2025 경북산불 피해 지도 (산림청)
지난 2025년 3월 22일, 의성에서 발화된 것으로 추정되는 불씨가 주변 5개 시군으로 확산되면서 경북 북부 지역에 초대형 산불이 발생하였다. 최근 정부기관 합동조사 결과 경북산불의 산림피해 추산 면적은 약 9만 8천ha로, 초기 산림당국으로부터 알려진 산불영향구역 4만5천ha에 비해 두 배가 넘는 면적이 조사되어 논란이 되고 있다.
「산불관리통합규정」 에 따른 산불피해면적의 산정은 현장에서의 실측이나 항공사진, 지형도 등의 데이터를 활용하여 피해면적을 산정하되, 피해면적이 10ha를 초과하는 경우에는 GPS 측량장비와 항공기/드론을 통해 평가할 수 있도록 명시하고 있다.
피해면적 산정은 현장에서 실측 또는 항공사진, 위성영상, 수치지형도, 항공기, 드론 등에 의하여 피해면적을 산정하되 소수점 둘째자리까지만 산정한다(최소 보고면적 0.01ha). 다만, 피해면적이 10ha 이상인 경우는 GPS 측량장비 또는 항공기, 드론으로 피해면적을 산정할 수 있다.
「산불관리통합규정」 - 산불발생 및 피해보고 요령
산림청은 이번 경북산불의 경우 강풍으로 인해 비행장치 운용이 제한적인 상황에서 산불이 빠르게 확산되어 실시간 관측에 한계가 있었던 점을 피해규모 추산에 오차가 발생한 원인으로 제시하고 있다.
이처럼 드론, 헬기, 항공기와 같이 초~저고도에서 운용되는 비행장치는 특성상 강수, 바람, 안개와 같은 기상 변화에 직접적인 영향을 받게된다. 반면에 높은 고도에서 운용되는 인공위성은 상대적으로 물리적 기상 현상에서 자유롭고, 동시에 광범위한 지역을 한 번에 관측할 수 있으므로 재난 감시 및 대응에 효과적인 수단으로 활용된다.
운용고도에 따른 비행장치별 관측 방식(Gonzales D, Hempel de Ibarra N and Anderson K, 2022)
이번 포스팅에서는 위성영상을 이용하여 경북 산불로 인한 산림피해 면적을 추산해보고, 산림청 조사결과와 비교함으로써 산불 대응에 있어 GIS 활용 방안을 모색해보고자 한다.
GIS 데이터
경북산불로 인한 산림피해 면적을 추산하고자 아래와 같은 데이터를 이용하였다.
활용 S/W
시뮬레이션에 활용된 S/W는 다음과 같다.
- ArcGIS Pro 3.4.3 | 위성영상 가공/분석, 지도 제작
정규산불피해비율(Normalized Burn Ratio, NBR)
정규산불피해비율(NBR)은 산불 심각도의 추정을 위해 고안된 지수로, 건강한 식생은 근적외선(NIR)에서 높은 반사율을, 단파장 적외선(SWIR)에서 낮은 반사율을 보이는 것에서 착안하여 두 대역(BAND)의 비율을 통해 연산된다.
NBR = (NIR - SWIR) / (NIR + SWIR)
dNBR = PrefireNBR - PostfireNBR
즉, NIR < SWIR일 수록 NBR은 작아지게 되며 NBR < 0인 경우 '식생이 손상된 지역'으로 평가될 수 있다. 따라서 산불 전/후에 촬영된 위성영상 1세트를 취득하여 각각 NBR을 생성하고, 두 NBR의 차이(dNBR)를 연산하면 아래와 같이 산불 심각도를 평가할 수 있다.
dNBR을 이용한 산불 심각도 추정 기준 (USGS)
| 산불 심각도 | dNBR 범위 |
|---|
| 산불 이후 높은 재생률 | < -0.25 |
| 산불 이후 낮은 재생률 | -0.25 ~ -0.1 |
| 피해 없음 | -0.1 ~ 0.1 |
| 경미한 피해 | 0.1 ~ 0.27 |
| 중간-낮은 수준의 피해 | 0.27 ~ 0.44 |
| 중간-높은 수준의 피해 | 0.44 ~ 0.66 |
| 심각한 피해 | > 0.66 |
위성영상 가져오기
우리나라 국토에 대하여 공개된 위성영상 중 NIR, SWIR BAND 취득이 가능한 광학 인공위성은 Landsat과 Sentinel-2로, 각각 185km/16일, 290km/5일의 촬영 주기로 대한민국 영토를 촬영한다. Sentinel-2가 공간/시간해상도 측면에서 상대적으로 유리하지만 촬영 시점이 서로 다르기 때문에 두 자료를 모두 살펴보고 활용하는 것이 바람직하다.
Esri Sentinel-2 Explorer / Landsat Explorer는 원하는 지역에 대해 촬영된 Sentinel-2/Landast 위성영상을 보여주는 서비스이다. 이 서비스를 통해 각 위성별 관측 영상을 확인할 수 있으며 촬영 시점의 운량(구름)에 따라 촬영 영상의 필터링이 가능하다.
Landsat 관측 위성영상 예시 (좌 : 2025-2-7, 운량 64% / 우 : 2025-03-11, 운량 3%)
경북 산불은 2025년 3월 22일에 발화되어 3월 30일에 진화된 것으로 보고된다. 이에 분석에서는 이 날짜를 기준으로 산불 전/후에 대한 위성영상을 취득하였으며 운량은 20% 미만인 것을 선정하였다.
 |  |  |  |
| Landsat Data 1 | Landsat Data 2
| Landsat Data 3
| Landsat Data 4
|
| 2025-02-23 / 운량 5% | 2025-03-11 / 운량 3%
| 2025-03-19 / 운량 19%
| 2025-04-04 / 운량 4% |
dNBR 분석하기 (Landsat 8/9)
Data 1~3은 산불 발생 이전, Data 4는 진화 이후에 취득된 영상이므로 이전-이후를 1세트로 하여 의성과 인접한 5개 시군에 대해 총 3세트의 dNBR을 생성하였다. 산불 피해범위는 USGS 기준에 따라 dNBR ≥ 0.1 지역의 면적을 기준으로 판단하였다 .
 |  |  |  |
| 분석 범위 | dNBR 1 (2025-02-23 ~ 2025-04-04) | dNBR 2 (2025-03-11 ~ 2025-04-04 ) | dNBR 3 (2025-03-19 ~ 2025-04-04 ) |
| 분석 범위 | 산림피해 면적 (ha) - 괄호 안은 산림청 조사 피해면적 대비 오차
|
dNBR 1
| dNBR 2 | dNBR 3 |
| 의성군 | 14,673 (-14,180) | 16,170 (-12,683) | 24,404 (-4,449) |
| 안동시 | 23,705 (-3,004)
| 26,786 (+77) | 62,990 (+36,281) |
| 청송군 | 12,718 (-7,937) | 19,492 (+1,163) | 63,481 (+42,826) |
| 영양군 | 3,806 (-3,058) | 20,416 (+13,552) | 55,467 (+48,603) |
| 영덕군 | 10,456 (-5,752) | 15,068 (-1,140) | 16,208 (+30,857) |
군위군
| 729 (-) | 776 (-) | 3,968 (-) |
| 합계(ha) | 66,087 (-33,202) | 98,708 (-581) | 257,375 (+158,086) |
| 오차 표준편차(ha) | 4,617 | 9,311 | 20,821 |
이처럼, 전체 피해면적은 3월 11일 촬영 영상을 이용한 분석이 가장 높은 정확도를 보였으나 의성에서 과소 추정, 영양에서 과대 추정이 발생하여 오차 표준편차가 매우 크게 나타났다. 특히 오차가 크게 나타난 지역은 눈 또는 구름이 존재하는 지역으로, 이에 따라 운량이 가장 높은 3월 19일 영상을 이용한 분석에서 가장 큰 오차를 보였다.
우리나라는 봄철인 4월부터 식생의 생장이 활발하게 이루어지기 때문에 식물 생장에 따른 변화의 폭으로 인해 오탐지 비율이 높게 나타나기도 한다. 따라서 비교가 되는 두 영상의 촬영 간격이 최대한 가까운 자료를 이용하는 것이 바람직하다고 할 수 있다.
dNBR 분석하기 (Sentinel-2)
HLS(Harmonized Landsat Sentinel-2) 프로젝트는 Landsat과 Sentinel-2 위성을 결합하여 시간해상도를 2-3일로 높이고, 대기, 구름, 그림자 및 시야각 등을 표준화하여 AI 분석에 활용할 수 있도록 균일한 품질의 영상을 제공하기 위한 목적으로 추진된 사업이다. 이프로젝트를 통해 생산되는 위성영상은 HLSS30(Sentinel-2 파생), HLSL30(Landsat 8 OLI 파생)으로 구분되며 포스팅에서는 HLSS30 데이터를 이용하였다.
 |  |  |
HLSS30 Data1 (2025-03-13)
| HLSS30 Data2 (2025-03-30)
| dNBR 4 (2025-03-13 ~ 2025-03-30) |
| 분석 범위 | 산림피해 면적 (ha) - 괄호 안은 산림청 조사 피해면적 대비 오차
|
dNBR 1
| dNBR 2 | dNBR 4 |
| 의성군 | 14,673 (-14,180) | 16,170 (-12,683) | 27,534 (-1,319) |
| 안동시 | 23,705 (-3,004)
| 26,786 (+77) | 35,920 (+9,211) |
| 청송군 | 12,718 (-7,937) | 19,492 (+1,163) | 23,489 (+2,834) |
| 영양군 | 3,806 (-3,058) | 20,416 (+13,552) | 16,086 (+9,222) |
| 영덕군 | 10,456 (-5,752) | 15,068 (-1,140) | 19,273 (+3,065) |
군위군
| 729 (-) | 776 (-) | 1825 (-) |
| 합계(ha) | 66,087 (-33,202) | 98,708 (-581) | 124,127 (+24,838) |
| 오차 표준편차(ha) | 4,617
| 9,311
| 4558 |
HLSS30을 이용한 NBR 분석 결과, 오차 표준편차가 다소 줄어드는 양상을 보였으나 전체 피해면적이 과대추정되었으며, 특히 안동, 영양군의 오탐지 비율이 높은 것으로 나타났다.
산불 흔적 추출(Burn Scar Segmentation)
앞서 살펴본 NBR은 위성영상에서 관측된 식생의 특성을 기준으로 평가되므로 산불피해지역이 과대 평가될 수 있다. 일반적으로 화재 피해지역은 '불의 띠'를 기준으로 추정되므로, 실제 피해면적을 추산하기 위해서는 산불피해지역의 경계를 추정하는 것이 정확도에 큰 영향을 미친다.
Prithvi-EO 모델 적용
NASA와 IBM은 HLS 데이터를 기반으로 사전 학습한 GeoAI 파운데이션 모델 Prithvi-EO를 오픈소스로 공개하였으며 활용 모델 중 하나로 화재피해지역 분류를 위한 사전학습모델 Prithvi-EO-1.0-100M-burn-scar을 제공하고 있다. 이 모델은 HLSS30, HLSL30 제품에 포함된 R-G-B, NIR, SWIR 밴드를 조합하여 단일 이미지로부터 화재피해지역을 추출할 수 있으며 별도의 SW 없이 Prithvi burn scars detection demo에서 모의 분석을 수행할 수 있다.
Prithvi burn scars detection demo를 이용한 경북산불 피해경계 추출 테스트 결과
Prithvi-EO 모델 + dNBR
Esri에서는 이 모델을 ArcGIS Pro에서 사용할 수 있도록 가공한 사전학습모델(*.dlpk)을 제공한다. 사전학습모델은 래스터 데이터모델을 기반으로 Classify Pixels Using Deep Learning 도구를 이용하여 손쉽게 사용할 수 있다. 시뮬레이션에서는 6개 시군구 영역으로 마스킹된 HLSS30(2025-03-30 촬영) 이미지를 이용하여 경북산불 피해 경계를 추정하였으며, 연산 시간은 1시간 3분 소요되었다.
|  |  |  |
| 분석 범위 | Prithvi-EO 모델 실행 결과 | dNBR 4 (2025-03-13 ~ 2025-03-30)
| dNBR 5 (Prithvi-EO + dNBR 4) |
| 분석 범위 | 산림피해 면적 (ha) - 괄호 안은 산림청 조사 피해면적 대비 오차
|
dNBR2
| dNBR 4
| dNBR 5
|
| 의성군 | 16,170 (-12,683)
| 27,534 (-1,319)
| 25,512 (-3,341)
|
| 안동시 | 26,786 (+77)
| 35,920 (+9,211)
| 34,312 (+7,603)
|
| 청송군 | 19,492 (+1,163)
| 23,489 (+2,834)
| 21,067 (+412)
|
| 영양군 | 20,416 (+13,552)
| 16,086 (+9,222)
| 5220 (+1,644)
|
| 영덕군 | 15,068 (-1,140)
| 19,273 (+3,065)
| 18164 (+1,956)
|
군위군
| 776 (-)
| 1825 (-)
| 158(-)
|
| 합계(ha) | 98,708 (-581)
| 124,127 (+24,838)
| 104,433 (+5,144)
|
| 오차 표준편차(ha) | 9,311
| 4558
| 4203
|
이처럼, prithvi-EO 모델과 HLSS30 기반 NBR을 결합한 산림피해 면적 분석 결과가 실제 시군별, 전체 면적 조사 결과와의 오차에서 가장 안정적인 결과를 보이는 것으로 나타났다.
웹 지도 서비스 발행
아래 지도는 ArcGIS Online 서비스를 이용하여 HLSS30 - CIR 이미지와 dNBR 분석 결과를 나타내는 웹 지도를 나타낸 것이다. CIR 합성영상은 산림 지역을 붉게 나타내며, 산불 피해가 발생한 산림은 초록-검정으로 표현하는 경향이 있다.
경북산불 산림피해 지역 추정 결과 | (좌) CIR 합성영상 / (우) 정규산불피해지수
마치며
지난 10년 통계에 따르면 국내 산불은 연평균 546건 발생한며 해마다 비슷한 수준으로 발생하고 있지만, 산불 피해면적은 점차 증가하는 추세를 보인다. 산불 피해지역의 추정은 산불로 인한 산림피해 정도를 신속하게 파악하고 복구를 위한 피해액을 산정하는데 효과적으로 활용될 수 있기 때문에, 위성영상과 같은 원격탐사가 필수적으로 적용되는 분야이다.
국토지리정보원은 2021년 3월 22일 국토위성을 발사하여 현재 대한민국 영토는 최대 50cm 급 해상도와 2.3일 촬영 주기로 영상을 취득할 수 있는 체계가 마련되어있다. 그럼에도 불구하고 국토위성 관측 자료는 「국토지리정보원 국가공간정보 보안관리규정」에 의해 공개제한 자료로 분류되어 공공기관이 아닌 경우 국토위성자료를 활용하기에 어려움이 많고, 더욱이 R-G-B, NIR BAND에 대한 자료만 취득하기 때문에 이미지 분석에 활용할 수 있는 범위 또한 매우 제한적이다. 이로 인해 산불 피해면적 추정에 CIR 이미지 합성을 이용하고 있는 실정이다.
산불발생 이전/이후를 나타내는 CIR 합성영상 예시(국토지리정보원)
국토지리정보원은 국토위성의 수명(1호기: 2025년, 2호기: 2029년)에 대비하여 국토위성 3-4호기 개발을 추진하고 있다. 이와 발맞춰 앞으로 국내 공간정보 보안 규정 또한 합리적인 수준에서 완화되어 민간의 활용을 강화하는 방향으로 개선되어 고품질 데이터를 이용한 AI 응용 모델 개발 또한 활성화 되었으면 하는 바람이다.
2025 경북산불 피해 지도 (산림청)
지난 2025년 3월 22일, 의성에서 발화된 것으로 추정되는 불씨가 주변 5개 시군으로 확산되면서 경북 북부 지역에 초대형 산불이 발생하였다. 최근 정부기관 합동조사 결과 경북산불의 산림피해 추산 면적은 약 9만 8천ha로, 초기 산림당국으로부터 알려진 산불영향구역 4만5천ha에 비해 두 배가 넘는 면적이 조사되어 논란이 되고 있다.
「산불관리통합규정」 에 따른 산불피해면적의 산정은 현장에서의 실측이나 항공사진, 지형도 등의 데이터를 활용하여 피해면적을 산정하되, 피해면적이 10ha를 초과하는 경우에는 GPS 측량장비와 항공기/드론을 통해 평가할 수 있도록 명시하고 있다.
산림청은 이번 경북산불의 경우 강풍으로 인해 비행장치 운용이 제한적인 상황에서 산불이 빠르게 확산되어 실시간 관측에 한계가 있었던 점을 피해규모 추산에 오차가 발생한 원인으로 제시하고 있다.
이처럼 드론, 헬기, 항공기와 같이 초~저고도에서 운용되는 비행장치는 특성상 강수, 바람, 안개와 같은 기상 변화에 직접적인 영향을 받게된다. 반면에 높은 고도에서 운용되는 인공위성은 상대적으로 물리적 기상 현상에서 자유롭고, 동시에 광범위한 지역을 한 번에 관측할 수 있으므로 재난 감시 및 대응에 효과적인 수단으로 활용된다.
운용고도에 따른 비행장치별 관측 방식(Gonzales D, Hempel de Ibarra N and Anderson K, 2022)
이번 포스팅에서는 위성영상을 이용하여 경북 산불로 인한 산림피해 면적을 추산해보고, 산림청 조사결과와 비교함으로써 산불 대응에 있어 GIS 활용 방안을 모색해보고자 한다.
GIS 데이터
경북산불로 인한 산림피해 면적을 추산하고자 아래와 같은 데이터를 이용하였다.
활용 S/W
시뮬레이션에 활용된 S/W는 다음과 같다.
정규산불피해비율(Normalized Burn Ratio, NBR)
정규산불피해비율(NBR)은 산불 심각도의 추정을 위해 고안된 지수로, 건강한 식생은 근적외선(NIR)에서 높은 반사율을, 단파장 적외선(SWIR)에서 낮은 반사율을 보이는 것에서 착안하여 두 대역(BAND)의 비율을 통해 연산된다.
즉, NIR < SWIR일 수록 NBR은 작아지게 되며 NBR < 0인 경우 '식생이 손상된 지역'으로 평가될 수 있다. 따라서 산불 전/후에 촬영된 위성영상 1세트를 취득하여 각각 NBR을 생성하고, 두 NBR의 차이(dNBR)를 연산하면 아래와 같이 산불 심각도를 평가할 수 있다.
dNBR을 이용한 산불 심각도 추정 기준 (USGS)
위성영상 가져오기
우리나라 국토에 대하여 공개된 위성영상 중 NIR, SWIR BAND 취득이 가능한 광학 인공위성은 Landsat과 Sentinel-2로, 각각 185km/16일, 290km/5일의 촬영 주기로 대한민국 영토를 촬영한다. Sentinel-2가 공간/시간해상도 측면에서 상대적으로 유리하지만 촬영 시점이 서로 다르기 때문에 두 자료를 모두 살펴보고 활용하는 것이 바람직하다.
Esri Sentinel-2 Explorer / Landsat Explorer는 원하는 지역에 대해 촬영된 Sentinel-2/Landast 위성영상을 보여주는 서비스이다. 이 서비스를 통해 각 위성별 관측 영상을 확인할 수 있으며 촬영 시점의 운량(구름)에 따라 촬영 영상의 필터링이 가능하다.
경북 산불은 2025년 3월 22일에 발화되어 3월 30일에 진화된 것으로 보고된다. 이에 분석에서는 이 날짜를 기준으로 산불 전/후에 대한 위성영상을 취득하였으며 운량은 20% 미만인 것을 선정하였다.
dNBR 분석하기 (Landsat 8/9)
Data 1~3은 산불 발생 이전, Data 4는 진화 이후에 취득된 영상이므로 이전-이후를 1세트로 하여 의성과 인접한 5개 시군에 대해 총 3세트의 dNBR을 생성하였다. 산불 피해범위는 USGS 기준에 따라 dNBR ≥ 0.1 지역의 면적을 기준으로 판단하였다 .
이처럼, 전체 피해면적은 3월 11일 촬영 영상을 이용한 분석이 가장 높은 정확도를 보였으나 의성에서 과소 추정, 영양에서 과대 추정이 발생하여 오차 표준편차가 매우 크게 나타났다. 특히 오차가 크게 나타난 지역은 눈 또는 구름이 존재하는 지역으로, 이에 따라 운량이 가장 높은 3월 19일 영상을 이용한 분석에서 가장 큰 오차를 보였다.
우리나라는 봄철인 4월부터 식생의 생장이 활발하게 이루어지기 때문에 식물 생장에 따른 변화의 폭으로 인해 오탐지 비율이 높게 나타나기도 한다. 따라서 비교가 되는 두 영상의 촬영 간격이 최대한 가까운 자료를 이용하는 것이 바람직하다고 할 수 있다.
dNBR 분석하기 (Sentinel-2)
HLS(Harmonized Landsat Sentinel-2) 프로젝트는 Landsat과 Sentinel-2 위성을 결합하여 시간해상도를 2-3일로 높이고, 대기, 구름, 그림자 및 시야각 등을 표준화하여 AI 분석에 활용할 수 있도록 균일한 품질의 영상을 제공하기 위한 목적으로 추진된 사업이다. 이프로젝트를 통해 생산되는 위성영상은 HLSS30(Sentinel-2 파생), HLSL30(Landsat 8 OLI 파생)으로 구분되며 포스팅에서는 HLSS30 데이터를 이용하였다.
HLSS30을 이용한 NBR 분석 결과, 오차 표준편차가 다소 줄어드는 양상을 보였으나 전체 피해면적이 과대추정되었으며, 특히 안동, 영양군의 오탐지 비율이 높은 것으로 나타났다.
산불 흔적 추출(Burn Scar Segmentation)
앞서 살펴본 NBR은 위성영상에서 관측된 식생의 특성을 기준으로 평가되므로 산불피해지역이 과대 평가될 수 있다. 일반적으로 화재 피해지역은 '불의 띠'를 기준으로 추정되므로, 실제 피해면적을 추산하기 위해서는 산불피해지역의 경계를 추정하는 것이 정확도에 큰 영향을 미친다.
Prithvi-EO 모델 적용
NASA와 IBM은 HLS 데이터를 기반으로 사전 학습한 GeoAI 파운데이션 모델 Prithvi-EO를 오픈소스로 공개하였으며 활용 모델 중 하나로 화재피해지역 분류를 위한 사전학습모델 Prithvi-EO-1.0-100M-burn-scar을 제공하고 있다. 이 모델은 HLSS30, HLSL30 제품에 포함된 R-G-B, NIR, SWIR 밴드를 조합하여 단일 이미지로부터 화재피해지역을 추출할 수 있으며 별도의 SW 없이 Prithvi burn scars detection demo에서 모의 분석을 수행할 수 있다.
Prithvi burn scars detection demo를 이용한 경북산불 피해경계 추출 테스트 결과
Prithvi-EO 모델 + dNBR
Esri에서는 이 모델을 ArcGIS Pro에서 사용할 수 있도록 가공한 사전학습모델(*.dlpk)을 제공한다. 사전학습모델은 래스터 데이터모델을 기반으로 Classify Pixels Using Deep Learning 도구를 이용하여 손쉽게 사용할 수 있다. 시뮬레이션에서는 6개 시군구 영역으로 마스킹된 HLSS30(2025-03-30 촬영) 이미지를 이용하여 경북산불 피해 경계를 추정하였으며, 연산 시간은 1시간 3분 소요되었다.
이처럼, prithvi-EO 모델과 HLSS30 기반 NBR을 결합한 산림피해 면적 분석 결과가 실제 시군별, 전체 면적 조사 결과와의 오차에서 가장 안정적인 결과를 보이는 것으로 나타났다.
웹 지도 서비스 발행
아래 지도는 ArcGIS Online 서비스를 이용하여 HLSS30 - CIR 이미지와 dNBR 분석 결과를 나타내는 웹 지도를 나타낸 것이다. CIR 합성영상은 산림 지역을 붉게 나타내며, 산불 피해가 발생한 산림은 초록-검정으로 표현하는 경향이 있다.
경북산불 산림피해 지역 추정 결과 | (좌) CIR 합성영상 / (우) 정규산불피해지수
마치며
지난 10년 통계에 따르면 국내 산불은 연평균 546건 발생한며 해마다 비슷한 수준으로 발생하고 있지만, 산불 피해면적은 점차 증가하는 추세를 보인다. 산불 피해지역의 추정은 산불로 인한 산림피해 정도를 신속하게 파악하고 복구를 위한 피해액을 산정하는데 효과적으로 활용될 수 있기 때문에, 위성영상과 같은 원격탐사가 필수적으로 적용되는 분야이다.
국토지리정보원은 2021년 3월 22일 국토위성을 발사하여 현재 대한민국 영토는 최대 50cm 급 해상도와 2.3일 촬영 주기로 영상을 취득할 수 있는 체계가 마련되어있다. 그럼에도 불구하고 국토위성 관측 자료는 「국토지리정보원 국가공간정보 보안관리규정」에 의해 공개제한 자료로 분류되어 공공기관이 아닌 경우 국토위성자료를 활용하기에 어려움이 많고, 더욱이 R-G-B, NIR BAND에 대한 자료만 취득하기 때문에 이미지 분석에 활용할 수 있는 범위 또한 매우 제한적이다. 이로 인해 산불 피해면적 추정에 CIR 이미지 합성을 이용하고 있는 실정이다.
산불발생 이전/이후를 나타내는 CIR 합성영상 예시(국토지리정보원)
국토지리정보원은 국토위성의 수명(1호기: 2025년, 2호기: 2029년)에 대비하여 국토위성 3-4호기 개발을 추진하고 있다. 이와 발맞춰 앞으로 국내 공간정보 보안 규정 또한 합리적인 수준에서 완화되어 민간의 활용을 강화하는 방향으로 개선되어 고품질 데이터를 이용한 AI 응용 모델 개발 또한 활성화 되었으면 하는 바람이다.