat00016
상기 식생 스트레스 지수(Canopy Stress Index, CSI) 값에 따라 산불 발생 위험을 판단하는 단계를 포함할 수 있다.
상기 식생 스트레스 지수(Canopy Stress Index, CSI) 값에 따라 산불 발생 위험을 판단하는 단계는, 상기 CSI 값이 120K/% 이상인 경우는 산불 발생 위험이 높다고 판단할 수 있다.
본 발명의 실시예에 따르면, 인공위성에서 관측된 데이터를 이용하여 식생 정보와 토양 수분을 산출하여 인간의 접근이 용이하지 않은 지역까지 산불 위험에 대한 예보를 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법의 순서도.
도 2는 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법을 수행하는 산불 위험 예보 장치의 블록도.
도 3은 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법으로 산불 스트레스 지수를 나타낸 도면.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법을 첨부한 도면을 참조하여 상세히 설명하기로 하며, 첨부한 도면을 참조하여 설명함에 있어서, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법의 순서도이다. 그리고, 도 2는 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법을 수행하는 산불 위험 예보 장치의 블록도이다.
본 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법은, 프로세서상에서 구현되는 인공위성 데이터를 이용한 산불 위험 예보 방법으로서, 상기 인공위성에서 관측된 데이터를 이용하여 식생 정보(vegetation information)을 획득하는 단계와; 상기 인공위성에서 관측된 데이터를 이용하여 토양 수분(soil moisture)을 산출하는 단계와; 상기 식생 정보와 상기 토양 수분으로부터 산불 발생 위험을 판단하는 단계를 포함한다.
일반적으로 산불 위험 예보 방법은 일정 지역의 임상 정보와 기상 정보 등을 이용하여 산불 발생 가능성을 판단하게 된다. 예를 들면, 국립산림과학원에서 발행하는 1/25,000 축척의 수치임상도 등의 임상 정보와, 전국에 설치된 기상관측소로부터 상대습도, 풍속, 온도 등의 기상 정보를 획득하여 이를 기초로 산불 위험을 예보하게 된다.
그런데, 이러한 산불 위험 예보는 산불에서 연소되는 나무나 낙엽 등의 식생 연료의 연소성(fuel combustibility)에 대한 정보가 빠져 있어 실질적인 산불 위험 예보가 이루지지 않고 있다.
본 실시예에서는 인공위성에서 관측되는 데이터를 통해 산출할 수 있는 식생 정보와 토양수분에 대한 정보를 이용함으로써 식생의 연소성이 고려된 산불 위험 예보를 제공할 수 있다. 즉, 수분을 함유하고 있는 식생의 식생 정보와 토양수분을 이용하여 간접적으로 지표면에서 식생의 연소성에 대한 정보를 획득함으로써 인간의 접근할 수 없는 보다 넓은 지역까지 산불 위험에 대한 예보를 수행할 수 있다.
이하에서는 도 1의 순서도에 따라, 인공위성 데이터를 이용한 산불 위험 예보 방법을 자세히 설명하기로 한다.
먼저, 인공위성에서 관측된 데이터를 이용하여 식생 정보(vegetation information)을 획득한다(S100). 식생 정보는 지표면에 생육하고 있는 식물 집단에 대한 정보로서, 인공위성에서 관측된 데이터를 이용하여 일정 지역의 식생 정보를 간접적으로 파악하고 있다.
지표면을 덮고 있는 식생(vegetation)에는 생육을 위한 수분을 함유하고 있기 때문에 식생의 건조 정도를 파악하면 후술할 토양수분에 대한 정보와 함께 산불 위험을 예측할 수 있다.
인공위성에서 관측된 데이터를 이용하여 산출할 수 있는 식생 정보로는 식생 지수(vegetation index), 식생 온도(canopy temperature) 등이 있으며 이러한 식생 정보로부터 수분이 함유된 식생에 대한 정보를 간접적으로 산출할 수 있다.
식생 지수는 인공위성에서 관측되는 식생에 민감한 파장대에서의 신호와 민감하지 않은 파장대에서의 신호를 이용하여 식생의 특성정보를 강조하기 위한 지수로서, 정규 식생지수(normalized differential vegetation index; NDVI), 강조 식생지수(enhanced vegetation index; EVI) 등을 의미한다. 예를 들면, 정규 식생지수(normalized differential vegetation index; NDVI)에서 식생이 왕성하게 성장하는 수풀과 같은 경우에는 근적외 영역에서의 반사도가 높기 때문에 정규식생지수는 높은 값을 가지는 반면, 토양의 경우에는 두 반사도 값의 차이가 거의 없어 0에 가까운 값을 가지게 된다.
식생 온도(canopy temperature)는, 간접적으로 식생의 수분 정도를 나타내는 인자로서, 대기와 식생 간의 상호작용을 나타내는 온도를 의미한다.
본 실시예에서는 식생 정보로서 식생 온도(Tc)를 사용하여 산불 위험을 예보하는 방법에 대해서 설명하기로 한다.
식생 온도(Tc)는 다음 [식 1]로 산출될 수 있다.
[식 1]
Figure 112020030527687-pat00017
여기서,
Figure 112020030527687-pat00018
Figure 112020030527687-pat00019
Figure 112020030527687-pat00020
여기서,
Figure 112020030527687-pat00021
Figure 112020030527687-pat00022
Figure 112020030527687-pat00023
Figure 112020030527687-pat00024
Figure 112020030527687-pat00025
여기서,
Figure 112020030527687-pat00026
Figure 112020030527687-pat00027
Figure 112020030527687-pat00028
Figure 112020030527687-pat00029
여기서,
Figure 112020030527687-pat00030
Figure 112020030527687-pat00031
식생 온도(Tc)를 계산하기 위해서는, 화각(view angle)에 따른 지향성 표면 온도(TR), 토양 표면 온도(Ts) 등이 필요하다.
화각(view angle)에 따른 지향성 표면 온도(TR)은 상기 식으로 산출되는데, 이 때, TB(θ)는 특정 화각 θ에서 인공위성으로 측정하는 지향성 밝기 온도이고,
ε(θ)는 화각 θ에서 측정한 지향성 방사율로서, 열 복사 시 한 물체의 표면에서 에너지 방출의 효율성을 나타낸다. TSKY 하늘 반구형 용융점이며, 우주를 채우고 있는 흑체 방사선량인 2.7K가 적용된다.
상기 [식 1]의 n은 밝기 온도를 관측한 인공위성에 탑재된 센서의 파장(λ)과 Plank 함수를 통해 상기 식에 따라 산출될 수 있다. TO는 Plank 함수에 입력되는 밝기 온도로서 Soil Moisture Active Passive(SMAP) 위성의 경우 21cm 파장 조건 즉, λ=210000μm에서 측정한 밝기 온도 TO = 190 ~ 315K 영역에서는 n = 1을 적용할 수 있다.
그리고, 상기 [식 1]의 f는, 인공위성의 화소 자료 중 식생이 차지하는 부분으로서, LAI 함수이다. LAI는 인공위성으로 측정한 엽면적 지수(Leaf Area Index)이고, φ는 그 LAI를 측정한 보기 천정 각도(view zenith angle)이다. 식생 지역에 대해서는, 위의 LAI에 군집인수(clumping factor)를 고려할 수 있다.
상기 [식 1]에 따라 산출된 식생 온도(canopy temperature)는 식생의 수분 정도를 나타내는 인자로서, 식생의 수분 함량이 간접적으로 산출되어 토양수분과 함께 산불 위험을 예보하는데 사용할 수 있다.
다음에, 인공위성에서 관측된 데이터를 이용하여 토양 수분(soil moisture)을 산출한다(S200). 토양 수분이란, 토양 속에 포함 되어있는 물의 양을 의미하는 것으로서, 토양, 물, 공기 전체 부피 중 물의 부피로 표현되어 %로 나타낼 수 있다. 이러한 토양 수분은 인공위성을 통하여 전 지구적 스케일로 산출할 수 있다.
인공위성에는 마이크로웨이브 센서가 탑재되어 수동 마이크로웨이브(passive microwave) 또는 능동 마이크로웨이브(active microwave)를 관측할 수 있는데, 수동 마이크로웨이브를 관측하는 경우는 밝기 온도(brightness temperature)를 통해 토양수분을 산출할 수 있고, 능동 마이크로웨이브를 관측하는 경우는 후방 산란지수(backscattering coefficients)를 이용하여 토양수분을 산출할 수 있다.
이러한 토양수분은 토양에 함유된 수분을 간접적으로 확인할 수 있는 것으로서 상술한 식생 정보와 함께 지표면 인근에서의 식생의 연소성에 대한 정보를 획득할 수 있다.
삭제
다음에, 식생 정보와 토양 수분으로부터 산불 발생 위험을 판단한다(S300). 상술한 방식에 따라 인공위성에서 관측된 데이터를 이용하여 식생 정보를 획득하고, 해당 지역의 토양수분 산출값으로 표준화하여 지표면에서의 식생의 연소성에 대한 정보를 얻어 이를 통해 산불 발생 위험을 판단할 수 있다.
본 실시예에서는 이러한 산불 발생 위험의 판단의 근거를 정량적으로 제시하기 위해 아래의 [식 2]에 따른 식생 스트레스 지수(Canopy Stress Index, CSI)를 산출하고, 이에 따라 산불 발생 위험을 판단하는 방법을 제시한다.
[식 2]
Figure 112020030527687-pat00032
[식 2]에서 TC는 식생 온도로서 인공위성에서 관측된 데이터를 활용하여 상기 [식 1]에 따라 산출할 수 있고, 인공위성 관측 토양수분[%]는 상술한 밝기 온도나 후방 산란지수를 이용하여 산출된다.
출원인의 연구에 따르면, 산출된 식생 스트레스 지수(CSI)의 값이 120K/% 이상인 경우는 산불 발생 위험이 높다고 판단할 수 있고, 80~120K/%는 주의, 20~80K/%는 중간, 20K/%이하에서는 산불 발생 위험도가 낮다고 판단할 수 있다.
도 3은 상기의 인공위성 데이터를 이용한 산불 위험 예보 방법을 적용한 사례로, 실제 발생했던 산불 피해 면적(Fire Area)에 따른 식생 스트레스 지수를 나타낸 것이다.
빨간 색 라인으로 표시된 식생 스트레스 지수와 같이 산불 발생 일주일 전 위험 예보가 크게 나타난 지역에 대해 실제로 산불 피해 면적이 크게 나타났다. 산불 발생 4일 후에는 파란 색 라인과 같이 식생 스트레스 지수가 현저하게 감소되어 산불 발생 일주일 전 식생 스트레스와 현저하게 구별됨으로써 식생 스트레스 지수가 낙엽과 나무 등 지표의 가연성을 신뢰성 있게 예측함을 알 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공위성 데이터를 이용한 산불 위험 예보 방법을 수행하는 산불 위험 예보 장치의 블록도로서, 컴퓨터를 포함한 프로세스상에서 인공위성 데이터를 이용한 산불 위험 예보 방법이 구현될 수 있을 것이다.
도 2에는 데이터베이스부(12), 연산부(14), 판단부(16)가 도시되어 있다.
데이터베이스부(12)는, 인공위성에서 관측된 데이터, 식생 온도를 포함한 식생 정보, 토양 수분 등 저장할 수 있다. 인공위성에는 마이크로웨이브 센서가 탑재될 수 있으며 이로부터 관측된 데이터가 데이터베이스부(12)에 저장될 수 있다. 물론, 데이터베이스부(12)는 마이크로웨이브 센서에서 관측된 데이터 이외에 각종 지리, 기상, 식생 정보, 토양 수분 등의 데이터가 저장될 수 있다.
연산부(14)는, 인공위성에서 관측된 데이터를 이용하여 식생 정보(vegetation information)을 연산하여 획득하고, 인공위성에서 관측된 데이터를 이용하여 토양 수분(%)을 산출한다.
인공위성에서 관측된 데이터를 이용하여 산출할 수 있는 식생 정보로는 식생 지수(vegetation index), 식생 온도(canopy temperature) 등이 있으며 이러한 식생 정보로부터 수분이 함유된 식생에 대한 정보를 간접적으로 산출할 수 있다.
식생 온도(canopy temperature)는, 식생의 수분 정도를 나타내는 인자로서, 상기 [식 1]에 따라 연산부(14)에서 산출될 수 있다.
또한, 연산부(14)는, 인공위성이 수동 마이크로웨이브를 관측하는 경우는 밝기 온도(brightness temperature)를 통해 토양수분을 산출할 수 있고, 능동 마이크로웨이브를 관측하는 경우는 후방 산란지수(backscattering coefficients)를 이용하여 토양수분을 산출할 수 있다.
판단부(16)는 연산부(14)에서 산출된 식생 정보와 식생 정보와 토양 수분으로부터 산불 발생 위험을 판단한다. 본 실시예에서는 산불 발생 위험의 판단의 근거를 정량적으로 제시하기 위해 판단부(16)에서 상기의 [식 2]에 따른 식생 스트레스 지수(Canopy Stress Index, CSI)를 산출하고, 이에 따라 산불 발생 위험을 판단하는 방법을 제시한다.
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.
12: 데이터베이스부 14: 연산부
16: 판단부

Claims (7)

  1. 프로세서상에서 구현되는 인공위성 데이터를 이용한 산불 위험 예보 방법으로서,
    지표면을 덮고 있는 식생의 건조 정도를 파악하기 위하여 상기 인공위성에서 관측된 데이터를 이용하여 상기 식생의 수분 함유 정도를 나타내는 식생 정보(vegetation information)을 획득하는 단계와;
    상기 인공위성에서 관측된 데이터를 이용하여 토양 수분(soil moisture)을 산출하는 단계와;
    상기 식생 정보와 상기 토양 수분으로부터 상기 식생의 연소성(fuel combustibility) 정보를 획득하여 산불 발생 위험을 판단하는 단계를 포함하며,
    상기 식생 정보는,
    다음 [식]에 따른 식생 온도(Tc)를 포함하는 것을 특징으로 하는, 인공위성 데이터를 이용한 산불 위험 예보 방법.

    [식]
    Figure 112022122209408-pat00033


    여기서,
    Figure 112022122209408-pat00034

    Figure 112022122209408-pat00035

    Figure 112022122209408-pat00036

    여기서,
    Figure 112022122209408-pat00037

    Figure 112022122209408-pat00038

    Figure 112022122209408-pat00039


    Figure 112022122209408-pat00040

    Figure 112022122209408-pat00041

    여기서,
    Figure 112022122209408-pat00042

    Figure 112022122209408-pat00043

    Figure 112022122209408-pat00044


    Figure 112022122209408-pat00045

    여기서,
    Figure 112022122209408-pat00046

    Figure 112022122209408-pat00047

  2. 삭제
  3. 제1항에 있어서,
    상기 인공위성에는 수동 마이크로웨이브(passive microwave) 센서가 탑재되며,
    상기 토양 수분은,
    상기 수동 마이크로웨이브 센서를 통해 획득된 밝기 온도(brightness temperature)를 이용하여 산출되는 것을 특징으로 하는, 인공위성 데이터를 이용한 산불 위험 예보 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 인공위성에는 능동 마이크로웨이브(active microwave) 센서가 탑재되며,
    상기 토양 수분은,
    상기 능동 마이크로웨이브 센서를 통해 획득된 후방 산란지수(backscattering coefficients)를 이용하여 산출되는 것을 특징으로 하는, 인공위성 데이터를 이용한 산불 위험 예보 방법.
  6. 제1항에 있어서,
    상기 산불 발생 위험을 판단하는 단계는,
    아래의 [식]에 따라 식생 스트레스 지수(Canopy Stress Index, CSI)를 산출하는 단계와;

    [식]
    Figure 112022122209408-pat00048


    상기 식생 스트레스 지수(Canopy Stress Index, CSI) 값에 따라 산불 발생 위험을 판단하는 단계를 포함하는, 인공위성 데이터를 이용한 산불 위험 예보 방법.
  7. 제6항에 있어서,
    상기 식생 스트레스 지수(Canopy Stress Index, CSI) 값에 따라 산불 발생 위험을 판단하는 단계는,
    상기 CSI 값이 120K/% 이상인 경우는 산불 발생 위험이 높다고 판단하는 것을 특징으로 하는, 인공위성 데이터를 이용한 산불 위험 예보 방법.
KR1020200035272A 2020-03-23 2020-03-23 인공위성 데이터를 이용한 산불 위험 예보 방법 KR102481827B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200035272A KR102481827B1 (ko) 2020-03-23 2020-03-23 인공위성 데이터를 이용한 산불 위험 예보 방법
PCT/KR2021/003374 WO2021194165A1 (ko) 2020-03-23 2021-03-18 인공위성 데이터를 이용한 산불 위험 예보 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200035272A KR102481827B1 (ko) 2020-03-23 2020-03-23 인공위성 데이터를 이용한 산불 위험 예보 방법

Publications (2)

Publication Number Publication Date
KR20210118695A KR20210118695A (ko) 2021-10-01
KR102481827B1 true KR102481827B1 (ko) 2022-12-28

Family

ID=77892726

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200035272A KR102481827B1 (ko) 2020-03-23 2020-03-23 인공위성 데이터를 이용한 산불 위험 예보 방법

Country Status (2)

Country Link
KR (1) KR102481827B1 (ko)
WO (1) WO2021194165A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037406B (zh) * 2023-07-28 2024-04-30 安徽龙讯信息科技有限公司 一种森林火灾智能化监控和预警系统
CN117783453B (zh) * 2024-02-27 2024-05-10 杨凌职业技术学院 一种林业防火用实时监测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014093063A (ja) * 2012-11-07 2014-05-19 Pasco Corp 林野火災の予測装置及び林野火災の予測プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101293741B1 (ko) * 2010-03-05 2013-08-16 대한민국 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
CN102034027A (zh) * 2010-12-16 2011-04-27 南京大学 流域尺度土壤湿度遥感数据同化方法
KR101531364B1 (ko) 2013-12-06 2015-06-24 대한민국 대형산불위험 예보방법 및 이를 위한 시스템
KR101484667B1 (ko) * 2014-07-23 2015-01-27 대한민국 인공위성기반 산불탐지 방법 및 산불탐지시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014093063A (ja) * 2012-11-07 2014-05-19 Pasco Corp 林野火災の予測装置及び林野火災の予測プログラム

Also Published As

Publication number Publication date
WO2021194165A1 (ko) 2021-09-30
KR20210118695A (ko) 2021-10-01

Similar Documents

Publication Publication Date Title
Wiegand et al. Leaf area index estimates for wheat from LANDSAT and their implications for evapotranspiration and crop modeling 1
Olivares et al. The relationship between the normalized difference vegetation index, rainfall, and potential evapotranspiration in a banana plantation of Venezuela.
Carlson et al. An interpretation of methodologies for indirect measurement of soil water content
Ghobadi et al. Forest fire risk zone mapping from geographic information system in Northern Forests of Iran (Case study, Golestan province)
KR102481827B1 (ko) 인공위성 데이터를 이용한 산불 위험 예보 방법
Dimitrakopoulos et al. Predicting live herbaceous moisture content from a seasonal drought index
Boon Snow ablation energy balance in a dead forest stand
Tucker et al. Satellite remote sensing of drought conditions
Meinzer et al. Stomatal and environmental control of transpiration in a lowland tropical forest tree
US11215597B2 (en) Forestry management tool for assessing risk of catastrophic tree failure due to weather events
Santos et al. Aerodynamic parameterization of the satellite-based energy balance (METRIC) model for ET estimation in rainfed olive orchards of Andalusia, Spain
Blennow et al. Modelling local-scale frost variations using mobile temperature measurements with a GIS
Pierce et al. Ecohydrological changes in the Murray-Darling Basin. III. A simulation of regional hydrological changes
Zaitchik et al. Climate and vegetation in the Middle East: Interannual variability and drought feedbacks
Togliatti et al. Satellite L–band vegetation optical depth is directly proportional to crop water in the US Corn Belt
McPherson et al. Bud respiration and dormancy of kiwifruit (Actinidia deliciosa)
Schmugge et al. Monitoring land surface fluxes using ASTER observations
Marek et al. Estimating preseason irrigation losses by characterizing evaporation of effective precipitation under bare soil conditions using large weighing lysimeters
Snyder et al. A fuel dryness index for grassland fire-danger assessment
Lee Prediction of large-scale wildfires with the canopy stress index derived from soil moisture active passive
Abdullah et al. A comparison between day and night land surface temperatures using acquired satellite thermal infrared data in a winter wheat field
Suzuki et al. Canopy snow influence on water and energy balances in a coniferous forest plantation in northern Japan
Du Plessis Refinements to the burning strategy in the Etosha National Park, Namibia
Shahzad et al. Spatio-temporal variations in trends of vegetation and drought changes in relation to climate variability from 1982 to 2019 based on remote sensing data from East Asia
Stow et al. Time series of chaparral live fuel moisture maps derived from MODIS satellite data

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)