DOI QR코드

DOI QR Code

UNet기반 Sentinel-1 SAR영상을 이용한 수체탐지: 섬진강유역 대상으로

Waterbody Detection Using UNet-based Sentinel-1 SAR Image: For the Seom-jin River Basin

  • 이도이 (부경대학교 지구환경시스템과학부) ;
  • 박소련 (부경대학교 지구환경시스템과학부) ;
  • 서동주 (현강이엔지(주)) ;
  • 김진수 (부경대학교 공간정보시스템공학과)
  • Lee, Doi (Division of Earth Environmental System Science, Pukyong National University) ;
  • Park, Soryeon (Division of Earth Environmental System Science, Pukyong National University) ;
  • Seo, Dongju (Hyun Kang Engineering Co., Ltd.) ;
  • Kim, Jinsoo (Department of Spatial Information Engineering, Pukyong National University)
  • 투고 : 2022.10.10
  • 심사 : 2022.10.20
  • 발행 : 2022.10.31

초록

전 세계적인 기후변화로 재해발생빈도가 증가하고 있으며, 국내에서도 이례적인 폭우 및 장마현상이 발생되고 있다. 이러한 기상이변현상은 가뭄, 홍수 등으로 이어져 2차피해를 유발할 수 있으므로 주기적인 모니터링과 신속한 탐지가 중요하다. 수체탐지를 위하여 광학영상을 활용한 연구가 지속적으로 이루어지고 있으나, 폭우를 동반하여 발생하는 홍수를 탐지하기 위해서는 구름의 영향으로 탐지하기 어렵다는 한계를 대변하기 위해 전천후 주야에 관계없이 관측가능한 합성개구레이더(synthetic aperture radar, SAR)를 활용한 연구가 필요하다. 본 연구에서는 개방데이터로서 24시간 이내에 수집 가능한 Sentinel-1 SAR 영상을 활용하여 최근 다양한 분야에서 활용되고 있는 딥러닝 알고리즘인 UNet을 적용하였다. 선행연구에서 SAR영상과 딥러닝 알고리즘을 이용하여 수체탐지 연구가 진행되고 있지만, 국내를 대상으로 소수의 연구만이 진행되었다. 따라서 SAR 영상의 딥러닝 적용가능성을 파악해보고자 UNet과 기존의 알고리즘인 임계값(thresholding) 방법을 비교하였으며, 5가지 지수와 Sentinel-2 normalized difference water index (NDWI)로 평가하였다. Intersect of union (IoU)로 정확도를 평가해 본 결과 UNet은 0.894, 임계값 방법은 0.699로 UNet의 정확도가 높은 것을 확인할 수 있었다. 본 연구를 통해 딥러닝 기반 SAR영상의 적용가능성을 확인할 수 있었으며, 고해상도의 SAR영상과 딥러닝 알고리즘을 적용한다면, 국내를 대상으로 주기적이고 정확한 수체의 변화탐지가 가능할 것이라 기대된다.

The frequency of disasters is increasing due to global climate change, and unusual heavy rains and rainy seasons are occurring in Korea. Periodic monitoring and rapid detection are important because these weather conditions can lead to drought and flooding, causing secondary damage. Although research using optical images is continuously being conducted to determine the waterbody, there is a limitation in that it is difficult to detect due to the influence of clouds in order to detect floods that accompany heavy rain. Therefore, there is a need for research using synthetic aperture radar (SAR) that can be observed regardless of day or night in all weather. In this study, using Sentinel-1 SAR images that can be collected in near-real time as open data, the UNet model among deep learning algorithms that have recently been used in various fields was applied. In previous studies, waterbody detection studies using SAR images and deep learning algorithms are being conducted, but only a small number of studies have been conducted in Korea. In this study, to determine the applicability of deep learning of SAR images, UNet and the existing algorithm thresholding method were compared, and five indices and Sentinel-2 normalized difference water index (NDWI) were evaluated. As a result of evaluating the accuracy with intersect of union (IoU), it was confirmed that UNet has high accuracy with 0.894 for UNet and 0.699 for threshold method. Through this study, the applicability of deep learning-based SAR images was confirmed, and if high-resolution SAR images and deep learning algorithms are applied, it is expected that periodic and accurate waterbody change detection will be possible in Korea.

키워드

1. 서론

기후변화로 인한 여름철 강우 패턴 변화는 지속적인 재해발생 빈도의 증가로 이어지고 있다(Lee et al., 2020). MOIS (2021)에 따르면, 2020년의 장마는 역대 최대치의 강수일수와 누적 강수량을 기록하며 이례적인 기후현상을 보였다. 이러한 기상이변 현상은 가뭄, 돌발홍수, 제방붕괴 등으로 이어져 인적, 경제적 손실을 유발하므로 이에 대응하기 위해 물의 규모와 범위를 신속하게 파악하는 것이 중요하다. 자연재해는 발생시기와 지역을 예측할 수 없으므로 광범위한 지역에 대한 주기적인 재해 탐지를 위해 위성영상의 활용이 증가하고 있다. 위성은 크게 다중분광센서(multi-spectral sensor)를 가지는 광학(optical)영상과 합성개구레이더(synthetic apertureradar, SAR) 영상으로 이루어져 있으며, 수체탐지를 위해서 광학영상의 센서를 활용한 연구가 지속적으로 이루어지고 있으나 구름으로 인해 연구지역이 가려지는 경우가 많아 주기적인 모니터링을 하기 어렵다는 한계가 존재한다(Caballero et al., 2019; Goffi et al., 2020).

SAR는 주야간 목표물을 탐지할 수 있으며, 전천후에 관계없이 영상을 사용할 수 있으므로, 극단적인 기상상황 및 주기적인 모니터링에 사용되고 있다(Landuyt et al., 2018; Guo et al., 2022). SAR는 물의 정반사(specular reflection)로 인해 센서에서 수신되는 후방산란(backscattering)의 강도가 육지보다 월등히 낮은 값을 가지며 (Bauer et al., 2022), 이에 따라 해안선탐지(Modava and Akbarizadeh, 2017), 수체모니터링(Zhang et al., 2021; Jeong et al., 2021), 홍수탐지(Agnihotri et al., 2019; Conde et al., 2019; Qiu et al., 2021; Helleis et al., 2022), 하천 폭 측정 (Verma et al., 2021) 등 물과 육지의 서로 다른 산란특성을 고려한 연구에 주로 이용되고 있다. 선행연구에서는 수체탐지에 임계값(thresholding), 클러스터링(clustering) 기법 등을 활용하였으며, Liang et al. (2020)은 수체면적을 탐지하기 위해 제안한 임계값 기법인 local과 otsu, kittler-illingworth 방법을 비교하여 90.86%의 정확도를 얻었으나, 임계값 기법을 사용할 때 높은 건물, 도로 등의 문제로 인해 오류 발생확률이 높다는 문제점이 발생하였다. 또한 지역과 시간에 따라 각각의 이미지에 대해 서로 다른 임계값을 설정해야 하기 때문에 신속, 정확성이 필요한 상황에서는 적합하지 않다(Wang et al., 2020).

최근에는 딥러닝 알고리즘인 convolutional neural network (CNN)의 성장으로 분류(classification)와 의미론적 분할(semantic segmentation)을 활용한 이미지 분야의 연구가 증가하는 추세이며, 위성 원격탐사 분야에서도 딥러닝 방법론을 적용한 이미지 분류와 변화탐지 등의 연구가 이루어지고 있다. 기존의 수체탐지를 위한 방법은 픽셀의 범위를 결정하여 매핑하거나, 수동으로 기준을 설정하여 분류하였으나 SAR영상의 경우 스펙클노이즈(speckle-noise)가 존재하므로 모든 픽셀에 적용하기 어렵다는 한계가 존재한다(Guo et al., 2022). 이를 극복하기 위해 선행연구에서는 SAR영상을 활용한 수체탐지를 위해서도 딥러닝을 활용한 연구가 진행되고 있다(Nemni et al., 2020; Katiyar et al., 2021). 해외의 딥러닝 활용한 연구사례는 다수 존재하지만 국내에서의 적용 가능성을 확인할 수 없다. Kim et al. (2021)Kim et al. (2022)는 한국항공우주연구원이 구축하고, AI hub에서 제공하는 Kompsat-5 위성의 수계 레이블 영상을 활용하여 딥러닝 모델의 비교연구를 수행하였다. Kim et al. (2021)은 딥러닝 4가지의 모델에서 132장의 데이터셋과 증강된 3,000장의 위성데이터의 비교하여 각각 intersect of union (IoU) 0.74, 0.80 이상의 정확도를 얻었으며, Kim et al. (2022)는 2,700장의 데이터셋으로 8개의 모델에 대한 증강 및 비증강 데이터의 비교를 통해 UNet에서 최대 IoU 0.97의 정확도를 얻었다. Jeon et al. (2021)은 Sentinel-1 영상과 토지피복도를 레이블 영상으로 딥러닝을 적용하여 IoU 0.771의 결과로 수체탐지 가능성을 제시하였다. 이처럼 최근 국내를 대상으로 SAR영상과 딥러닝을 사용하여 일부의 연구들이 진행되고 있지만 성능 향상을 위한 추가적인 연구가 시도될 필요가 있다.

본 연구에서는 Sentinel-1 SAR 영상을 활용하여 딥러닝 UNet 모델과 기존의 임계값 방법을 적용하여 국내 하천과 저수지의 규모를 탐지하였으며, Sentinel-2 광학영상의 normalized differential water index (NDWI)와의 비교 및 평가를 진행하였다.

2. 데이터셋 구축

1) 연구지역

연구대상지역은 섬진강 일대의 하천 및 저수지로 선정하였다(Fig. 1). 섬진강은 길이 223.86 km, 면적 4,911.89 km2로 한강, 낙동강, 금강에 이어 길이 면적에서 4번째로 큰 강이다. 섬진강유역은 산과 논, 밭으로 이루어져 있으며 유속이 빨라 태풍 및 호우 발생시, 2차적인 피해로 이어질 가능성이 농후하므로 즉각적인 분석 및 모니터링이 필요하다. 지난 2020년 7월과 8월 섬진강 유역에서 발생한 집중호우는 200년 빈도이상의 강우가 발생하였으며, 8월 7일과 8일의 이틀간 섬진강 유역평균 355.4 mm의 강우량이 발생하여 주변 지역이 침수되고 제방이 무너지는 등의 피해가 발생하였다(Lee et al., 2020). 이러한 피해에 대비하여 환경부에서는 ‘섬진강 홍수통제 출장소’를 운영하는 등 큰 힘을 기울이고 있다. 본 연구에서는 전천후 주야간의 모니터링이 가능한 SAR영상을 활용하여 섬진강 일대를 대상으로 수체탐지의 가능성을 분석하였다(Table 1).

OGCSBN_2022_v38n5_3_901_f0001.png 이미지

Fig. 1. Research area: Seom-jin river basin map

Table 1. Satellite imagery used in the study

OGCSBN_2022_v38n5_3_901_t0001.png 이미지

2) 데이터셋

Sentinel-1은 유럽우주국(ESA)의 개방데이터로서, 수집된 후 24시간 이내에 Copernicus open access hub 에서 제공됨에 따라 근 실시간적으로 사용할 수 있다. Sentinel-1은 이중편광(dual-polarization) C-band SAR 영상으로, 동일한 궤도에서 180°의 위상차로 운용중인 Senitnel-1A와 Senitnel-1B를 통해 영상이 수집되며, 각 위성의 주기가 12일로 이루어져 있어 A/B 위성을 함께 사용할 시 6일의 시간해상도(temporal resolution)를 가지고 있다(Ahmad and Kim, 2019).

Sentinel-1 SAR영상은 4가지의 획득 모드로 이미지를 제공하며, interferometric wide (IW) swath 모드는 메인수집 모드로 29.1°와 46° 사이의 입사각에서 획득된다. IW ground range detected-high resolution (GRDH)는 20×22 m (range×azimuth)의 공간해상도(spatial resolution)를 가지고 10×10 m (range×azimuth)의 픽셀간격(pixelspacing) 으로 제공된다(Torres et al., 2012). SAR의 편광은 레이더 파장의 송수신에 따라 달라지며, 수직(vertical) 또는 수평(horizontal)에 따라 VV, VH, HV, HH의 4가지 편광(polarization)이 있다. Sentinel-1의 IW모드에서는 VV편광과 VH편광 영상이 제공되며, VH편광은 식생에서도 낮은 후방산란값을 가져 물과 중첩되는 경향을 보인다는 문제점이 존재한다(Manjusree et al., 2012). 국내 하천, 저수지의 경우 대부분 논, 밭과 같은 식생을 포함하고 있는 경우가 많아, 본 연구는 IW Level-1 GRDH VV편광 영상을 가공하여 국내 하천, 저수지의 논, 밭 등 낮은 후방산란값의 식생에 대한 한계를 극복하고자 하였다(Table 2).

Table 2. Sources of satellites used for research

OGCSBN_2022_v38n5_3_901_t0002.png 이미지

3) 전처리

SAR영상은 태양고도, 구름 및 기상상황의 제약없이 영상취득이 가능하다는 장점을 갖지만 측면관측(sidelooking)으로 영상을 촬영하여 Fig. 2의 (b-c)와 같이 ascending, descending의 관측 방법에 따라 고도에 의한 왜곡이 발생하며, fore-shortening, layover, shadow 등 지형왜곡 문제를 야기한다(Mason et al., 2014; Uddin et al., 2019). 산림청에 따르면, 우리나라 산지비율은 약 64%의 높은 면적을 차지하고 있으며, 산지고도에 의한 왜곡으로 오차가 발생하여 저수지, 강 등의 물이 과대 추정될 수 있다(Fig. 2(d-e)). 따라서 본 연구에서는 Small (2011)이 제시한 radiometric flattening-terrain correction (RTC) 기법을 적용하여 SAR 영상의 지형 왜곡을 줄이기 위해 노력하였다(Fig. 2(f)).

OGCSBN_2022_v38n5_3_901_f0002.png 이미지

Fig. 2. Suri Reservoir in Jeollanam-do: (a) google earth image, (b) ascending, (c) descending, (d) ascending terrain flattening not applied, (e) descending terrain flattening not applied, and (f) terrain flattening applied.

연구에 사용된 SAR 영상의 전처리는 Sentinel 시리즈 분석 소프트웨어인 Sentinel’s application platform (SNAP)의 Sentinel-1 toolbox를 사용하였다. 전처리과정은 (1) 궤도 보정으로 각 이미지에 정확한 궤도 파일을 적용하고 (2) 영상에 존재하는 열잡음(thermal noise)제거, (3) Beta0로의 방사 보정, (4) Lee Sigma 7×7 필터를 사용한스펙클 필터링(speckle-filtering), (5) Gamma0로의 지형 평탄화 및 (6) shuttle radar topography mission (SRTM), digital elevation model (DEM) 1sec를 사용한 지형 보정까지 총 6단계를 통해 진행되었다. 이렇게 처리된 SAR 영상은 0에 가까운 값을 가지게 되므로 아래의 식과 같이 후방산란 계수를 dB (decibels)로 변환하였으며, 식(1)에서 γ0(dB)는 dB에서 Gamma0의 후방산란 영상이고 DN은 위성영상의 digital number를 의미한다.

γ0(dB) = 10 · log10(DN)       (1)

3. 연구방법

1) UNet

UNet은 의미론적 분할 수행에 사용되는 모델로 네트워크 형태가 알파벳 U와 비슷하여 붙여진 이름으로 의생명공학 영상 분할을 위해 개발되었으며, 도시 특성분류, 변화탐지를 위한 연구에도 적용되고 있다(Kim et al., 2020). UNet 모델의 왼쪽은 contracting path로 인코더 (encoder), 오른쪽은 expansive path 디코더(decoder) 구조로 이루어져 있다. 기존 CNN모델의 fully connected (FC) 레이어 대신 3×3의 합성곱(convolution) 과정을 통해 입력 자료를 축소하여 다채널의 특징지도(feature map)를 생성하며, max-pooling 과정에서 이미지의 크기를 줄인다(Katiyar et al., 2021). 이 과정에서 저하된 해상도를 복원하기 위해 인코더에서 연결된 특징 지도를 활용하는 up-convolution 과정을 디코더에서 거친다(Ronneberger et al., 2015; Kim et al., 2020).

2) Thresholding

SAR영상에서 지표면은 후방산란값의 차이에 따라 표면 특징을 쉽게 구분할 수 있으며, 값이 낮을수록 레이더 이미지가 어둡게 나타난다(Liang et al., 2020). 물은 다른 지표면에 비해 낮은 후방산란값을 가지므로, 물에 해당하는 영역의 식별을 위해 픽셀의 히스토그램 분포 차이를 이용하여 임계값을 결정할 수 있다(Fig. 3). 연구에서는 다봉분포(bimodal) 임계값 방법을 사용하여 수체와 비수체의 후방산란값에 따라 이진화된 히스토그램의 차이를 통해 UNet모델과의 비교와 검증을 수행하였다.

OGCSBN_2022_v38n5_3_901_f0003.png 이미지

Fig. 3. Histograms of images used in the study.

3) 입력자료처리

SAR영상은 계절, 날씨 등의 영향으로 수집된 날에 따라 영상의 히스토그램 분포가 다르게 나타난다. 따라서 영상의 정규화를 통해 최소값 –20, 최대값 0의 일관된 값을 갖도록 수정하였다. 이후, 수체(1), 비수체(0)로 이루어진 256×256 크기의 이진 영상(binary image)으로 가공하였으며, 280장의 영상을 모델의 입력 데이터로 생성되었다(Fig. 4).

OGCSBN_2022_v38n5_3_901_f0004.png 이미지

Fig. 4. Examples of data used for training: (a) Input image, (b) Labeled image.

대부분의 픽셀이 수체보다 비수체 지역에 편향되어 있어, 물이 존재하는 이미지를 증강(augmentation)시키는 과정을 추가로 수행하였고, 데이터 증강은 python의 albumentations 라이브러리를 사용하였다. albumentations의 상하좌우 반전(vertical·horizontal-flip), 회전(randomrotate), 격자왜곡(grid-distortion) 함수를 사용했으며, 각 함수는 확률값 p에 의하여 작동된다(Fig. 5). 위와 같은 과정에 대한 반복문을 통해 데이터는 총 1,000장으로 증강하여 8:2의 비율로 랜덤하게 train, validation 데이터 셋을 제작하였다.

OGCSBN_2022_v38n5_3_901_f0005.png 이미지

Fig. 5. Augmentation image example (Vertical·Horizontal-Flip, Random-Rotate, and Grid-Distortion)

4) 모델 성능 평가지표

본 연구에서는 모델의 정량적인 예측 정확도 평가를 수행하기 위해 혼동행렬(confusion matrix)을 사용하였다. 이미지 분류 성능을 평가하기 위해 일반적으로 정확도 (accuracy)가 사용되며, 이는 전체 픽셀에 대하여 정확히 예측한 비율이다. 지도학습의 경우 분류 성능을 평가하기 위해 일반적으로 정확도를 평가하지만, 전체의 표본이 불균형한 경우 높은 정확도의 모델이라도 제대로 예측하지 못하는 문제가 발생할 수 있다(Pashaei et al., 2020). 따라서 정밀도(precision), 재현율(recall), F1-score, IoU의 지표를 사용하여 추가적인 평가를 진행하였다. 정밀도는 예측된 물 픽셀 중 실제 물인 비율, 재현율은 실제 물 픽셀 중 물이라고 예측된 수, F1-score는 정밀도와 재현율의 조화 평균(harmonic mean) 이며, IoU는 모델예측결과와 레이블이 얼마나 중첩되어 있는지를 나타내는 지표이다. 총 5가지 지표를 사용하여 모델 성능을 평가하였으며, 모든 평가 지표는 0과 1 사이값으로 1에 가까울수록 높은 정확도를 가진다.

\(\begin{aligned}Accuracy\;= \frac{Tp+Tn}{Tp+TN+FP+FN} \end{aligned}\)       (2)

\(\begin{aligned}Precision\;=\frac{TP}{TP+FP} \end{aligned}\)      (3)

\(\begin{aligned}Recall \;= \frac{TP}{TP+FN} \end{aligned}\)       (4)

\(\begin{aligned}F1-score\;=2 \times \frac{Precision \times Recall}{Precision + Recall} \end{aligned}\)       (5)

\(\begin{aligned}IoU \; =\frac{Area\; of\; overlap}{Area \; of\; Union} \end{aligned}\)       (6)

* True Positives (TP), True Negatives (TN),

False Positives (FP), and False Negatives (FN).

추가적으로 구름이 없는 맑은 날의 Sentinel-2 광학영상을 사용하여 UNet 모델 예측결과와 비교평가를 수행하였다. 국토지리정보원에서 매년 고도의 영상을 사용하여 토지피복지도(land-cover map)를 제작하지만, 지역별 영상 수집 후 병합을 통해 제작되어, 정확한 시기와 날짜를 알 수 없다. 본 연구는 강수량, 기온, 계절에 따라 면적이 달라지는 수체의 특성으로 발생되는 한계를 보완하기 위해 Sentinel-1 SAR영상과 같은 공간해상도를 가지는 Sentinel-2 Level-2 위성영상을 사용하였으며 광학영상 밴드조합 중 수체 탐지에 효과적인 NDWI (7)로 수체를 레이블하여 비교하였다.

\(\begin{aligned}NDWI \;=\frac{Green-NIR}{Green+NIR} \end{aligned}\)       (7)

4. 연구결과 및 토의

본 연구는 국내를 대상으로, 딥러닝 UNet모델을 활용한 수체탐지를 수행하였다. UNet모델은 batch size 16, epoch 150으로 설정하여 최적의 결과를 얻었으며, GPU geforce GTX 1060, tensorflow 2.4.0버전을 사용하여 학습되었다. UNet모델과 임계값 방법의 분류결과는 5가지 지표에서 Table 3과 같이 전반적으로 UNet의 분류 결과가 높았으며, 0.894의 높은 IoU값을 기록했다. 그러나 Fig. 6의 정성적인 평가결과 UNet의 경우 작은 저수지나 소하천 등 소규모 지역에 대한 판단이 어려웠으며, 임계값의 경우 논과 밭 등 식생에 해당하는 픽셀이 수체로 과대 추정되는 경향이 있었다.

Table 3. Evaluation results of UNet and the Thresholding method

OGCSBN_2022_v38n5_3_901_t0003.png 이미지

OGCSBN_2022_v38n5_3_901_f0006.png 이미지

Fig. 6. Result of input image, label, UNet, and thresholding method.

Fig. 7은 연구대상지역의 일부이자, 섬진강 내 주요 하천 중 하나인 요천의 Sentinel-1 SAR영상과 Sentinel-2 광학영상을 정성적으로 비교한 결과이며, 구름이 없고 영상수집일이 서로 가장 근접한 날짜인 Sentinel-1의 2020년 4월 9일 영상의 UNet모델 예측결과와 Sentinel-2 의 2020년 4월 7일 영상의 NDWI로 제작된 물 마스크를 비교하였다. 전반적인 수체를 탐지할 수 있었으나 NDWI와 UNet의 IoU 값은 0.746으로, 소규모 저수지와 같은 미세한 부분에 대한 분류결과가 좋지 않았다. 이는 SAR영상의 레이더에서 지표면의 물체로부터 반사, 산란되어 관측되는 방식의 특성상 건물이 밀집해 있거나 수표면의 구조물에 의해 발생되는 SAR 영상 왜곡 문제로 인해 다소간 오차가 발생하는 것으로 추정된다.

OGCSBN_2022_v38n5_3_901_f0007.png 이미지

Fig. 7. Compare Sentinel-1 and Sentinel-2 of Yo-cheon: (a) S1 image, (b) S1 NDWI water mask, (c) S2 image, (d) UNet prediction, (e–h) S1 S2 comparison error, and (i–l) Comparison of s1 UNet result and S2 NDWI.

본 연구에서는 타 국가 대비 작은 국토 면적과 소규모 하천이 많은 국내의 특성을 고려한 수체탐지를 수행하였으며, 10 m의 해상도를 가지는 Sentinel-1 SAR영상을 활용한 280장의 데이터를 1,000장으로 증강하여 진행된 UNet모델의 평가결과는 IoU 0.894으로 비교적 높은 결과를 보인 것을 확인할 수 있었다. 증강 전과 후를 비교했을 때, IoU의 값의 변화는 약 0.03의 차이를 보였으나, 정성적인 비교 결과에서는 증강을 수행한 학습의 결과가 미세한 하천과 소규모 저수지의 탐지 성능에서 우수한 성능을 보였다.

Helleis et al. (2022)은 5개의 딥러닝 모델을 Sentinel-1 홍수데이터의 VV, VH, VV-VH 편광별 비교한 IoU값은 각각 0.84, 0.94, 0.97로, VV편광이 가장 낮은 결과를 보였다. VH편광은 식생도 낮은 후방산란값을 가져 수체탐지시 한계가 존재하며, VV편광은 바람과 비로 인한 수면 거칠기에 민감하여 후방산란값을 증가시키며 범람지를 식별하기 어렵다는 한계가 존재한다(Clement et al., 2018). 국내에서 발생되는 대부분의 홍수는 태풍과 호우를 동반하기 때문에, 홍수탐지를 위해서는 VV편광과 VH편광 강도(intensity)조합을 통한 연구가 필요할 것이라 판단된다. 또한 Sentinel-1 A/B영상은 최대 6일의 시간해상도를 가지므로, 가뭄 및 홍수와 같은 수해 발생시 해당시점의 위성데이터를 구하기 어렵다는 한계점이 존재한다. 이를 보완하기 위해 국내 SAR 위성인 Kompsat-5나 ICEYE와 같은 상용위성을 사용한다면, 고해상도면서 짧은 재방문시간의 영상 수집이 가능하다. 본 연구에서 실험한 딥러닝 방법과 함께 추가적인 연구가 이루어진다면 홍수나 가뭄과 같은 재해발생시 신속하고 정확한 대처가 가능할 것이라 기대된다.

5. 결론

본 연구에서는 국내 지역 하천과 저수지에 대해 Sentinel-1 SAR영상을 기반으로 의미론적 분할 기법인 UNet과 기존의 수체탐지 방법인 임계값 기법의 비교와 평가를 수행하였다. 수체탐지에서 UNet의 정확도, 정밀도, 재현율, F1-score, IoU는 각각 0.991, 0.890, 0.875, 0.897, 0.894 이었으며, 임계값 방법의 정확도, 정밀도, 재현율, F1-score, IoU는 각각 0.897, 0788, 0.812, 0.798, 0.699으로 임계값 방법에 비해 UNet을 적용한 방법의 정확도가 상대적으로 더 높은 것을 확인할 수 있었다.

또한, Sentinel-2 광학영상의 NDWI를 통해 수체를 레이블 하였으며, 비교결과 전반적인 수체탐지가 잘 되어 규모 파악이 가능하였다. 하천과 저수지의 면적이 넓을수록 탐지성능이 높았고 소규모하천과 같은 미세한 지역에 대한 탐지가 어려운 것을 확인할 수 있었으며, 특정시기의 하천과 저수지 주변 논, 밭의 물이 함께 탐지되는 경향을 보였다. 이러한 한계를 보완하기 위해 미세한 지역에 대한 양질의 데이터에 대한 추가 확보와 함께 Sentinel-1과 Sentinel-2 위성영상을 융합하여 탐지성능을 개선할 수 있는 연구가 수행되어야 하며, 같은 시기의 고해상도 영상으로 획득된 영상과의 정량적인 비교 및 상관관계 분석을 통해 모델에 대한 객관적인 평가가 필요할 것으로 판단된다.

사사

이 논문은 행정안전부 지능형상황관리 기술개발사업의 지원을 받아 수행된 연구이며(2021-MOIS37-002), 이에 감사드립니다.

참고문헌

  1. Agnihotri, A.K., A. Ohri, S. Gaur, N. Das, and S. Mishra, 2019. Flood inundation mapping and monitoring using SAR data and its impact on Ramganga River in Ganga basin, Environmental Monitoring and Assessment, 191(12): 1-16. https://doi.org/10.1007/s10661-019-7903-4
  2. Ahmad, W. and D. Kim, 2019. Estimation of flow in various sizes of streams using the Sentinel-1 Synthetic Aperture Radar (SAR) data in Han River Basin, Korea, International Journal of Applied Earth Observation and Geoinformation, 83: 101930. https://doi.org/10.1016/j.jag.2019.101930
  3. Bauer-Marschallinger, B., S. Cao, M.E. Tupas, F. Roth, C. Navacchi, T. Melzer, V. Freeman, and W. Wagner, 2022. Satellite-Based Flood Mapping through Bayesian Inference from a Sentinel-1 SAR Datacube, Remote Sensing, 14(15): 3673. https://doi.org/10.3390/rs14153673
  4. Caballero. I., J. Ruiz, and G. Navarro, 2019. Sentinel-2 satellites provide near-real time evaluation of catastrophic floods in the west Mediterranean, Water, 11(12): 2499. https://doi.org/10.3390/w11122499
  5. Carreno Conde, F. and M. De Mata Munoz, 2019. Flood monitoring based on the study of Sentinel-1 SAR images: The Ebro River case study, Water, 11(12): 2454. https://doi.org/10.3390/w11122454
  6. Clement, M.A., C.G. Kilsby, and P. Moore, 2018. Multitemporal synthetic aperture radar flood mapping using change detection, Journal of Flood Risk Management, 11(2): 152-168. https://doi.org/10.1111/jfr3.12303
  7. Goffi, A., D. Stroppiana, P. A. Brivio, B.G. Ordogna, and M. Boschetti, 2020. Towards an automated approach to map flooded areas from Sentinel-2 MSI data and soft integration of water spectral features, International Journal of Applied Earth Observation and Geoinformation, 84: 101951. https://doi.org/10.1016/j.jag.2019.101951
  8. Guo, Z., L. Wu, Y. Huang, Z. Guo, J. Zhao, and N. Li, 2022. Water-Body Segmentation for SAR Images: Past, Current, and Future, Remote Sensing, 14(7):1752. https://doi.org/10.3390/rs14071752
  9. Helleis, M., M. Wieland, C. Krullikowski, S. Martinis, and S. Plank, 2022. Sentinel-1-Based Water and Flood Mapping: Benchmarking Convolutional Neural Networks Against an Operational RuleBased Processing Chain, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 2023-2036. https://doi.org/10.1109/JSTARS.2022.3152127
  10. Jeon, H., D.J. Kim, and J. Kim, 2021. Water Body Detection using Deep Learning with Sentinel-1 SAR satellite data and Land Cover Maps, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Jul. 11-16, pp. 8495-8498. https://doi.org/10.1109/IGARSS47720.2021.9553555
  11. Jeong, J., S. Oh, S. Lee, J. Kim, and M. Choi, 2021. Sentinel-1 SAR image-based waterbody detection technique for estimating the water storage in agricultural reservoirs, Journal of Korea Water Resources Association, 54(7): 535-544 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2021.54.7.535
  12. Katiyar, V., N. Tamkuan, and M. Nagai, 2021. Near-realtime flood mapping using off-the-shelf models with SAR imagery and deep learning, Remote Sensing, 13(12): 2334. https://doi.org/10.3390/rs13122334
  13. Kim, J.W., H.K. Jeon, and D.J. Kim, 2020. Extracting Flooded Areas in Southeast Asia Using SegNet and U-Net, Journal of the Korean Society for Remote Sensing, 36(5): 1095-1107 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.8
  14. Kim, M., S. Kim, D. Lee, and J. Gam, 2022. Comparative study of deep learning model for semantic segmentation of water system in Arirang 5 satellite image, Journal of the Korean Society for Multimedia, 25(2): 206-214 (in Korean with English abstract). https://doi.org/10.9717/kmms.2022.25.2.206
  15. Kim, M.U., H. Oh, S.J. Lee, Y. Choi, and S. Han, 2021. Deep Learning Based Water Segmentation Using KOMPSAT-5 SAR Images, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Jul. 11-16, pp. 4055-4058. https://doi.org/10.1109/IGARSS47720.2021.9554015
  16. Landuyt, L., A. Van Wesemael, G.J.P. Schumann, R. Hostache, N.E. Verhoest, and F.M. Van Coillie, 2018. Flood mapping based on synthetic aperture radar: An assessment of established approaches, IEEE Transactions on Geoscience and Remote Sensing, 57(2): 722-739. https://doi.org/10.1109/tgrs.2018.2860054
  17. Lee, G.H., Y.U. Ryu, and J.S. Park, 2020. August 2020 Yeongsan River and Anjin River Basin Survey and Reason, Water for Future, 53(11): 21-48.
  18. Liang, J. and D. Liu, 2020. A local thresholding approach to flood water delineation using Sentinel-1 SAR imagery, ISPRS Journal of Photogrammetry and Remote Sensing, 159: 53-62. https://doi.org/10.1016/j.isprsjprs.2019.10.017
  19. Manjusree, P., L. Prasanna Kumar, C.M. Bhatt, G.S. Rao, and V. Bhanumurthy, 2012. Optimization of threshold ranges for rapid flood inundation mapping by evaluating backscatter profiles of high incidence angle SAR images, International Journal of Disaster Risk Science, 3(2): 113-122. https://doi.org/10.1007/s13753-012-0011-5
  20. Mason, D.C., L. Giustarini, J. Garcia-Pintado, and H.L. Cloke, 2014. Detection of flooded urban areas in high resolution Synthetic Aperture Radar images using double scattering, International Journal of Applied Earth Observation and Geoinformation, 28: 150-159. https://doi.org/10.1016/j.jag.2013.12.002
  21. Modava, M. and G. Akbarizadeh, 2017. Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method, International Journal of Remote Sensing, 38(2): 355-370. https://doi.org/10.1080/01431161.2016.1266104
  22. MOIS (Ministry of Public Administration and Security), 2021. Annual Report on Natural Disaster Recovery, Ministry of Public Administration and Security, Sejong, Korea (in Korean).
  23. Nemni, E., J. Bullock, S. Belabbes, and L. Bromley, 2020. Fully convolutional neural network for rapid flood segmentation in synthetic aperture radar imagery, Remote Sensing, 12(16): 2532. https://doi.org/10.3390/rs12162532
  24. Pashaei, M., H. Kamangir, M.J. Starek, and P. Tissot, 2020. Review and evaluation of deep learning architectures for efficient land cover mapping with UAS hyper-spatial imagery: A case study over a wetland, Remote Sensing, 12(6): 959. https://doi.org/10.3390/rs12060959
  25. Qiu, J., B. Cao, E. Park, X. Yang, W. Zhang, and P. Tarolli, 2021. Flood monitoring in rural areas of the Pearl River Basin (China) using Sentinel-1 SAR, Remote Sensing, 13(7): 1384. https://doi.org/10.3390/rs13071384
  26. Ronneberger, O., P. Fischer, and T. Brox, 2015. U-net: Convolutional networks for biomedical image segmentation, arXiv preprint arXiv:1505.04597. https://doi.org/10.48550/arXiv.1505.04597
  27. Small, M.L., 2011. How to conduct a mixed methods study: Recent trends in a rapidly growing literature, Annual Review of Sociology, 37: 57-86. https://doi.org/10.1146/annurev.soc.012809.102657
  28. Torres, R., P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Flourya, M. Brown, I.N. Traver, P. Deghaye, B. Duesmann, B. Rosich, N. Miranda, C. Brunob, M. L'Abbateb, R. Croci, A. Pietropaolo, M. Huchler, and F. Rostanc, 2012. GMES Sentinel-1 mission, Remote Sensing of Environment, 120: 9-24. https://doi.org/10.1016/j.rse.2011.05.028
  29. Uddin, K., M.A. Matin, and F.J. Meyer, 2019. Operational flood mapping using multi-temporal Sentinel-1 SAR images: A case study from Bangladesh, Remote Sensing, 11(13): 1581. https://doi.org/10.3390/rs11131581
  30. Verma, U., A. Chauhan, M.P. MM, and R. Pai, 2021. DeepRivWidth: Deep learning based semantic segmentation approach for river identification and width measurement in SAR images of Coastal Karnataka, Computers & Geosciences, 154: 104805. https://doi.org/10.1016/j.cageo.2021.104805
  31. Wang, G., M. Wu, X. Wei, and H. Song, 2020. Water identification from high-resolution remote sensing images based on multidimensional densely connected convolutional neural networks, Remote Sensing, 12(5): 795. https://doi.org/10.3390/rs12050795
  32. Zhang, B., G. Liu, R. Zhang, Y. Fu, Q. Liu, J. Cai, and X. Wang, 2021. Monitoring dynamic evolution of the glacial lakes by using time series of Sentinel-1A SAR images, Remote Sensing, 13(7): 1313. https://doi.org/10.3390/rs13071313