Cloud Detection and Restoration of Landsat-8 using STARFM

재난 모니터링을 위한 Landsat 8호 영상의 구름 탐지 및 복원 연구

Abstract

Landsat satellite images have been increasingly used for disaster damage analysis and disaster monitoring because they can be used for periodic and broad observation of disaster damage area. However, periodic disaster monitoring has limitation because of areas having missing data due to clouds as a characteristic of optical satellite images. Therefore, a study needs to be conducted for restoration of missing areas. This study detected and removed clouds and cloud shadows by using the quality assessment (QA) band provided when acquiring Landsat-8 images, and performed image restoration of removed areas through a spatial and temporal adaptive reflectance fusion (STARFM) algorithm. The restored image by the proposed method is compared with the restored image by conventional image restoration method throught MLC method. As a results, the restoration method by STARFM showed an overall accuracy of 89.40%, and it is confirmed that the restoration method is more efficient than the conventional image restoration method. Therefore, the results of this study are expected to increase the utilization of disaster analysis using Landsat satellite images.

Landsat 위성영상은 재난 피해 지역에 대해 주기적이며 광역적인 관측이 가능하여 재난 피해분석, 재난 모니터링 등 활용도가 증가하고 있다. 하지만 광학위성영상 특성상 구름으로 인한 결측된 영역으로 인해 주기적인 재난 모니터링에는 한계가 있어 결측된 영역의 복원 연구가 필요하다. 본 연구에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 구름 및 구름그림자를 탐지 및 제거하고, STARFM 알고리즘을 통해 제거된 영역의 영상 복원을 수행하였다. 복원된 영상은 기존의 영상 복원 방법으로 복원된 영상과 MLC 기법을 통해 정확도를 비교하였다. 그 결과, STARFM으로 인한 복원방법이 전체정확도 89.40%로, 기존의 영상 복원 방법보다 효율적인 복원방법임을 확인하였다. 따라서 본 연구결과를 통해 향후 Landsat 위성영상을 이용한 재난분석 수행 시 활용도를 높일 수 있을 것으로 기대된다.

1. 서론

최근 기상이변으로 인해 전 세계적으로 홍수, 태풍, 화산과 같은 대규모 자연재난의 발생빈도와 규모는 매년 증가하고 있으며(Kim and Won, 2008), 사회적 및 경제적으로 광범위하게 영향을 미친다. 대형재난 발생에 대해 국내외적으로 사전 예방을 위한 예측모델 기술개발 및 재난유형에 따른 피해 분석 기술에 관한 연구가 진행되고 있다(cho et al., 2012). 그 중 위성영상은 재난피해 지역에 대해 주기적이고 광역적으로 정량적인 정보 관측 가능한 유일한 수단으로 그 활용도는 증가하고 있는 추세이다(Tralli et al., 2005; Cho et al., 2013; Lee et al., 2019). 대표적으로 Landsat 시리즈 위성영상은 1972년에 1호를 발사하여 지구표면을 가장 오랜 기간 동안 관측한 위성으로 토지 이용 변화, 재난 피해 복구 모니터링과 같이 장기간 변화에 대해 활용하기에 적합하다. 현재 Landsat 8호를 운용 중에 있으며 2021년 12월 Landsat 9호를 발사 계획 중에 있다. Landsat 위성영상은 미국 지질조사국(united states geological survey)에서 무상으로 제공하고 있으나 국립재난안전연구원은 Landsat 8호 위성영상을 기존의 방법보다 수급시간을 단축하기 위해 한반도를 촬영한 영역에 대해서는 직수신하고 있다. Landsat 8호 위성영상의 빠른 수급에도 불구하고 광학 위성영상은 태양광으로부터 지표면에 의해 반사되어 센서에 도달하는 반사 에너지를 촬영한 영상 정보이기 때문에 구름이 존재할 시에는 구름 아래의 지구 표면 정보를 차단하여 구름으로 덮인 지역의 정보가 결측된다. 특히, 여름철에 촬영된 영상의 경우, 몬순 기후의 영향으로 영상 내 구름양이 80% 이상의 두꺼운 구름으로 인해 여름철 청천영상(clear image)을 취득하는데 어려움이 많다. 여름철에 주로 일어나는 홍수 피해나 산사태피해에 대해 위성영상을 이용하여 재난 피해 분석을 위해서는 피해 전 최근영상의 수급은 필수적이며 뿐만 아니라 주기적인 재난 피해 지역의 복구 모니터링을 위해 지속적인 관측 값이 필요하다. 하지만 구름으로 인한 결측된 영역으로 인해 적시적인 재난 피해 분석, 주기적인 재난 모니터링에 한계가 있다. 이러한 문제점을 해결하기 위해서 영상 내 구름영역을 탐지 및 제거하고 제거된 영역에 대해 영상을 복원하는 방법이 연구되고 있다. Landsat 영상의 결측값 복원연구는 Landsat 7호의 Scan Line Corrector (SLC)의 결함(SLC-off)으로 인해 2003년 5월 31일 이후로 한 영상 당 약 22% 부분이 영상에서 누락된 채 촬영됨에 따라 누락된 영역을 복원하기 위해 많은 연구가 진행되었다(Maxwell, 2004; Yin et al., 2016). Landsat 7호의 SLC-off로 인해 결측된 영역을 복원하기위해 개발된 Gap-fill함수는 Landsat 7호의 결측된 영역을 복원해줄 뿐만 아니라 Landsat 5호 영상의 구름으로부터 결측된 화소값도 복원해준 바 있다(Han and Park, 2012). Chen et al. (2011)은 SLC 결함으로 인해 스캔되지않은 픽셀과 이웃 픽셀 간의 유사도를 통해 픽셀 값 공백부분을 보간하는 방법인 Neighborhood Similar Pixel Interpolator (NSPI) 접근법을 통해 촬영하지 못한 부분을 복원하였다. NSPI 방법은 Landsat 7호 뿐만 아니라 구름으로 인해 결측된 영역에 대해서도 복원한 바 있다 (Brindha et al., 2013). Kim et al. (2014)는 Landsat 8호 영상에 포함된 costal/aerosol, cirrus밴드를 이용하여 Otsu 임계화 기법을 통해 구름과 구름 그림자 영역을 탐지 및 제거한 다음, Jin et al. (2013)이 제안한 Spectral Similarity Group (SSG)기법을 변형하여 제거된 영역에 대해 영상을 복원하였다. La et al. (2017)은 1994년부터 2016년까지 5월에서 11월에 촬영된 다중 Landsat 영상들과, 습도, 강우량, 태양복사 등의 8가지의 변수들 간의 관계를 바탕으로 Beysian Neural Network (BNN) 방법을 통해 구름으로 인해 누락된 부분을 복원하였다.

위 방법들은 두꺼운 구름을 탐지하고 복원하는데 효율적인 방법이지만, 얇은 구름은 탐지하지 못하여 복원 영상에도 일부 구름이 남아있는 한계점이 있었다. 따라서 본 연구에서는 Landsat 8호 영상 취득 시 제공되는 Quality Assessment (QA)밴드를 이용하여 두꺼운 구름과 얇은 구름에 대해서도 효과적으로 탐지하여 제거하고, 제거된 영역에 대하여 Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) 기법으로 제작된 모의영상을 이용하여 복원하는 방법을 제안하였다.

2. 연구방법

본 연구에서 제안하는 구름 탐지 및 복원연구의 전체적인 흐름은 Fig. 1과 같이 진행된다. 연구과정은 크게 (1) 구름 탐지 및 제거와 (2) 제거된 영역에 대한 영상 복원으로 구성되어 있다. 구름탐지 및 제거 단계에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 MultiSpectral (MS)밴드에서 구름 및 구름그림자 영역을 탐지하여 제거하였다. 제거된 영역에 대한 복원단계에서는 2가지 방법으로 영상 복원을 수행하였다. 첫 번째 방법은 기존의 위성영상 복원에 일반적으로 사용되는 방법으로 Landsat 8호 영상이 촬영된 날과 근접한 날 촬영된 영상을 이용하여 복원을 수행하는 것이다. 두 번째 방법은 STARFM 알고리즘을 통해 제작된 Landsat 모의영상을 이용하여 영상 복원을 수행하였다. 두 가지 방법으로 복원된 Landsat 영상은 참조영상과 영상분류를 통해 구름으로 인해 결측된 영역의 복원정도를 평가 하였다.

Fig. 1.  Flow chart.

1) 구름영역 탐지 및 제거

기존의 구름탐지 및 복원 연구들은 대부분 구름의 분광특성을 이용하여 구름 추출에 적합한 파장대역인 단파적외 밴드나 costal/aerosol, cirrus밴드와 같이 특정 밴드로부터 임계값을 적용하여 구름을 탐지하였다(Sun et al., 2017). 하지만 임계값을 통해 구름을 탐지하는 방법은 임계값에 따라 결과가 민감하게 추출되기 때문에 정확도가 떨어질 수 있다(Lee and Lee, 2015). 또한, 사용되  밴드별, 시기별, 지역별 영상의 임계값이 다르기 때문에 해당 영상에서 구름을 탐지하기에 적정한 임계값을 결정하기 위해서는 반복적인 실험과정을 거쳐야하는 단점이 있다.

본 연구에서는 Landsat 8호 영상으로부터 포함되어있는 QA밴드를 이용하여 구름 영역 탐지 및 제거를 위해 간단하고 효과적인 방법을 제시하고자 한다(Fig. 2). Landsat 8호의 QA밴드는 영상을 촬영할 당시의 표면, 대기 및 센서 조건에 의한 영상 내 화소 품질에 대한 정보를 나타내기 때문에 장비의 결함이나 구름의 영향을 받는 화소들을 표시하여 사용자들이 불량화소를 보다 쉽게 식별할 수 있다(Table 1). 기존 구름탐지 연구들에서 사용된 특정밴드보다 QA밴드를 이용하여 구름을 탐지할 경우, 임계값 결정방법이 생략되기 때문에 기존 알고리즘보다 간편하게 구름을 탐지할 수 있는 장점이 있다. 구름 및 구름그림자를 탐지하기 위해 Landsat 8호의 QA밴드로부터 ‘2720’, ‘2724’, ‘2728, ‘2732’에 해당되는 화소값을 구름 및 구름그림자의 영향을 받지 않는 화소(clear pixel)로 구분하고 해당되는 화소 값을 제외한 모든 화소값을 구름 또는 구름그림자로부터 영향을 받은 화소로 간주하여(Fig. 2(a)) MS영상에서 탐지한 후 (Fig. 2(b)), 제거하였다(Fig. 2(c)).

Fig. 2.  Flowchart of cloud detection using QA band (a) QA band, (b) MS band, (c) MS band without cloud and cloud shadow.

Table 1.  Attribute and pixel values of Landsat-8 QA band 

2) 제거된 구름영역 복원

본 연구에서는 Landsat 8호 영상의 QA밴드를 이용하여 제거된 구름 및 구름그림자 영역을 복원하기 위하여 2가지 방법을 통해 복원을 수행하였다

첫 번째 방법은 구름으로 인해 결측된 영역을 복원하기 위해 일반적으로 쓰이는 방법으로, 실험영상이 촬영된 날의 전후 시기의 근접한 날에 촬영된 청천영상을 이용하여 구름이 제거된 영역에 대해 내삽하여 영상을 복원하는 것이다.

두 번째 방법은 STARFM 알고리즘을 이용하여 모의영상을 제작한 후 결측된 영역을 내삽하는 방법이다. STARFM 알고리즘은 공간해상도가 높은 Landsat 영상과 시간해상도가 높은 MODIS 영상을 융합하여 원하는 날(이하 ‘타겟날짜(target date)’라고 함)의 Landsat 영상을 제작하는 방법이다. STARFM 알고리즘은 Gao et al. (2006)가 제안한 방법으로 Landsat 위성과 MODIS (Terra) 위성이 비슷한 궤도와 적도 통과시간이 약 30분정도 밖에 차이가 나지 않고, 30분 동안의 대기 상태에 큰 변화가 없다는 가정 하에 개발된 기법이다(Eq. (1)).

 \(L(x_{w/2}), y_{w/2}, T_2) = \sum_{i=1}^w \sum_{i=1}^w (M(x_i, y_j, T_2)+L(x_i, y_j, T_1)-M(x_i, y_j, T_1))\)        (1) 

여기서, L은 Landsat 영상을, M은 MODIS 영상을 의미하며, L(x_w/2, y_w/2, T₂)는 T₂(타겟날짜)에 대해 예측된 Landsat 영상의 반사율 값이고, w는 이동 창의 크기이고, x_w/2, y_w/2는 이동하는 창 내의 중앙 화소이다. W_{i, j} 는 공간가중치함수로 w에서 얼마나 각 인접한 화소(x_i , y_i )가 중앙 픽셀의 추정된 반사율에 기여하는 지 결정한다. L(x_i , y_j , T₁)와 M(x_i , y_j , T₁)은 같은 날짜(T₁)에 관측된 Landsat 영상과 MODIS 영상의 반사율 값들이다. M(x_i , y_j , T₂)은 T2에 관측된 MODIS 반사율 값이다.

STARFM 알고리즘을 통해 타겟날짜의 Landsat 영상을 제작하기 위해서는 총 3개의 영상이 필요하다. (1) 타겟날짜에 촬영된 MODIS 영상(Fig. 2(a)), (2) 타겟날짜와 인접한 날짜에 촬영된 Landsat 영상(Fig. 2(b)), (3) 타겟날짜와 인접한 날짜에 촬영된 Landsat 영상과 같은 날에 촬영된 MODIS 영상이다(Fig. 2(c)). MODIS 영상은 Landsat 영상과 같은 범위, 공간해상도(30 m), 좌표계 (UTM 52N)로 변환한 후, STARFM을 수행하였다. 본 연구에서 타겟날짜는 2018월 5월 9일이며, 타겟날짜와 인접한 날의 촬영된 영상은 2018년 5월 25일자 Landsat 영상을 이용하여 2018년 5월 9일의 Landsat 영상을 제작하였다. STARFM 알고리즘을 수행하기 위해 사용된 입력 영상은 Fig. 3와 같다.

Fig. 3.  Input image of STARFM algorithm (a) MODIS (target date: 2018.05.09.), (b) Landsat 8 (adjacent date from target date: 2018.05.25.), (c) MODIS (adjacent date from target date: 2018.05.25.).

3. 연구지역및자료

본 연구에서 구름으로 인해 결측된 픽셀을 제거하고 복원하기 위하여 사용하는 데이터는 Landsat 8호 영상과 MODerate Resolution Imaging Spectroradiometer(MODIS) 영상을 사용하였다. Landsat 시리즈 위성들을 통해 촬영된 영상들은 Path와 Row 번호를 통해 촬영 위치를 표시하기 위한 세계표기시스템(WRS, Worldwide Reference System)을 사용하고 있다. WRS는 WRS-1, WRS-2로두가 지가 있으며 Landsat 8호는 WRS-2 표기법을 사용한다. Path는 Landsat 위성이 지나가는 방향에서 행(동쪽에서 서쪽)을 나타내며 Row는 열(북쪽에서 남쪽)을 의미한다. 본 연구에서 해당 연구지역을 촬영한 Landsat 8호의 Path/Row는 116/34(WRS-2)에 해당되며, 영상의 중심좌표는경도127°14′34″,위도37°48′31″이다.사용된 MODIS 영상은 Landsat 영상에서 사용되는 Path/Row가 아닌 타 일(Tile)을 통해 촬영된 영상 위치를 표시하고 있으며 해당 연구지역이 촬영된 MODIS 타일은 h27v05, h28v05 이다.

영상에서 구름 및 구름그림자를 포함하고 있어 이를 제거하고 복원할 영상을 실험영상(experiment image)이라 하며 구름을 포함하지 않고 맑은 날 촬영된 영상을 참조영상(reference image)이라고 한다. 참조영상은 복원된 실험영상의 정확도 평가를 위해 검증자료로도 이용되었다(Table 2). 본 연구에서는 실험영상과 참조영상간 촬영 간격이 한 달 이내이며, 다양한 토지피복을 이루고 있는 서울 및 경기도 일부 지역을 연구 대상지역으로 선정하였다(Fig. 4). MODIS 영상은 STARFM 알고리즘의 입력자료로써, MODIS의 산출물(Product) 중에서 MCD43A4자료를 사용하였다. Walker et al.(2012)에 따르면 Landsat영상과 MODIS영상을 융합할 경우 시야각 효과가 보정된 Nadir Bidirectional Reflectance Distribution Function (BRDF)-Adjusted Reflectance(NBAR) 기반의 MCD43A4이 다른 MODIS 산출물에 비해 Landsat의 촬영각도와 가장 적은 차이를 보이기 때문에 최적의 자료임을 나타냈다. MCD43A4는 1일 주기로 제공되는 지표면 반사율 자료(surface reflectance)로 공간해상도가 500 m이며 16일 동안 합성데이터를 의미한다. MODIS 영상 과 Landsat 8호 영상의 밴드특성은 Table 3와 같다.

Fig. 4.  Study area.

Table 2.  Acquisition date of experiment image and reference image (Landsat-8 and MODIS)

Table 3. Bands of Landsat-8 and MODIS (Terra) 

4. 결과 및 분석

1) 구름영역 탐지 및 제거 결과

본 연구에서는 Landsat 8호 영상의 QA밴드를 이용하여 구름 탐지 및 제거하기 위해 효과적이고 간단한 방법을 제시하였다. Fig. 5(a)~(c)는 2018년 5월 9일에 촬영한 Landsat 8호 영상으로, 일반적인 구름을 포함하고 있는 영상이다. Fig. 5(d)~(e)는 2019년 6월 13일에 촬영한 Landsat 8호 영상으로, 연무와 같이 얇은 구름을 포함하고 있는 영상이다. Fig. 5(a), (d)는 Landsat 8호 실험영상을 자연색조합으로 나타낸 영상이다(R/G/B:4/3/2). Fig. 5(b), (e)는 각 Fig. 5(a), (d)의 영상에 대한 QA밴드이며, QA밴드를 이용하여 구름 및 구름그림자를 제거한 영상은 Fig. 5(c), (f)와 같다(노란색). 그림 Fig. 4와 같이 대부분의 구름과 연무가 추출된 것을 확인할 수 있다. Fig. 5(d)와 같이 육안으로 구분하기 힘든 얇은 구름도 효과적으로 제거된 것을 알 수 있지만 수역(water area) 주변에 해당되는 화소도 함께 제거가 된 것을 볼 수 있다. 이는 수역에 대한 스펙트럼 정보와 구름에 대한 스펙트럼 정보가 유사하기 때문에 제거된 것으로 판단된다.

2) 제거된 구름영역 복원 결과

본 연구에서는 실험영상(Fig. 6.(a))에서 구름영역(노란색)이 제거된 5월 9일자 Landsat 영상을 복원하기 위해 첫 번째 복원방법과 두 번째 복원방법을 적용하였다. 기존 위성영상 복원에 주로 사용되는 첫 번째 방법은 실험영상 촬영날짜와 근접한 날짜이면서 맑은 날 촬영된 참조영상(Fig. 6(b))을 실험영상의 구름으로 인해 제거된 영역에 모자이크 시켜 복원한 것으로 Fig. 6(c)와 같다. 두 번째 방법은 5월 9일을 타겟날짜로 두고 STARFM 알고리즘을 통해 제작한 5월 9일자 Landsat 모의영상(Fig. 6(d))을 실험영상의 구름으로 인해 제거된 영역에 대해모자이크하여 복원한 것으로 Fig. 6(e)와 같다. 이때 영상 간의 방사적 특성이 다르기 때문에 두 영상 간 밝기값 차이를 최소화하기 위해 히스토그램 매칭을 수행하였다. Fig. 6(c), (e)와 같이 두 가지 방법으로 복원된 영상은 시각적으로도 구름으로 인해 결측되었던 영역의 화소가 대부분 복원된 것을 알 수 있었으며, 구름 및 구름 그림자로 인해 식별 불가능한 지역이 크게 감소하였다.

Fig. 5. Cloud detecting and removal using QA band of Landsat-8 (a) Landsat 8 MS bands (2018.05.09.), (b) Landsat 8 QA band (2018.05.09.), (c) cloud and cloud shadow removal (Yellow) (2018.05.09.), (d) Landsat 8 MS bands (2018.06.13.), (e) Landsat 8 QA band (2018.06.13.), (f) cloud and cloud shadow removal (Yellow) (2018.06.13.).

Fig. 6.  Restoration of Landsat-8 image of cloud removed area (a) cloud-removed image (experiment image), (b) reference image, (c) restoration image using reference image, (d) simulation image (e) restoration image using simulation image.

3) 정확도 평가

구름 및 구름그림자 탐지에 대한 정확도 평가는 구름 분포와 운량의 참값을 취득하는데 한계가 있기 때문에본 연구의 주목적인 영상 복원에 대한 정확도 평가만 수행하였다. 따라서 본 연구에서는 구름으로 인해 결측된 영역에 대한 복원영상의 정확도 평가를 위해 복원된 영상은 분류 후에도 참조영상과 같은 클래스를 가져야한다는 가정 하에 참조영상과 복원영상 간의 영상분류를 통해 정확도 평가를 수행하였다(Park and Kim, 2012; Shiu et al., 2011; Kim et al., 2014).

영상의 분류방법은 감독분류방법 중에서 가장 활용도가 높은 최대우도법(MLC, Maximum Likelihood Classification, MLC)을 이용하였으며 6개의 클래스(산림, 수역, 도시, 농지, 초지, 나대지)로 구분하여 영상을 분류하였다. Fig. 7은 참조영상과 두 가지의 방법으로 제작한 복원영상과 복원된 영상을 6개의 클래스로 MLC 분 류한 결과이다. Fig. 7(a), (d)는 참조영상과 참조영상의 MLC결과이며, Fig. 7(b), (e)는 첫 번째 방법으로 복원한 영상과 그에 대한 MLC 결과영상, Fig. 7(c), (f)는 두 번째 방법으로 복원한 영상과 그에 대한 MLC결과 영상이다. Table 4는 참조영상의 분류결과를 참조자료로 하여 기존 복원 방법(Method#1)으로 복원한 영상과 본 연구에서 제안한 방법(Method#2)으로 복원한 영상의 분류결과에 따른 각 클래스별 분류 정확도, 전체정확도(overall accuracy), 카파계수(Kappa coefficient)를 나타냈다.

Fig. 7.  Results of MLC of reference and restoration images (a) reference image, (b) restoration image using reference image, (c) restoration image using simulation image (d) MLC of reference image, (e) MLC of restoration image using reference image, (f) MLC of restoration image using simulation image.

Table 4.  Accuracy assessment of MLC 

각 클래스별 분류정확도는 생산자 정확도(producer’s accuracy)와 사용자 정확도(user’s accuracy)로 구성되어있다. 생산자 정확도는 누락오차라고도 하며 해당 클래스가 어느 클래스로 얼마나 분류될 수 있는가를 나타내는 지표를 의미한다. 사용자 정확도는 수행오차 또는 신뢰도라고도 부르며 참조자료를 기준으로 복원영상이 해당 클래스가 얼마나 정확하게 분류가 되었는지에 대한 지표를 나타낸다. 따라서 본 연구에서는 복원영상의 해당 클래스에 대한 정확도는 사용자 정확도로 확인하였다.

각 클래스별 분류정확도 결과, 첫 번째 복원방법과 두 번째 복원방법 둘 다 농업지역을 제외한 모든 지역에서는 분류 결과가 70% 이상의 높은 정확도를 나타냈다. 농업지역의 경우 일부 농지가 비닐하우스, 농로 등으로 인해 도시나 나대지로 오분류 되어 다른 클래스에 비해 낮은 정확도를 나타낸 것으로 판단된다. 전체정확도는 영상 전체 화소 수에 대해 정확하게 분류된 화소 수로 첫 번째 복원방법이 83.78%, 두 번째 복원방법이 89.40%로 STARFM을 적용하여 복원한 영상의 정확도가 기존의 영상 복원방법보다 더 높은 것을 알 수 있었다.

카파계수는 복원영상과 참조영상 사이의 일치도 및 정확도를 나타내는 지표로 0.8 이상의 값을 가질 경우 일치도가 높음을 의미하며 0.4에서 0.8 사이의 값을 가질 경우 보통이며, 0.4 이하일 경우 일치도가 낮음을 의미한다(Jensen, 2005). 본 연구에서는 기존 방법으로 영상을 복원한 것보다 STARFM을 이용하여 영상을 복원한 것이 전체정확도 89.40%, 카파계수 0.82로 참조영상 간의 일치도가 더 큰 것으로 STARFM을 적용하여 영상을 복원했을 때 효과적임을 나타낸다.

5. 결론

본 연구에서는 Landsat 8호 영상의 활용성을 저해하는 요소 중 하나인 구름으로 인해 결측된 영역을 복원하기 위해 STARFM 알고리즘을 이용하여 결측 지역을 복원하는 방법을 수행하였다. 먼저, 구름 및 구름그림자 영역을 탐지하기 위하여 Landsat 위성영상으로부터 제공되는 QA밴드를 이용하여 구름 탐지 및 제거하였다. QA밴드를 이용한 구름 탐지 및 제거방법은 기존의 구름탐지 방법인 근적외선 밴드와 같이 특정 밴드에 임계값을 적용하는 방법에 비해 간단하게 두꺼운 구름과 얇은 구름을 제거할 수 있었다. 기존에 임계값을 적용하여 구름을 탐지하는 방법은 임계값에 따라 결과가 민감하게 도출되므로 촬영된 날짜에 따라 또는 연구지역에 따라 임계값이 변하기 때문에 매번 임계값을 결정해 주어야하는 번거로움이 있었다. 또한 연무와 같은 얇은 구름 형태는 육지와의 반사율이 혼합되어 오탐지가 일어날 확률이 크다. 그러나 QA밴드는 시기별, 영상별, 지역 별 차이 없이 일정한 값을 통해 구름을 탐지할 수 있으며 연무와 같은 얇은 구름에 대해서도 효과적으로 탐지가 되는 것을 알 수 있었다. 본 연구에서는 구름이 제거된 영역에 대해 STARFM 알고리즘을 이용하여 결측된 영역을 복원하는 방법을 제안하였다. 제안한 방법은 STARFM 알고리즘을 통해 MODIS 영상과 Landsat 영상을 융합하여 구름으로 인해 결측된 날의 Landsat 모의영상을 제작하여 결측된 영역에 내삽하여 복원하였다. 또한 제안한 방법의 효용성 검증을 위해 기존 영상 복원 방법과 제안한 영상 복원 방법을 MLC 감독분류를 통해 복원된 정도에 대한 정확도 평가를 수행하였다. 그 결과, 제거된 구름 영역을 복원할 시 STARFM 알고리즘을 적용하여 복원하는 방법이 전체정확도 89.40%, 카파계수 0.82로 기존 복원방법보다 효과적인 것을 확인할 수 있었다. 이는 위성영상을 이용하여 재난 피해 분석을 위해서 필수적인 피해 전 최근 영상 수급이 가능해지며 뿐만 아니라 지속적인 재난 모니터링 관측이 가능하게 된다. 따라서 본 연구결과를 통해 구름의 영향을 많이 받는 여름철 청천영상 수급에 대한 문제점을 해결하여 향후 Landsat 영상을 이용한 재난 분석 수행 시 활용도를 높일 수 있을 것으로 기대된다.