Evaluation of the Utility of SSG Algorithm for Image Restoration of Landsat-8

Landsat 8호 영상 복원을 위한 SSG 기법 활용성 평가

Abstract

Landsat satellites are representative optical satellites that have observed the Earth's surface for a long-term, and are suitable for long-term changes such as disaster preparedness/recovery monitoring, land use change, change detection, and time series monitoring. In this paper, clouds and cloud shadows were detected using QA bands to detect and remove clouds simply and efficiently. Then, the missing area of the experimantal image is restorated through the SSG algorithm, which does not directly refer to the pixel value of the reference image, but performs restoration to the pixel value in the Experimental image. Through this study, we presented the possibility of utilizing the modified SSG algorithm by quantitatively and qualitatively evaluating information on variousl and cover conditions in the thermal wavelength band as well as the visible wavelength band observing the surface.

Landsat 위성은 지구표면을 장기간 관측한 대표적인 광학위성으로 재난 대비/복구 모니터링, 토지 이용 변화, 변화 탐지, 시계열 모니터링 등의 장기적인 변화에 활용하기 적합한 위성이다. 본 연구에서는 간단하고 효율적으로 구름을 탐지 및 제거하기 위해 QA밴드를 이용하여 구름 및 구름 그림자를 탐지하였다. 그 다음, 참조영상의 화소값을 직접 참조하는 것이 아닌 복원을 수행할 영상 내 화소값으로 복원을 수행하는 SSG 알고리즘을 통해 영상의 결측영역을 복원하였다. 본 연구를 통하여 지표를 관측하는 기존의 가시광선 영역뿐만 아니라 열 파장대역의 다양한 토지피복 상태의 정보를 복원하여 정량·정성적으로 평가함으로써 변형된 SSG 알고리즘의 활용 가능성을 제시하고자 하였다.

요약

Landsat 위성은 지구표면을 장기간 관측한 대표적인 광학위성으로 재난 대비/복구 모니터링, 토지 이용 변화, 변화 탐지, 시계열 모니터링 등의 장기적인 변화에 활용하기 적합한 위성이다. 본 연구에서는 간단하고 효율적으로 구름을 탐지 및 제거하기 위해 QA밴드를 이용하여 구름 및 구름 그림자를 탐지하였다. 그 다음, 참조영상의 화소값을 직접 참조하는 것이 아닌 복원을 수행할 영상 내 화소값으로 복원을 수행하는 SSG 알고리즘을 통해 영상의 결측영역을 복원하였다. 본 연구를 통하여 지표를 관측하는 기존의 가시광선 영역뿐만 아니라 열 파장대역의 다양한 토지피복 상태의 정보를 복원하여 정량·정성적으로 평가함으로써 변형된 SSG 알고리즘의 활용 가능성을 제시하고자 하였다.

1. 서론

Landsat 위성은 다중 스펙트럼 대역, 중간 공간 해상도로 지구표면을 장기간 관측한 대표적인 광학위성으로 재난 대비/ 복구 모니터링, 토지 이용 변화, 변화 탐지, 시계열 모니터링 등의 장기적인 변화에 활용하기 적합하여 다양한 분야에 가장 널리 사용되고 있다(Hansen and Loveland, 2012; Margono et al., 2012; Tulbure et al.,2016; Zhu, 2017; Bullock et al., 2020). 그러나 Landsat 위성은 광학위성 영상 특성상 구름, 구름그림자들의 영향을 받아 분석의 오류를 초래하며 주기적인 시계열 분석에 한계가 있다(Zhu and Woodcock, 2014). 따라서 Landsat 위성 영상을 사용하기 위해서는 먼저 구름을 탐지하여 제거하는 것은 가장 중요한 전처리 단계 중 하나이며 (Zhu et al., 2018), 결측된 부분이 없는 주기적인 시계열 모니터링을 위해서는 추가적인 영상 복원 작업이 필요하다(Zhu et al., 2012).광학위성 영상의 구름으로 인한 결측영역 문제를 해결하기 위해 MODIS나 Suomi-NPP영상은 8일 간격, 16일 간격 또는 한 달을 주기로 일별 영상을 합성한 구름 없는 표면 반사율(surface reflectance), 식생지수와 같은 산출물을 제작하고 있으나 이는 재방문주기가 1일인 위성에 해당되는 경우이며 Landsat은 재방문주기가 16일이기 때문에 단기간 합성 산출물을 만드는 데 한계가 있다. 이러한 Landsat 영상에서 구름 탐지 및 복원 연구는 Landsat 7호의 Scan Line Corrector(SLC)의 결함으로 인해 누락된 영역을 복원하기 위해 많은 연구가 진행되어 왔다.

구름 탐지 연구는 크게 2가지로 다중 영상 기반 방법과 단일 영상 기반 방법으로 구분할 수 있다. 다중 영상 기반의 구름 영역 탐지 방법은 여러 장의 위성 영상을 통해 변화된 부분을 탐지하는 것이며, 단일 영상 기반의 구름 영역 탐지 방법은 특정 밴드에 임계값을 적용하여 구름 화소를 구별하는 것으로 다중 영상 기반보다 간단하고 효율적이기 때문에 단일 영상 기반의 방법이 구름 탐지에 주로 사용된다(Zi et al., 2018).하지만 단일 영상 기반한 영상은 특정밴드에 임계값을 적용하여 구름을 탐지하는 방법은 영상 촬영 시기별, 지역별에 따라 임계값이 매번 다르며 이러한 임계값에 따라 결과가 민감하게 도출된다는 단점이 있다.

구름 영역을 탐지하여 제거된 영역에 대한 복원 연구는 크게 4가지 (compositing, regression, data fusion, neighborhood pixel interpolation)로 구분할 수 있다(Jin et al., 2013). 첫 번째, 합성(compositing)을 통한 영상 복원은 구름의 영향이 없는 참조영상의 화소값을 기준 영상의 결측된 화소와 대체하는 방법이다. Roy (2000)는 최대 정규식생지수, 최대 밝기온도, 최대 표면온도 등과 같이 효과적인 합성 기준을 제시하였다. 하지만 합성 방법을 통해 대체되는 화소값은 참조영상에만 의존하기 때문에 참조영상과 기준 영상 간의 대기 상태 등의 차이로 인해 화소의 품질에 영향을 받을 수 있다. 두 번째, 회귀(regression)을 통한 영상 복원은 기준 영상과 참조영상 간의 회귀방정식 또는 히스토그램 매칭을 통해 영상을 복원하는 방법이다(Helmer and Ruefenacht, 2005). 세 번째, 데이터 융합(data fusion)을 통한 영상 복원은 다시 기 영상으로부터 영상을 복원하거나 타 위성 센서로부터 취득된 영상을 통해 결측 영역을 복원하는 방법이다(Wang et al., 1999; Roy et al., 2008).

네 번째,이웃 화소 보간(neighborhood pixel interpolation)을 통한 영상 복원은 구름으로 인해 결측된 영역을 채우기 위해 초점 평균(focal mean), 최근린 계산법(chen et al., 2011)과 지리 통계방법(Zhang et al., 2007)이 포함된다. 이 방법은 인접한 화소에 의존하기 때문에 대규모 구름 영역에 대해서는 한계가 있다.

기존 구름 탐지 및 복원 연구들은 대부분 단일밴드에 임계값을 적용하여 구름을 탐지 및 제거하고, 참조영상의 화소값을 참조하여 한정적인 밴드에 대해서만 복원을 수행하였다. 본 연구에서는 간단하고 효율적으로 구름을 탐지 및 제거하고 복원을 수행하고자 한다. 영상 촬영 시기별, 지역별 차이 없이 일정한 값을 통해 구름을 탐지할 수 있는 QA밴드를 이용하여 구름 및 구름그림자를 탐지하고, 참조영상의 화소값을 직접 참조하는 것이 아닌 복원을 수행할 영상 내 화소값으로 복원을 수행하는 Spectral Similarity Group (SSG) 기법을 통해 영상을 복원하였다.

Kim et al.(2014)이 제안한 변형된 SSG 알고리즘은 다중분광밴드(5번, 4번, 3번, 2번 밴드)에 대해 수행하였지만 본 연구에서는 Landsat 8호의 1번 밴드를 제외한 전체 다중분광밴드와 열 적외 밴드에 대해 복원을 수행하여 변형된 SSG 알고리즘의 활용 가능성을 제시하고자 하였다.

2.연구 방법

본 연구의 실험과정은 (1) 구름 탐지 및 제거와 (2) 제거된 영역에 대한 영상 복원, (3) 정확도 평가로 3단계로 구성되어 있다 (Fig. 1). 구름 탐지 및 제거 단계에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 구름 및 구름그림자 영역을 탐지하여 제거하였다. 제거된 영역에 대한 복원 단계에서는 SSG 알고리즘을 이용하여 영상 복원을 수행한 다음, 복원된 영상은 원본영상과, R², RMSE를 통해 복원 정도를 각 밴드별, 연구지역별 평가하였다.

Fig. 1. Flow chart.

1) 구름 영역 탐지 및 제거

광학위성영상에서 구름 및 구름그림자는 구름 아래의 지표 정보를 차단하고, 지표 온도를 낮추는 등 영상 분석에 장애물 중 하나이다. 구름은 높은 반사율(reflectance)과 주변보다 낮은 밝기 온도(brightness temperature)를 나타내며 이러한 분광 특성을 이용하여 여러 가지 구름 탐지 및 구름 제거 기법들이 개발되었다(Saunders and Kriebel, 1988; Rossow and Garder, 1993; Kim et al., 2014; Lee and Lee, 2015).기존 구름 탐지 및 제거 연구들은 구름의 분광 특성을 이용하여 단파적외 밴드, 열 적외 밴드, cirrus 밴드와 같이 특정 밴드에 단일 임계값 및 적응형 임계값을 적용한 구름 탐지가 대부분이다(Lee and Lee 2015; Sun et al., 2017).하지만 구름은 구름의 두께, 고도에 따라 분광특성이 다르게 나타나고 구름 아래의 다양한 토지 피복과 혼재되어 이질적인 분광특성으로 인해 특정 밴드에 임계값를 적용한 구름 탐지는 영상 촬영 시기, 지역에 따라 상이하여 정확한 구름 탐지는 한계가 있다(Zhu and Woodcock, 2014).본 연구에서는 지역, 밴드마다 상이한 임계값이 아닌 정형화된 값으로 구름을 탐지하고 제거하기 위해 Landsat 8호 영상에 포함되어 있는 QA밴드를 이용하였다. Table 1과 같이 Landsat 8호의 QA밴드에서 ‘322’, ‘386’, ‘834’, ‘898’, ‘1346’, ‘324’, ‘388’, ‘836’, ‘900’, ‘1348’에 해당되는 화소값은 구름 및 구름그림자의 영향을 받지 않는 화소(clear pixel)로 구분하여 해당되는 화소값을 제외한 모든 화소값을 구름 및 구름그림자로부터 영향을 받은 화소로 간주하였다. QA밴드에서 구름 및 구름그림자로 영향을 받은 화소와 동일한 위치에 있는 실험영상의 화소값을 NaN값 처리하는 방법으로 구름 화소를 제거하였다.

Table 1. Pixel QA values of Landsat-8 collection 1 level-2

2) 제거된 영역 복원

구름 및 구름그림자가 제거된 영역을 복원하기 위하여 영상 간 유사한 분광값 그룹을 설정하여 화소값을 추정하는 Spectral Similarity Group(SSG) 알고리즘을 적용하였다. 분광값이 비슷한 화소들은 같은 종류의 지표 피복을 가질 가능성이 높으며, 같은 토지피복은 다른 날짜에 촬영된 영상이라도 환경 변화가 일어나지 않은 경우 유사한 분광값을 가진다(Chen et al., 2011).이러한 SSG 개념으로 구름 및 구름그림자 영역을 복원하는 알고리즘은 Jin et al.(2014)이 제안한 방법으로 기존 영상 복원방법에 주로 사용되었던 참조영상을 그대로 사용하는 것이 아닌 참조영상 화소의 좌표만 이용하여 실험영상의 화소값을 통해 결측 영역을 복원하는 것이다. 다른 시기에 촬영된 참조영상을 그대로 사용하지 않고 실험영상 내 화소값으로만 복원하기 때문에 계절적 변화에 큰 영향을 받지 않는다(Kim et al., 2014).기존 영상복원에 주로 사용하는 방법은 다른 날 취득된 청천 영상 또는 타 위성영상으로부터 화소값을 참조하는 것이 일반적이었지만 변형된 SSG 알고리즘은 타 영상 자료의 화소값을 사용하는 것이 아닌 참조영상의 화소값 위치만 참조할 뿐 화소값은 복원하고자 하는 실험영상에서 참조하는 방법이다.

변형된 SSG 알고리즘은 Jin et al. (2013)가 제안한 SSG 알고리즘에서 Kim et al.(2014)이 변형한 방법으로 크게 3단계로 구성된다(Fig. 2).

Fig. 2. Concept of cloud area restoration method using modified SSG algorithm (a) Step 1, (b) Step 2, (c) Step 3.

(1) 먼저 Fig. 2(a)과 같이 실험영상에서 마스킹된 화소 위치와 동일한 위치의 화소값을 참조영상에서 구한다 (Fig. 2(a)의 남색 대각선 표시).

(2) 구해진 참조영상의 화소값과 유사한 화소값(±1%)을 가지는 화소값을 참조영상에서 위치를 찾는다(Fig. 2(b)의 노란색).그 다음, 찾은 참조영상의 해당 화소와 동일한 위치로 실험영상의 화소값을 구한다 (Fig. 2(b)의 빨간색 선)

(3) 구해진 실험영상의 화소값을 평균내어 평균값을 기준으로 양쪽 표준편차 내에 있는 좌표들의 화소값만 대상으로 하여(Fig. 2(c)의 빨간색) 다시 평균값을 계산하여 결측 영역에 대입하여 영상을 복원하였다. 이 과정은 탐지된 구름 및 구름그림자 영역의 각화소에 대하여 반복적으로 적용되며 각각의 분광밴드마다 독립적으로 수행되었다.

3) 정확도 평가

본 연구에서 산출된 복원 화소값에 대한 정확도 평가를 위하여 각 밴드 영상마다 실제영상과 복원 영상 간의 R²(결정계수, coefficient of determination)와 RMSE(평균제곱근오차, Root Mean Square Error)의 통계적 값을 이용하였다. R²는 자료가 추정한 모형에 얼마나 잘 맞는지, 적합한지 정도를 재는 척도로, 결정계수라 불린다. R²는 0에서 1사이의 값을 나타낸다. 0에 가까울수록 설명력이 낮고, 1에 가까울수록 설명력이 높다고 판단한다(Morck et al., 2000; Durnev et al., 2003) R²는 식(1)과 같다. RMSE는 추정한 값과 실제 값 간의 차이에 대해 다룰 때 사용되는 척도이며 식(2)와 같다(Willmott and Matsuura, 2005).

\(R^{2}=\frac{\sum_{j=1}^{n}\left(\hat{y}_{i}-\bar{y}\right)^{2}}{\sum_{j=1}^{n}\left(y_{i}-\bar{y}\right)^{2}}\)       (1)

\(R M S E=\sqrt{\frac{1}{n} \sum_{j=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}}\)       (2)

여기서, \( \hat y_i\) 은 번째 추정값, y_i은 실제 관측값, \(\bar y_i\) 는 실제 관측값의 평균, n은 전체 표본개수를 나타낸다.

3.연구지역 및 자료

1) 연구 대상지역

본 연구의 연구지역은 남한 중심을 촬영하고 있는 Landsat 8호 115-35(path-row)에서 산림, 수계, 초지, 농업지역, 나지, 시가지 지역 등 다양한 토지피복을 포함하고 대전을 중심으로 도시지역(Study area #1)과 논과 밭이 주 토지피복인 익산시, 김제시 주변(Study area #2)을 연구지역으로 선정하였다. Fig. 3은 연구지역과 Landsat 8호 영상을 나타냈다.

Fig. 3. Study area and Landsat-8 image (R/G/B: 4/3/2).

2) 연구 자료 구축

본 연구에서는 복원 영상의 복원 정도를 실제 영상 관측값과 비교하기 위해 영상의 정확도 검증을 위하여 구름이 없는 날 촬영된 원본영상(Original image, t₀)에 인위적으로 시험지역을 마스킹 처리하였다. 마스킹 방법은 원본영상에 다른 시기에 촬영된 영상에서 구름 영역(Cloud image, t₁)을 가져와 반영하는 방법이며 원본영상에 구름 영역이 반영되어 만들어진 영상을 실험영상(Experimental image)이라고 하였다 (Fig. 4).본 연구에서는 실험영상의 제거된 영역(Fig. 4(c)에서 빨간색 영역)에 대해 변형된 SSG알고리즘을 통해 복원하였으며 복원한 영역은 원본영상과 정확도 검증을 수행하였다.

Fig. 4. input data for generating experimental image (a) Original image, (b) QA band of cloud image, (c) experimental image (cloud revomal area: red).

변형된 SSG 알고리즘을 적용하기 위한 입력자료는 (1) 구름을 포함하고 있는 실험영상(원본영상에서 인위적으로 구름 영역이 제거된 영상)과 (2) 실험영상을 복원하기 위해 화소 위치 정보를 참고할 참조영상이 필요하다. 참조영상은 원본영상과 같은 시기(같은 월)에 촬영된 영상 중 구름의 영향이 가장 적은 날(구름 10% 미만) 촬영된 영상으로 Table 2와 같다. 참조영상을 통해 복원된 영상은 원본영상과 정확도 평가를 진행하였다. 본 연구에서 사용된 원본영상, 구름 영상, 참조영상은 모두 Landsat 8호 Collection 1 Level-2 자료를 사용하였다. Level-2 자료는 기존 DN자료로 제공되는 Level-1자료에서 산출되었으며, 사용자의 분석 편의를 위해 시간적, 공간적, 스펙트럼적으로 변화하는 대기효과를 제거해주기 위해 추가적으로 보정된 자료이며(Teixeira Pinto et al., 2020), United States Geological Survey EROS Science Processing Architecture(USGS ESPA)에서 사용자 요청 하에 무상으로 제공받을 수 있다 (https://espa.cr.usgs.gov/). 본 연구에서는 지표를 관측하는 가시광선 및 열(Thermal) 정보 파장대역의 복원을 목적으로 하기 때문에 해안 및 에어로졸 관측 파장대역(1, 9번 밴드)과 전정색 영상(PAN, Panchromatic:8번 밴드)을 제외한 2, 3, 4, 5, 6, 7, 10, 11밴드를 대상으로 실험영상을 구축하고 연구를 수행하였다. 사용한 2~7번 밴드는 Operational Land Imager(OLI) 센서를 통해 취득된 다중분광밴드로, Level-2 지표 반사율(surface reflectance) 자료를 사용하였고, 10~11번 밴드는 Thermal Infrared Sensor(TIRS) 센서로 취득된 열 적외 밴드로, 대기 상부 밝기온도(TOABT, Top of Atmosphere Brightness Temperature) 자료를 사용하였다(Table 3).

Table 2. Acquired date of Landsat-8 data

Table 3. Band wavelengths and band uses of Landsat-8

4. 실험 결과

본 연구에서는 변형된 SSG 알고리즘의 복원 정확도 평가를 위해 실험영상에서의 구름으로 인해 결측된 영역을 변형된 SSG 알고리즘을 통해 복원한 영상과 원본영상 간의 각 밴드에 대해 정확도 검증을 수행하였다. Fig. 5은 연구대상지역에 대해 다중분광밴드의 원본영상, 실험영상과 복원된 영상을 자연색상 조합(R/G/B:4/3/2)으로 나타낸 것이며, Fig. 6은 Fig. 5와 동일한 영상을 식생이 붉은색으로 강조된 위색조합영상(R/G/B:5/4/3)으로 나타내었다. Fig. 7은 연구지역에 대한 열 밴드 영상의 원본영상, 실험영상과 복원된 영상을 나타낸 것이다. Fig. 5~7(a), (d)는 연구대상지역의 원본영상이며, Fig. 5~7(b), (e)에서 연구대상지역의 실험영상으로 Fig. 5(b), (e)는 빨간색 부분을 복원하였으며, Fig. 6~7(b), (e)는 노란색 부분을 복원하였다. Fig. 5~7(c), (f)는 복원 영상이다. 복원된 영상에서는 육안상으로 토지피복 구분이 가능할 정도로 복원된 것을 확인할 수 있으며 정량적인 분석을 위해 각 밴드별, 연구대상지역별 정확도 평가를 하였다(Table 4).

Fig. 5. Original (left), experimental (middle, cloud removal area : Red), restoration (right) images of study area (R/G/B: 4/3/2). (a)~(c) Sutdy area #1, (d)~(f) Study area #2.

Fig. 6. Original (left), experimental (middle, cloud removal area : yellow), restoration (right) images of study area (R/G/B: 5/4/3). (a)~(c) Sutdy area #1, (d)~(f) Study area #2.

Fig. 7. Original (left), experimental (middle, cloud removal area : Yellow), restoration (right) images of study area (Thermal band 10). (a)~(c) Study area #1, (d)~(f) Study area #2.

Table 4. Accuracy of Restoration image

정확도 평가는 원본영상(Fig. 5~7(a), (d))과 복원 영상(Fig. 5~7(c), (f)) 간 R², RMSE를 산출하였다. Table 4는 2개의 연구대상지역에 대해 각 밴드별 R², RMSE 값이며 Table 5은 원본영상과 복원 영상 간의 복원된 픽셀 값에 대한 산포도를 나타낸 그림이다. 산포도에서 파란색 점은 영상 화소값이며, 빨간선은 회귀선, 점선은 1대 1 기준선이다.

Table 5. Scatter plot

위성센서별 정확도 분석 결과, 도시지역(Study area#1)에서는 5번 밴드(OLI센서)와 10번 밴드(TIRS센서)의 R²가 각각 0.813과 0.903으로 가장 높게 나왔으며, RMSE는 2번 밴드(0.010)와 11번 밴드(1.050K)가 가장 낮게 나왔다. 농업지역(Study area #2)에서는 4번 밴드(OLI센서)와 10번 밴드(TIRS 센서)의 R²가 각각 0.827과 0.886으로 가장 높게 나왔으며 RMSE는 2번 밴드(0.011)와 11번 밴드(1.141K)가 가장 낮게 나타났다. 또한, 2곳의 연구대상 지역에서 동일하게 OLI센서에서는 6번 밴드를 제외한 모든 밴드에서 R²가 0.7 이상의 높은 정확도를 나타냈으며 TIRS센서에서는 10번 밴드가 가장 높은 R²를 나타냈다.

본 연구에서는 복원 대상 영역이 토지 및 식생 부분에 집중되어 있어 토양 및 식물의 수분 조건에 민감하게 반응하는 6번 밴드가 다른 밴드에 비해 정확도가 낮게 나타난 것으로 추정되지만 보다 정확한 원인을 분석하기 위해서는 추가적인 연구가 필요하다고 판단된다. 정확도가 가장 높게 나온 10번 밴드는 지표면으로부터 방출되는 복사에너지의 양을 측정하여 지표 온도를 측정하는 열 적외 밴드로 도시 열섬 분석에 용이한 밴드이다. OLI센서를 통해 취득된 다중분광밴드의 전체 평균 R²는 0.766, TIRS 센서를 통해 취득된 열 밴드의 전체 평균 R²는 0.891을 나타냈다. 따라서 변형된 SSG 알고리즘은 다중분광밴드 복원뿐만 아니라 열 밴드 복원에도 효과적임을 알 수 있었다.

연구대상지역에 따른 분석 결과, 평균 R²는 도시지역(Study area#1)에서 0.783, 농업지역(Study area #2)에서 0.813으로 나타났다. 변형된 SSG 알고리즘은 대체로 도시지역보다 농업지역 복원 시 더 높은 정확도를 나타내는 것을 알 수 있었다. 하지만 편차를 나타내는 RMSE는 도시지역의 다중분광밴드에서 0.019, 열 밴드에서 1.085를 나타냈으며 농업지역의 다중분광밴드의 RMSE는 0.022, 열 밴드에서 1.197로, 농업지역에서 다중분광밴드와 열 밴드의 편차가 더 크게 나타내는 것을 알수 있었다. 도시지역은 콘크리트, 다양한 건축자재, 아스팔트 등 인공적인 피복으로 이루어져 있어 농업지역에 비해 혼재된 분광특성을 가지고 있기 때문에 영상 복원 시 농업 지역의 R²가 더 높게 나타난 것으로 판단된다. 그에 비해 농업지역은 논과 밭의 특성상 시 계열 변화 양상이 뚜렷한 식생을 많이 포함하고 있으며(Kim et al., 2011), 식생을 포함한 지역 내에서도 작물의 종류별, 작황 상태에 따라 토지상태 변화에 따른 분광특성도 상이하기 때문에 편차가 도시지역에 비해 크게 나타나는 것으로 판단된다.

5. 결론

Landsat 위성은 지구표면을 장기간 관측한 대표적인 광학위성으로 재난 대비/ 복구 모니터링, 토지 이용 변화, 변화 탐지, 시계열 모니터링 등의 장기적인 변화에 활용하기 적합한 위성이다. 하지만 구름 및 구름그림자는 Landsat 위성영상의 활용을 저해하는 가장 큰 요소 중 하나로 본 연구에서는 QA밴드를 이용하여 구름 및 구름그림자를 제거하고 제거된 영역에 대해 변형된 SSG 알고리즘을 통해 복원을 수행하였다. 변형된 SSG 알고리즘의 활용성 평가를 위해 복원한 영상 결과와 원본영상 간의 R², RMSE를 통해 복원 정도에 대한 정확도 평가를 수행하였다.

그 결과, OLI센서를 통해 취득된 다중분광밴드 중 6번 밴드를 제외한 모든 밴드에서 R²가 0.7 이상을 나타냈으며, 전체 평균 R²는 0.766을 나타냈다. TIRS 센서를 통해 취득된 열 밴드는 두 연구지역 모두 10번 밴드의 R²가 0.903, 0.886으로 가장 높은 정확도를 나타냈으며 열 밴드 전체 평균 R²는 0.891을 나타냈다.

연구지역에 따른 분석 결과, 평균 R²는 도시지역(Study area#1)에서는 0.783,농업지역(Study area#2)에서는 0.813으로 나타났다. 변형된 SSG 알고리즘은 대체로 도시지역보다 농업지역 복원 시 더 높은 정확도를 나타내는 것을 알 수 있었다.

변형된 SSG 알고리즘은 기존 영상 복원방법에 주로 사용되었던 참조영상을 그대로 사용하는 것이 아닌 참조영상 화소의 좌표만 이용하여 실험영상 내 화소값으로만 복원하기 때문에 실험영상과 참조영상 간의 화소값 변화, 계절적 변화에 큰 영향을 받지 않는 것이 장점이다. 본 연구를 통하여 지표를 관측하는 기존의 가시광선 영역뿐만 아니라 열 파장대역과 다양한 토지피복 상태의 정보를 복원하여 정량·정성적으로 평가함으로써 구름의 영향으로 활용성에 제한적이었던 재난, 국토, 기상, 환경 등 다양한 분야에 위성영상의 활용성이 증진될 수 있을 것으로 기대된다.