DOI QR코드

DOI QR Code

GOCI-II 기반 괭생이모자반 모니터링 시스템 성능 평가: 황해 및 동중국해 해역 오탐지 제거 결과를 중심으로

Performance Evaluation of Monitoring System for Sargassum horneri Using GOCI-II: Focusing on the Results of Removing False Detection in the Yellow Sea and East China Sea

  • 이한빛 ((주)유에스티21 원격탐사팀) ;
  • 김주은 (국립해양조사원 국가해양위성센터) ;
  • 김문선 (국립해양조사원 국가해양위성센터) ;
  • 김동수 (국립해양조사원 국가해양위성센터) ;
  • 민승환 ((주)유에스티21 해양원격탐사팀) ;
  • 김태호 ((주)유에스티21 원격탐사팀)
  • Han-bit Lee (Department of Remote Sensing, Underwater Survey Technology 21 Corp.) ;
  • Ju-Eun Kim (National Ocean Satellite Center, Korea Hydrographic and Oceanographic) ;
  • Moon-Seon Kim (National Ocean Satellite Center, Korea Hydrographic and Oceanographic) ;
  • Dong-Su Kim (National Ocean Satellite Center, Korea Hydrographic and Oceanographic) ;
  • Seung-Hwan Min (Department of Remote Sensing, Underwater Survey Technology 21 Corp.) ;
  • Tae-Ho Kim (Department of Remote Sensing, Underwater Survey Technology 21 Corp.)
  • 투고 : 2023.09.29
  • 심사 : 2023.11.29
  • 발행 : 2023.12.31

초록

괭생이모자반은 황해 및 동중국해에서 대규모 번식하는 부유조류 중 하나로 우리나라 연안에 유입되어 환경 파괴 및 양식업 피해 등 다양한 문제점을 야기한다. 효율적인 피해 예방 및 연안 환경 보존을 위하여 최근 인공위성 기반 원격탐사 기술을 활용한 괭생이모자반 탐지 알고리즘 개발이 활발하게 이루어지고 있다. 하지만, 잘못된 탐지 정보는 해상 수거 선박의 이동 거리 증가, 지자체나 유관기관의 대응 혼선 등을 유발하므로 괭생이모자반 공간정보 생산 시 오탐지 최소화는 매우 중요하다. 본 연구는 국립해양조사원 국가해양위성센터의 GOCI-II 기반 괭생이모자반 탐지 알고리즘을 활용하여 자동으로 오탐지 화소를 제거하는 기술을 적용하였다. 주요 오탐지 발생 원인 분석 결과를 바탕으로 선형·산발적 오탐지 및 봄, 여름철에 중국 연안에서 대량으로 발생하는 녹조류를 오탐지로 간주하여 제거하는 과정을 포함하였다. 2022년 2월 24일부터 6월 25일까지 괭생이모자반 발생일을 대상으로 오탐지 자동 제거 기법을 적용하고, 중해상도 위성 영상을 이용하여 육안 판독 결과를 생성하고 정성적, 정량적 평가를 수행하였다. 선형 오탐지는 완전히 제거하였으며, 산발적 및 녹조 오탐지는 분포 파악에 영향을 주는 대부분의 오탐지 결과를 제거하였다. 자동 오탐지 제거 과정 이후에도 육안 판독 결과 대비 괭생이모자반의 분포 면적 확인이 가능하였으며, 이진분류모델을 이용하여 정확도와 정밀도는 각각 평균 97.73%, 95.4%로 산출하였다. 재현율은 매우 낮은 29.03%였는데, 이는 GOCI-II와 중해상도 위성영상의 관측 시간 불일치에 의한 괭생이모자반 이동 영향, 공간해상도 차이, 정사보정에 따른 위치 편차, 그리고 구름 마스킹 영향에 의한 것으로 추정하였다. 본 연구의 괭생이모자반 오탐지 제거 결과는 공간적인 분포 현황을 준실시간으로 파악할 수 있으나 생체량을 정확하게 추정하는 것은 한계가 존재하였다. 따라서, 지속적인 괭생이모자반 모니터링 시스템 고도화 연구를 통해 향후 괭생이모자반 대응계획수립을 위한 자료로 활용하고자 한다.

Sargassum horneri is one of the floating algae in the sea, which breeds in large quantities in the Yellow Sea and East China Sea and then flows into the coast of Republic of Korea, causing various problems such as destroying the environment and damaging fish farms. In order to effectively prevent damage and preserve the coastal environment, the development of Sargassum horneri detection algorithms using satellite-based remote sensing technology has been actively developed. However, incorrect detection information causes an increase in the moving distance of ships collecting Sargassum horneri and confusion in the response of related local governments or institutions,so it is very important to minimize false detections when producing Sargassum horneri spatial information. This study applied technology to automatically remove false detection results using the GOCI-II-based Sargassum horneri detection algorithm of the National Ocean Satellite Center (NOSC) of the Korea Hydrographic and Oceanography Agency (KHOA). Based on the results of analyzing the causes of major false detection results, it includes a process of removing linear and sporadic false detections and green algae that occurs in large quantities along the coast of China in spring and summer by considering them as false detections. The technology to automatically remove false detection was applied to the dates when Sargassum horneri occurred from February 24 to June 25, 2022. Visual assessment results were generated using mid-resolution satellite images, qualitative and quantitative evaluations were performed. Linear false detection results were completely removed, and most of the sporadic and green algae false detection results that affected the distribution were removed. Even after the automatic false detection removal process, it was possible to confirm the distribution area of Sargassum horneri compared to the visual assessment results, and the accuracy and precision calculated using the binary classification model averaged 97.73% and 95.4%, respectively. Recall value was very low at 29.03%, which is presumed to be due to the effect of Sargassum horneri movement due to the observation time discrepancy between GOCI-II and mid-resolution satellite images, differences in spatial resolution, location deviation by orthocorrection, and cloud masking. The results of this study's removal of false detections of Sargassum horneri can determine the spatial distribution status in near real-time, but there are limitations in accurately estimating biomass. Therefore, continuous research on upgrading the Sargassum horneri monitoring system must be conducted to use it as data for establishing future Sargassum horneri response plans.

키워드

1. 서론

괭생이모자반(Sargassum horneri)은 모자반과에 속한 해조류로 해양생물의 서식지, 오염정화 등 생태학적으로 중요한 기능을 한다. 괭생이모자반은 대체로 11월부터 3월 사이에 급속히 성장하고 해수의 외력에 의해 기질에서 떨어져 부유상태로 생장하다가 수온이 높아지는 여름에 사라진다(Choi et al., 2008). 한반도에 피해를 주는 괭생이모자반은 주로 중국 저우산 군도 또는 장수성 연안에서 번식하다가 황해와 동중국해로 대규모 유입되고 그 중 일부가 해류에 따라 한반도 서·남해안과 제주도 연안으로 유입되면서 양식장이나 선박 조업을 방해한다(Hwang et al., 2016). 또한 연안해역으로 유입된 괭생이모자반은 해안가에 밀려와 썩으면서 심각한 악취를 발생하고 환경을 파괴한다. 이러한 해상의 부유조류 유입에 따른 피해 예방 및 대응을 위하여 부유조류의 분포 현황을 실시간으로 파악하는 수단이 필요하다.

부유조류 탐지를 위해 근적외선의 반사도가 0에 가까운 해수와 달리, 근적외선에서 높은 반사도를 가지는 부유조류의 분광특성을 이용하는 연구가 진행되어 왔다. Medium resolution imaging spectroradiometer (MERIS)의 full-resolution을 이용하여 멕시코만에서 모자반류로 추정되는 패치를 최초로 발견하였고, 엽록소에 민감하게 반응하는 705 nm를 이용하는 maximum chlorophyll index (MCI) 지수를 활용하여 부유조류 및 해양환경을 관찰하는데 사용되었다(Gower et al., 2005; Gower et al., 2008). Normalized difference vegetation index (NDVI)는 Landsat1을 기반으로 개발된 지수이며, 근적외선과 적색 반사도 차이를 식생의 밀도로 지수화 하였다(Rouse et al., 1974). 식생에 포함된 엽록소 농도가 높을수록 NDVI 지수 또한 높아지기 때문에 육상 분야에서 식생 기반의 토지 피복 지도 제작에 사용되었다. 또한 해양 및 내수면의 조류 번성 연구에 NDVI를 사용하였으며(Prangsma and Roozekrans, 1989; Kahru et al., 1993), 황해 녹조의 생체량과 기원을 추정하는 연구 등에 사용하였다(Hu and He, 2008). Floating algae index (FAI)는 MODIS 센서 기반으로 다양한 수상 생태계 환경에서 부유조류를 탐지하는 지수로 해수는 적색, 근적외선, 중적외선에서 0에 가까운 낮은 반사도를 가지고, 이와 반대로 부유조류는 근적외선에서 높은 반사도를 나타내어 그 차이를 지수화한 것이다. 에어로졸 형태와 두께, 태양각 등의 환경 변화에 덜 민감하고 얇은 구름이 존재하여도 부유조류를 탐지할 수 있어서 기존의 MCI 또는 NDVI 지수보다 간단하면서도 효과적인 지표이다(Hu, 2009). 위성영상을 이용하여 부유조류를 탐지할 경우, 위성센서 해상도에 의한 한계로 소규모의 패치는 탐지되지 않거나 노이즈에 의하여 오탐지가 발생한다(Qi and Hu, 2021). 또한, 부유조류 중 녹조와 갈조는 유사한 분광 특성을 가지고 있어, 기존의 지수를 이용한 알고리즘으로 구분하는데 어려움이 있다(Kim et al., 2020). 이를 보완하기 위하여 고해상도의 위성영상을 활용하여 탐지하거나 현장 관측정보를 이용하여 탐지 결과를 검증하는 연구도 진행되고 있다(Byeon et al., 2021). 그러나 고해상도 위성은 비용이 소요되거나 공개 위성의 경우 시간해상도가 낮아서 해수면에서 이동하는 괭생이모자반 모니터링 목적으로는 적합하지 않다. 따라서 단기적인 변화를 관측하고 비상 상황에 대한 신속한 대응을 위해서는 높은 시간해상도 영상의 확보가 가능한 GOCI-II와 같은 정지 궤도 위성영상의 활용이 필수적이다.

대국민 서비스의 현업화를 목표로 국립해양조사원 국가해양위성센터는 2022년 3월 18일부터 괭생이모자반 모니터링 시스템을 운영하고 있으며, 결과물은 국가해양위성센터 홈페이지를 통해 대국민 서비스하고 있다. 해당 시스템은 한국해양과학기술원의 근적외선과 적색 밴드 복사휘도 자료를 기반으로 하는 알고리즘을 사용하며(Korea Hydrographic and Oceanographic Agency, 2022a), 근적외선 신호와 적색 밴드 신호의 차이와 공간적으로 변화하는 해수 배경값을 이용하여 계산한 공간 이상값(Red edge spatial anomaly)으로 부유조류의 점유면적비를 계산하여 괭생이모자반의 존재 유무를 결정한다(Korea Hydrographic and Oceanographic Agency, 2022b).

모니터링 시스템을 통해 생산된 괭생이모자반 공간 분포 정보는 유관기관 및 지자체에 일일 모니터링 보고서 형식으로 제공되어 괭생이모자반 대응업무를 지원한다. 초기에는 보다 정확한 배포를 위해 육안으로 오탐지를 제거한 자료를 생산 및 배포하였으나 이는 육안 판독하는 작업자의 주관이 포함될 수 있으며, 괭생이모자반 대응계획수립을 위해서는 신속한 현황정보의 제공이 중요하지만 육안판독 작업은 탐지결과 배포 결정까지 상당한 시간이 소요되는 단점이 있다.

이러한 단점을 보완하기 위해 본 논문에서는 괭생이 모자반 탐지 결과의 현업과정의 효율성 및 적시성 증대 관점에서의 모니터링 시스템 구축을 위하여 제안된 자동 오탐지 제거 방법을 소개한다. 2022년 2~6월에 황해 및 동중국해에서 발생한 괭생이모자반을 대상으로 GOCI-II 영상 기반의 괭생이모자반 탐지 결과를 사용하며, 발생하는 주요 오탐지 원인을 정의하였다. 정의된 분류별 오탐지를 대상으로 자동 제거 기법을 개발하며, 최종 산출된 괭생이모자반 공간분포는 중해상도 위성 영상의 육안 탐지 결과를 이용하여 정량적으로 평가하였다.

2. 연구지역

2.1. 황해 및 동중국해

매년 황해 및 동중국해에서는 녹조와 갈조의 번성이 반복적으로 발생하며, 국내로 유입되는 괭생이모자반은 주로 중국 장수성 북부지역에서 기인한 것으로 추정하고 있다(Zhuang et al., 2021). 부유성 괭생이모자반은 쿠로시오 해류에서 갈라진 황해 난류, 대마 난류 등에 의해 황해와 남해안의 연안으로 유입되기 때문에(Park et al., 2017; Lee, 2018), 연안해역으로 유입한 부유성 괭생이모자반의 분포 현황 파악 및 대응전략을 수립하기 위해 황해 및 동중국해의 지속적인 모니터링이 필요하다. 한국과 중국 연안에서는 양식업이 발달하고 있고, 중국에서는 비교적 먼 해역에서도 대규모 양식시설이 점차 증가하고 있다(Long et al., 2023). 이러한 황해 및 동중국해의 해수면에 부유하고 있는 물체는 괭생이모자반 모니터링 수행 시 오탐지 발생 원인이 될 수 있다. 본 연구에서는 한반도 연안으로 유입한 괭생이모자반의 주요 발생원 및 이동경로와 오탐지 발생 원인을 고려하여 황해와 동중국해를 연구지역으로 정의하였다.

2.2. GOCI-II 위성영상 슬롯

천리안 2B호 위성에 탑재된 Geostationary Ocean Color Imager-II (GOCI-II)는 Step-and-Stare 방식을 통해 동아시아 영역을 0번부터 11번까지 총 12개 영역으로 분할하여 촬영하며, 남동쪽에서 북쪽으로 이동 후 서쪽으로 지그재그 순서로 촬영한다(Kim et al., 2021). 본 연구에서는 괭생이모자반 모니터링 대상 영역을 입력자료인 GOCI-II 촬영 슬롯 중 황해와 동중국해를 포함한 6, 7, 9, 10번 슬롯을 사용하였다(Fig. 1). 산출된 자료의 좌표 범위는 24.11°N–48.51°N, 111.83°E–130.66°E이며, 괭생이모자반의 분포를 집중적으로 확인하기 위하여 탐지 결과 이미지는 26.5°N–38.8°N, 118°E–130°E 범위로 설정하였다.

OGCSBN_2023_v39n6_2_1615_f0001.png 이미지

Fig. 1. The study area. The dotted lines indicate the edge of GOCI-II slots (6, 7, 9, and 10) used as input data for the study, respectively

3. 연구자료

3.1. Geo-KOMPSAT-2B GOCI-II 자료

천리안 2B호(Geo-KOMPSAT-2B, GK-2B) 위성은 2020년에 발사된 해색위성으로 2010년에 발사된 세계 최초의 정지궤도 해색위성인 천리안위성 1호에 이어서 발사되었다. 천리안 2B호에 탑재된 GOCI-II로 촬영한 영상은 8시부터 17시까지 한 시간 간격으로 하루에 10회 관측한다. 공간해상도는 250 m이며 자외선 영역부터 근적외선 영역까지 380–865 nm 파장 범위에서 12개의 밴드를 가지며, 이외에도 하루 한 번 전구를 관측하여 자료를 생산하고 있다. GOCI-II L1B는 매시 15분부터 슬롯 순서대로 촬영하며, 황해와 동중국해를 포함하는 6, 7, 9, 10번 슬롯은 매시 약 25분에서 35분 사이에 촬영한다(Korea Hydrographic and Oceanographic Agency, 2022a). 본 연구에서는 괭생이모자반이 처음 탐지된 2022년 2월 24일 11시 15분 영상부터 마지막으로 탐지되었던 6월 25일 11시 15분 영상까지 사용하였다(Table 1). 또한, L1B 영상의 분광특성을 이용하여 구름영역 정보를 생산하였다(Fig. 2a).

Table 1. Information on date, observation area, and wavelength used for Sargassum detection algorithm

OGCSBN_2023_v39n6_2_1615_t0001.png 이미지

OGCSBN_2023_v39n6_2_1615_f0002.png 이미지

Fig. 2. Images of the cloud masking used in the Sargassum horneri algorithm. (a) GOCI-II L2 cloud flag image. (b) AMI cloud detection image. (c) Cloud image and flag information are divided into 6 categories depending on whether GOCI-II L2 cloud area and AMI cloud detection area are sea or cloud.

3.2. Geo-KOMPSAT-2A AMI 구름탐지 자료

GOCI-II L1B 영상으로 구름 영역 탐지 시 구름 외곽부분이나 옅은 구름이 탐지되지 않아 괭생이모자반으로 오탐지 된다(Korea Hydrographic and Oceanographic Agency, 2021). 따라서, 괭생이모자반 탐지 결과의 구름 경계 부분에서 발생하는 오탐지를 최소화하기 위하여 천리안 2A호(Geo-KOMPSAT-2A, GK-2A) 기상탑재체(Advanced Meteorological Imager, AMI) Level 2 자료 중 구름탐지 자료를 사용하였다. AMI 구름탐지 자료는 구름이 미탐지 되는 영역을 최소화하기 위하여 알고리즘에 적용하였으며, 10분 간격으로 높은 시간해상도를 가진다(Kim and Lee, 2019). 본 연구에서 사용하는 GOCI-II L1B 자료의 6, 7, 9, 10번 슬롯이 촬영하는 시간을 고려하여 AMI 구름탐지 자료는 11시 30분 자료를 사용하였다(Table 1). GOCI-II L1B 영상의 각 화소에서 가장 가까운 AMI 구름탐지 화소를 찾아서 GOCI-II 영상과 동일한 크기의 래스터 자료에 AMI 구름탐지 여부를 플래그(Flag) 형태로 저장하였다(Fig. 2b).

3.3. GOCI-II 및 AMI 기반 병합된 구름 자료

GOCI-II L1B 영상의 분광 특성에 의하여 분류된 GOCI-II의 구름 영역만 제거하여 산출된 결과에서는 구름 영역 경계 부분에서 다수의 오탐지가 발생하였다. 주로 옅은 구름이 해수면에 부유하는 괭생이모자반과 유사한 분광 특성을 보이면서 발생하였으며, 영상에 따라 분포 형태가 다르므로 공간적 특성으로 분류하기 어렵다. 이러한 문제를 최소화하기 위하여 GK-2A AMI에서 산출한 구름탐지 자료를 이용하여 구름 영역을 추가 적용하여 옅은 구름 영역에서 발생하는 오탐지를 최소화하였다. GOCI-II에서 구름이 아니었던 영역이 AMI에서는 구름으로 분류되어 있는 영역이 다수 존재하였고, 이는 GOCI-II에서 분류되지 않은 옅은 구름들이 AMI에서는 구름으로 분류되었다.GOCI-II의 구름 영역과 AMI 구름탐지 영역을 구분하기 위하여 총 6가지의 조건으로 구성하여 정의하고 조건별로 Flag 값을 지정하였다(Fig. 2c). 괭생이모자반 모니터링 시스템에는 GOCI-II 구름영역과 AMI 구름탐지 영역이 병합된 6가지 조건의 구름정보를 모두 구름 영역으로 판단하였다.

3.4. 중해상도 광학위성 합성 영상

자동으로 오탐지를 제거한 GOCI-II 센서 기반 괭생이모자반 탐지 결과의 정량적 및 정성적인 평가를 위해서 10 m 공간해상도의 Sentinel-2A/B Multi-Spectral Instrument (MSI) L1C자료와 30 m공간해상도의 Landsat-8/9 Operational Land Imager (OLI) L1 자료를 사용하였으며, 괭생이모자반이 대규모 번식하였던 2022년 4월 중 괭생이모자반이 많이 탐지된 영상을 위성별로 한 개씩 사용하였다(Table 2). 육안판독을 위해서 위성영상은 합성 이미지를 생성하는데, 괭생이모자반과 해수가 뚜렷하게 구분되도록 청색과 녹색, 그리고 근적외선 밴드를 사용하여 위색 합성 영상(False color composite image)을 생성하였다(Fig. 3). 괭생이모자반은 근적외선 밴드에서 높은 반사도를 보이기 때문에 합성 영상에서 붉은 색의 패치로 해수와 구분되며, 육안 분석을 통해 산출된 괭생이모자반 탐지 결과는 정량적 검증에 사용하였다.

Table 2. Information on date, observation area, and wavelength used for Sargassum detection algorithm and mid-resolution satellites to verify the detection results

OGCSBN_2023_v39n6_2_1615_t0002.png 이미지

OGCSBN_2023_v39n6_2_1615_f0013.png 이미지

Fig. 3. False-color composite images of mid-resolution satellites to verify the detection results. (a) Sentinel-2A false color composite image (April 20, 2022). (b) Landsat-8 false color composite image (April 9, 2022). (c) Landsat-9 false color composite image (April 17, 2022).

4. 연구방법

4.1. 괭생이모자반 모니터링 시스템

국가해양위성센터는 괭생이모자반 모니터링 시스템에서 자동으로 생산된 정보를 유관기관 및 관련 지자체에서 피해 예방 및 수거 대책 계획 수립 시 보조자료로 활용하도록 서비스하고, 이동예측 기능 등을 추가로 적용하여 비상대응체계 가동 시점의 의사결정에 활용하는 것을 목적으로 한다(Park et al., 2023). 본 연구에서는 해당 시스템의 자동 수행 과정에서 발생하는 오탐지의 최소화를 위해서 기존 시스템(Fig. 4a)에 구름 영역 마스킹 및 자동 오탐지 제거 기능을 추가로 구축하였다(Figs. 4b, c).

OGCSBN_2023_v39n6_2_1615_f0003.png 이미지

Fig. 4. Flowchart of Sargassum monitoring system. (a) shows the floating algae detection module developed by KIOST. (b) and (c) indicated the flowchart of removing false detection.

먼저 GOCI-II 자료 단독 사용의 경우 구름의 경계면에 의한 괭생이모자반 오탐지가 다수 발생하는데, AMI 자료를 이용한 구름 마스킹과 오탐지 형태별 제거 기법을 순차적으로 적용하여 해당 오탐지 발생수를 최소화하였다(Fig. 4b). 또한, 기존 부유조류 탐지 알고리즘은 괭생이모자반 뿐만 아니라 녹조 탐지 결과도 포함하고 있으며 탐지 위치 정보를 제공하지만, 산발적으로 분포하는 오탐지 결과 등 다양한 원인의 오탐지가 포함되어 있다. 따라서 통계적 분석(Fig. 4c-②) 및 다중 임계값 적용 결과(Fig. 4c-③)를 바탕으로 오탐지를 최소화하는 알고리즘을 개발하였다. 센서 결함으로 인해 발생하는 것으로 추정되는 선형 오탐지는 발생 해역을 자동으로 마스킹 하도록 구성하였다(Fig. 4c-①).

4.2. 괭생이모자반 탐지 알고리즘

괭생이모자반 오탐지 특성을 분석하기 위해 국립해양조사원 국가해양위성센터에서 서비스하고 있는 괭생이모자반 탐지 알고리즘에서 산출된 결과를 사용하였다(Fig. 4b). 해당 알고리즘은 한국해양과학기술원에서 개발한 부유조류 탐지 알고리즘에서 산출된 부유조류 탐지 후보군 자료를 활용하는데(Fig. 4a), 이 부유조류 탐지 알고리즘은 GOCI-II 복사휘도 영상 자료를 입력하여 반사도 변환, 분자산란보정, 육상 및 구름 마스킹, 매우 탁한 화소 제외, 배경 해수 반사도 계산, 공간이상 반사도 계산, 부유조류 화소 판정, 부유조류 점유면적비산정 순으로 이루어진다. GOCI-II L1B 영상의 대기상층(Top-of-Atmosphere, TOA)의 복사량 값을 반사도 값으로 변환하고, 대기 효과를 제거하기 위하여 대기분자 산란에 의한 반사도 값을 제거한다(Vermote et al., 1997). 이후 육상과 구름, 탁한 해수 영역을 제외하기 위하여 각 화소의 파장별 반사도 값을 분석하여 괭생이모자반 탐지에 불필요한 영역을 제거한다. 해수 영역에서 공간이상 반사도를 계산하기 위하여 배경 해수의 반사도를 계산하고 근적외선 반사도(865 nm)와 적색 반사도(660 nm)의 차이를 식(1)과 같이 계산한다.

REDiff = Rrc, NIR – Rrc, RED       (1)

Rrc, NIR는 Rayleigh 보정한 근적외선 반사도이며, Rrc, RED는 Rayleigh 보정한 적색 반사도이다. 공간이상 반사도 값을 파장 영역별로 분석하여 근적외선 영역에서 높은 값을 보이는 화소를 부유조류 화소로 판정한다. 해당 화소의 REDiff와 평균 반사도 값의 차이를 이용하여 부유조류 점유면적비를 산정하였다(Korea Hydrographic and Oceanographic Agency, 2021). 점유면적비는 각 슬롯별로 산출하여 연구영역인 6, 7, 9, 10번 슬롯의 결과를 합친 후 AMI와 GOCI-II의 병합된 구름 영역에 대하여 추가적으로 마스킹 하였다. 산출된 점유면적비 범위는 0.0001–0.1이며, 탐지 결과 이미지에서 밀집정도를 육안으로 구분할 수 있도록 색을 구분하여 표현하였다(Fig. 5). 탐지 자료는 NetCDF 형식으로 산출하며, 위도와 경도, 구름 플래그, 괭생이모자반 분포 면적비까지 총 4개의 레이어로 구성하였다(Table 3).

OGCSBN_2023_v39n6_2_1615_f0004.png 이미지

Fig. 5. Image of the Sargassum horneri detection results with false detection removed (May 17, 2022).

Table 3. LayerInformationoffinalproductaboutSargassum detection result (NetCDF file)

OGCSBN_2023_v39n6_2_1615_t0003.png 이미지

4.3. 오탐지 분석

괭생이모자반 탐지 알고리즘을 통해 산출된 결과에는 유사한 분광 특성을 가진 다양한 원인에 의한 오탐지를 확인하였다. 오탐지는 구름의 경계면에서 발생하는 오탐지, 선형 오탐지, 산발적 오탐지, 녹조 탐지 결과까지 4가지 종류로 분류하였다. 구름의 경계면에서 발생하는 오탐지의 경우 기상청 AMI의 구름 자료를 사용하는 과정(Fig. 4b) 대부분의 오탐지가 제거됨을 확인하였고, 본 연구에서는 나머지 3종류의 오탐지에 대해서 특성을 분석하였다.

선형 오탐지는 괭생이모자반 탐지 결과에서 특정 위치에서 선의 형태로 발생한다(Fig. 6a). 이는 GOCI-II 영상을 관측하는 센서에서 발생하는 현상으로 괭생이모자반과 유사한 분광특성에 의하여 탐지되며, 괭생이모자반이 주로 분포하지 않는 지역에서 발생한다. 따라서, 동일 영역에서 반복적으로 나오는 공간적 특성을 이용하여 오탐지 결과를 제거한다.

OGCSBN_2023_v39n6_2_1615_f0005.png 이미지

Fig. 6. Example of the false detection result detected as Sargassum horneri and visual comparison using GOCI-II L2 AC data and Landsat-8/9 composite images. The locations are shown in Fig. 5. (a) False detection results of line type (May 4, 2022) and GOCI-II L2 AC RhoC 865 nm image (May 4, 2022). (b) False detection results of scattering type about Chinese offshore wind generation (February 5, 2022), GOCI-II L2 RGB image (February 5, 2022), and Landsat-8 true color image (April 7, 2022). (c) False detection results of green algae (June 25, 2022) and Landsat-9 true color image (June 25, 2022).

GOCI-II는 자외선 밴드를 촬영 후 가시광선과 근적외선 밴드를 순차적으로 촬영하는데, 촬영 시간 사이에 구름 등 대기의 영향이 변화하면서 괭생이모자반과 유사한 분광 특성을 가진 화소가 탐지된다. 산발적 오탐지는 주로 밴드별 관측 시간차에 의하여 옅은 구름이나 선박과 같이 움직이는 물체에서 발생하거나 양식장이나 해상 풍력 발전기(Offshore wind generation)와 같이 해수면 위에 존재하는 물체에서 괭생이모자반과 유사한 분광 특성이 가지는 경우 발생한다. 이러한 산발적 오탐지는 특정한 분광 특성을 가지고 있지 않으며 선형 오탐지와 달리 영상에 따라 다양한 위치에서 발생한다. Fig. 6(b)의 2월 5일 오탐지 결과를 분석하기 위하여 동일 일자의 GOCI-II L2 RGB 이미지를 확인하였고 나열된 형태의 해상 부유물체를 확인하였다. 보다 정확하게 확인하기 위하여 중해상도 위성영상을 확인하고자 하였으나 동일 일자의 자료가 없기에 4월 7일 영상을 통해 확인하였고, 중국의 해상 풍력 발전기가 오탐지 된 것을 확인하였다. 발생하는 오탐지의 수는 영상마다 발생량의 편차가 크기 때문에 제거하는 기능이 필요하다. 산발적 오탐지의 공간적인 분포특성을 확인하였을 때, 주로 2개 이하의 화소들로 이루어지는 특성을 보였으며, 이는 띠 형태를 이루는 괭생이모자반의 특성(Ody et al., 2019)과 구분될 수 있다고 판단하였다.

GOCI-II 기반 괭생이모자반 탐지 결과에는 괭생이 모자반 뿐만 아니라 일부 녹조가 함께 산출된다(Fig. 6c). 녹조 발생 원인종으로 Ulva linza-procera-prolfiera 종이 혼재된 것으로 알려졌으며, 주로 U. linza와 U. prol fiera 종이 우점한다(Leliaert et al., 2009; Kang et al., 2014). 녹조 발생의 기원은 중국 장수성으로 알려져 있고, 김 양식장 등에서 탈락한 이후 부유사태로 바람과 표층 해류에 의해 약 2~3개월간 황해를 이동한다(Qi et al., 2016). 주로 5, 6월 황해에서 녹조와 괭생이모자반의 발생 위치가 겹치기도 한다. 이는 두 조류 분포와 지역 범위 추정 및 조류 기원 추적에 불확실성을 초래할 수 있어서 정확한 괭생이모자반 결과를 산출하기 위하여 녹조를 분류하여 제거해야 한다.

4.4. 오탐지 자동 제거 기법

4.4.1. 선형 오탐지 제거

선형 오탐지는 범위가 좁고 동일 위치에서 반복적으로 발생하기 때문에 해당 영역을 마스킹하여 제거하는 방법을 적용한다. 발생 영역을 확인하기 위해 2022년 3월부터 5월의 괭생이모자반 후보 자료(Raw data)를 누적하여 합성 자료로 생산하고 동일 영역에서 반복 탐지된 영역 중 괭생이모자반이 대규모로 분포하는 동중국해 해역을 제외한 오탐지 영역을 추출하였다(Fig. 7). 이 때, 오탐지 영역이 매번 완전히 일치하지 않으므로 약간의 공간적 여유를 두고 생성한다. 발생한 영역들이 주로 괭생이모자반이 탐지된 영역이 아닌 점을 확인하였고, 추출된 영역의 탐지 결과를 제거하는 기능을 탑재하였다. 이후 새로운 영역에서 선형 오탐지가 발생할 경우, 발생 영역의 벡터 파일을 생성 후 알고리즘에 적용하여 반영할 수 있다.

OGCSBN_2023_v39n6_2_1615_f0006.png 이미지

Fig. 7. Raw data image of the Sargassum horneri candidate accumulated from March to May 2022 to extract the linear false detection occurrence area.

4.4.2. 산발적 오탐지 제거

산발적 오탐지는 특정 영역 내에서 1개 또는 2개로 이루어진 화소를 오탐지로 판정하여 제거한다. 산발적 오탐지 제거를 위하여 이미지의 노이즈 제거에 많이 사용하는 최빈값 필터(Mode Filter) 기법을 사용하였으며, 시기에 따라 공간적 분포가 바뀌는 괭생이모자반을 고려하여 시기별로 필터 조건을 다르게 적용하였다(Fig. 8).

OGCSBN_2023_v39n6_2_1615_f0007.png 이미지

Fig. 8. Types of filter conditions by distribution time to remove scattered false detection results.

시기별 괭생이모자반 분포 확인을 위하여 2020년 12월부터 2022년 10월까지 괭생이모자반 탐지 결과를 확인하였다(Korea Hydrographic and Oceanographic Agency, 2022a). 9월부터 11월까지는 부유성 괭생이모자반이 거의 출현하지 않는 시기로 이때의 탐지 결과는 대부분 1~2개의 산발적 오탐지 화소로 발생하므로 3 × 3 화소안에 탐지 화소가 2개 이하이면 삭제하는 조건 1을 적용한다. 12월에서 2월은 괭생이모자반이 초기 발생 가능한 기간으로 3 × 3 윈도우 영역 안에 한 개의 탐지 화소만 있으면 삭제하는 조건 2를 적용하였다. 3월부터 8월까지는 괭생이모자반과 녹조가 대량 발생하는 기간으로 띠 형태로 분포하는 공간적 특징에 따라 탐지 화소가 이어진 경우가 많으며, 대형 패치에서 떨어져 나온 소규모 패치가 단독 화소로 탐지될 수 있다. 괭생이 모자반 탐지 결과 소실을 최소화하기 위하여 해당 기간에는 5 × 5 화소 안에 1개의 탐지 화소만 있는 경우 삭제하는 조건 3을 적용한다. 하지만 3월에 괭생이모자반이 소규모로 탐지될 경우에는 많은 오탐지 화소가 제거되지 않고, 2월에 괭생이모자반이 대량 탐지된다면 대부분의 괭생이모자반 결과를 제거하는 문제가 발생할 수 있다.

본 연구에서는 오탐지를 최소화한 자동 탐지 시스템 개발이 목적이므로, 조건 2에서 조건 3로 변경하는 시점을 자동으로 결정하기 위하여 공간적 밀집도를 분석하는 커널(kernel) 밀도 추정법을 사용한다. 괭생이모자반은 공간적으로 밀집하는 특징이 있고 오탐지 화소는 주로 산발적으로 분포하는 특징이 있으므로 커널 밀도 측정법을 통해 공간적 밀집도를 분석하여 분류할 수 있다. 커널 밀도 측정법은 어떤 위치에 있는 포인트의 개수를 기반으로 밀도를 계산하며, 군집 포인트의 개수가 많을 수록 더 큰 값을 나타내는 분석기법으로 밀집된 군집을 쉽게 식별할 수 있는 기법이다. 커널 밀도 측정 시 임계값을 통하여 기준을 설정할 수 있는데, 임계값 계산을 위하여 괭생이모자반 최초 발생일이었던 2021년 1월 14일과 2022년 2월 25일의 초기 탐지 자료를 이용하여 커널 밀도를 계산하였고 각각 평균 0.08과 0.14이었다. 오탐지 제거를 중점적으로 하기 위하여 더 낮은 값인 0.08을 임계값으로 사용하였고, 임계값보다 높은 밀도가 2일 연속으로 발생한 경우에만 괭생이모자반이 발생하였다고 판단하여 조건 2로 적용하던 필터 조건을 조건 3으로 변경하여 적용하고 8월까지 해당 조건을 유지한다. 조건 3로 변경된 후에는 커널 밀도를 계산하지 않고 바로 적용한다.

4.4.3. 녹조 탐지 결과 제거

녹조는 괭생이모자반과 같은 부유조류의 일종으로 근적외선 영역에서 높은 반사도를 가지는데, 녹조는 550 nm 부근에서 높은 반사도를 보이며 괭생이모자반은 600–650 nm 사이에서 높은 반사도를 나타내는 차이점이 있다(Min et al., 2019). 이와 같은 반사도 특성을 기반으로 배경 해수 반사도를 제거한 공간이상 반사도 값이 620 nm나 660 nm보다 550 nm에서 높으면 녹조로 분류하였다. 하지만 분광특성을 비교하였을 때 녹조로 분류된 화소를 괭생이모자반으로 판단하고, 반대로 괭생이모자반으로 분류된 화소를 녹조로 판단하는 경우가 발생하였다. 괭생이모자반이나 녹조가 상당히 밀집한 영역에서 주변의 배경 해수 반사도가 영향을 받아 배경 해수의 가시광 영역의 반사도가 미약하게 증가하였고 이로 인하여 오탐지 하는 경향이 발생한다. 이를 개선하기 위해 우선 녹조만 존재하는 영상에서 괭생이모자반으로 오탐지 된 화소를 녹조로 재분류하기 위해 적색과 녹색 밴드 차를 특정 임계치로 구분하였다. 임계치 설정을 위해 녹조만 발생했던 2021년 7월을 대상으로 괭생이모자반으로 탐지된 화소의 660 nm 반사도와 555 nm 반사도 차(660 nm–555 nm)를 계산하였고, 평균값인 0.00058을 임계치로 결정하였다. 반대로 괭생이모자반만 존재하는 영상에서 녹조로 오탐지 된 곳을 괭생이모자반으로 재분류하기 위해 괭생이모자반만 발생한 2021년 4월을 대상으로 녹조로 탐지된 결과의 555 nm 반사도와 620 nm반사도 차(555 nm–620 nm)의 평균값인 0.00038을 임계치로 결정하였다. 1차적으로 적색 밴드와 녹색 밴드의 공간이상 반사도를 비교 후 괭생이모자반 화소가 더 많으면 괭생이모자반 우세 영상으로 녹조 화소가 더 많으면 녹조 우세 영상으로 분류하고, 우세한 쪽을 재분류할 때 산출된 임계값을 적용한다(Fig. 9).

OGCSBN_2023_v39n6_2_1615_f0008.png 이미지

Fig. 9. Algorithm for classifying Sargassum horneri and green algae detection results using calculated thresholds.

4.5. 중해상도 위성영상 이용 비교

괭생이모자반 탐지 결과에 대한 검증을 위하여 위성 영상의 위색 합성 이미지를 이용하여 육안으로 괭생이 모자반 패치가 보이는 영역에 대하여 벡터 파일로 생성한다. 그 후, 식(2)의 FAI 지수를 통해 부유조류 탐지 결과를 생성한 후, 벡터 파일의 영역 내에서 탐지된 결과를 괭생이모자반으로 추정한다. 산출된 탐지 결과 자료는 GOCI-II 기반으로 산출된 괭생이모자반 탐지 결과와 비교하여 정량적 검증을 수행하였다.

\(\begin{aligned}F A I=R_{N I R}-\left(R_{R E D}+\frac{\left(R_{S W I R}-R_{R E D}\right)\left(\lambda_{N I R}-\lambda_{R E D}\right)}{\lambda_{S W I R}-\lambda_{R E D}}\right)\end{aligned}\)       (2)

여기서 RNIR는 근적외선 반사도, RRED는 적색 반사도, RSWIR는 단파적외 반사도이며, λNIR는 근적외선 파장, λRED는 적색 파장, λSWIR는 단파적외 파장이다. 화소별 괭생이모자반 탐지 여부를 비교하기 위하여 GOCI-II 공간 해상도인 250m 격자에 맞게 리샘플링한다. 이렇게 산출된 중해상도 위성영상의 괭생이모자반 탐지 자료와 GOCI-II 기반의 탐지 자료에 대한 정량적 검증 결과 산출을 위하여 이진분류모델을 이용한다. 이진분류모델은 두 개의 클래스로 구분하여 주로 실제 값과 예측 또는 추정 값을 비교하기 위하여 사용하며, 본 연구에서는 중해상도 위성 기반 괭생이모자반 탐지 결과를 실제값으로 보고 GOCI-II 기반 괭생이모자반 탐지 결과를 추정 값으로 사용하여 분류하였다. 중해상도 위성 기반 탐지 결과가 있는 괭생이모자반 탐지 화소에서 GOCI-II 기반 탐지 결과가 있으면 True Positive (TP), 없으면 False Negative (FN)로 화소의 수를 산출한다. 중해상도 위성 기반 탐지 결과가 없는 화소에서 GOCI-II 기반 탐지 결과가 있으면 False Positive (FP),없으면 True Negative (TN)로 화소의 수를 산출한다. 분류된 화소의 수를 이용하여 식(3)을 통해 정확도(Accuracy)와 정밀도(Precision), 재현율(Recall)을 계산하여 탐지 알고리즘 성능을 확인한다(Table 4).

Table 4. Confusion matrix using binary classification model to calculate accuracy, precision and recall

OGCSBN_2023_v39n6_2_1615_t0004.png 이미지

\(\begin{aligned}\begin{array}{c}\text { Accuracy }=\frac{T P+T N}{T P+F P+F N+T N}, \\ \text { Precision }=\frac{T P}{T P+F P}, \\ \text { Recall }=\frac{T P}{T P+F N}\end{array}\end{aligned}\)       (3)

5. 연구 결과 및 토의

5.1. 오탐지 자동 제거 결과

괭생이모자반 모니터링 시스템을 활용하여 2022년 오탐지 자동 제거된 괭생이모자반 탐지 자료를 생산하였고, 2월 24일부터 6월 25일까지의 괭생이모자반 자동 오탐지 제거 전후의 정성적 비교를 수행하였다. 제거된 패치 또는 픽셀의 오탐지 여부는 GOCI-II L2 원격반사도 자료의 스펙트럼의 형태를 육안으로 확인하였다.

먼저 GOCI-II 위성 기반으로 처음 괭생이모자반이 탐지되었던 2월 24일 자료의 오탐지 제거 전후 비교 시, 중국 연안과 구름 주변에 산발적으로 분포하던 오탐지화소가 모두 제거되었음을 확인하였다. 이는 자동 오탐지 제거 알고리즘에서 2월에 해당하는 ‘조건 2’의 옵션(Fig. 8)이 적용된 결과이며, 황해 중부 해역에서 탐지된 괭생이모자반 소규모 패치에 대해 스펙트럼 분석을 통해서 괭생이모자반 여부도 확인하였다(Fig. 10).

OGCSBN_2023_v39n6_2_1615_f0009.png 이미지

Fig. 10. Comparison of Sargassum horneri detection data. (a) Before removing false detection results. (b) After removing false detection results (February 24, 2022).

괭생이모자반이 대규모로 분포하였던 4월 9일 오탐지 제거 전 자료에서는 중국 연안과 구름 주변 말고도 산발적으로 분포하는 오탐지 화소가 다수 확인되었다. 자동 오탐지 제거 알고리즘에서 4월에 해당하는 ‘조건 3’의 옵션(Fig. 8)을 적용하였으며, 산발적으로 분포한 오탐지가 많이 제거됨과 동시에 대규모 패치가 탐지된 해역에서 전체 탐지 분포 상당부분 감소하는 것을 확인하였다(Fig. 11). 해당 패치 또는 화소들의 스펙트럼 분석 결과, 제거된 결과 중 일부는 오탐지로 확인하였으나 나머지 일부는 괭생이모자반 화소로 확인하였다. 그럼에도 불구하고, 황해 중부에 위치한 대규모 괭생이모자반 전체 분포 범위는 유사하였으며, 특히 중국 칭다오 연안해역의 오탐지 화소 대부분은 성공적으로 제거됨을 확인하였다.

OGCSBN_2023_v39n6_2_1615_f0010.png 이미지

Fig. 11. Comparison of Sargassum horneri detection data. (a) Before removing false detection results. (b) After removing false detection results (April 9, 2022).

괭생이모자반이 마지막으로 탐지된 6월 25일 자료에서 오탐지 제거 전에는 소량의 괭생이모자반 패치와 함께 대규모 녹조 패치를 칭다오 연안에서 확인하였다. 오탐지 제거 기능 적용 후 칭다오 연안의 대규모 녹조 패치는 대부분 제거되었지만(Fig. 12), 황해 중부에서 확인된 소량의 괭생이모자반 패치가 오탐지 제거 기능 적용 후 함께 제거되는 문제가 발생하였다. 괭생이모자반 모니터링 시스템은 황해 및 동중국해에서 대규모로 분포하는 괭생이모자반 정보나 한반도 연안으로 유입되는 괭생이모자반을 중점으로 하기 때문에 소량의 괭생이모자반 화소의 제거보다 대량 녹조 화소가 제거되는 점은 본래 시스템의 개발 목적에 더욱 적합하다고 판단하였다.

OGCSBN_2023_v39n6_2_1615_f0011.png 이미지

Fig. 12. Comparison of Sargassum horneri detection data. (a) Before removing false detection results. (b) After removing false detection results (June 25, 2022).

5.2. 중해상도 이용 검증 결과

중해상도 위성영상을 통해 산출된 괭생이모자반 탐지 위치와 GOCI-II 기반 괭생이모자반 탐지 화소의 위치를 육안으로 비교하였다(Fig. 13). 4월 9일과 17일 그리고 20일의 오탐지 제거 전의 탐지 결과와 오탐지 제거 후의 괭생이모자반 탐지 결과를 중해상도 위성영상과 비교하였다. GOCI-II 기반 탐지 결과와 유사한 형태의 패치가 중해상도 위성 기반 탐지 결과에서도 유사한 위치에 존재함을 확인하였다. 다만, 중해상도 위성 기반 탐지 결과에서 GOCI-II 결과보다 상당히 많이 탐지하였는데, 이는 GOCI-II 보다 높은 공간해상도를 가진 중해상도 위성영상에서 밀집도가 낮은 소규모의 괭생이모자반을 탐지하고 두 영상의 촬영 시간 차이에 의해 구름이 이동하면서 추가로 탐지된 화소가 존재하기 때문이다. 또한, GOCI-II 결과는 탐지 화소를 추출한 후 구름 영역을 제거하기 때문에 옅은 구름에서 탐지된 결과를 제거하지만, 중해상도 위성영상을 이용하여 FAI 지수로 추출할 경우 옅은 구름 사이로 신호가 강한 괭생이 모자반 화소가 탐지되기 때문에 차이가 발생한다. 4월 9일의 탐지 결과를 비교 시 GOCI-II 구름 영역의 가장자리 부분에서 Landsat-8은긴띠 형태의 괭생이모자반을 탐지하였고(Fig. 13a), 4월 17일의 탐지 결과에서도 Landsat-9는 GOCI-II 구름 영역에서 괭생이모자반을 탐지하였다(Fig. 13b). 위색 합성 이미지로 확인한 결과, 옅은 구름 사이로 신호가 강한 괭생이모자반이 탐지된 것을 확인하였다.

OGCSBN_2023_v39n6_2_1615_f0012.png 이미지

Fig. 13. Detection results before removing false detections (upper left) and after removing false detections (upper right) of Sargassum horneri using GOCI-II and Sargassum horneri results after visual analysis using mid-resolution satellite (bottom). (a) Comparison of GOCI-II results and Landsat-8 image (April 9, 2022). (b) Comparison of GOCI-II results and Landsat-9 image (April 17, 2022). (c) Comparison of GOCI-II results and Sentinel-2A image (April 20, 2022).

오탐지 제거 전과 제거 후의 탐지 결과를 이진분류모델을 이용하여 정확도를 계산한 결과 날짜순으로 오탐지 제거 전은 98.60%, 95.46%, 99.18%이고, 평균 97.75%이다. 오탐지 제거 후의 결과의 정확도는 각각 98.55%, 95.48%, 99.15%이고, 평균 97.73%이다. 정밀도는 오탐지 제거 전후가 각각 96.80%, 86.78%, 99.37%와 97.79%, 88.42%, 100%이고, 평균은 각각 94.32%와 95.40%이다. 재현율은 오탐지 제거 전후가 각각 33.99%, 44.50%, 25.34%와28.82%, 40.15%, 18.12%이고, 평균은 각각 34.61%와 29.03%이다(Table 5). 오탐지 제거 전보다 제거 후의 정확도와 재현율은 오히려 낮아지고 정밀도만 향상되었는데, 이는 GOCI-II 해상도에서 밀집도가 낮은 소규모 괭생이모자반 패치를 오탐지 결과일 가능성이 높은 화소로 분류하여 제거하여 False Negative (FN)의 수가 증가하였기 때문이다. 정확도와 정밀도는 95%이상의 높은 값을 유지하였는데, 중해상도 위성에서 해수로 분류된 화소를 GOCI-II 영상에서 괭생이모자반으로 오탐지 된 화소가 거의 없기 때문이다. 반면, 재현율은 GOCI-II의 공간해상도로 탐지되지 않은 밀집도가 낮은 괭생이모자반 패치가 중해상도 위성영상에서 탐지되거나 구름 영역에서의 탐지 결과 차이로 인하여 낮은 값을 나타내는 것으로 추정하였다. GOCI-II 영상의 촬영시각과 Landsat-8/9, Sentinel-2A의 촬영시각이 동일하지 않아서 시간 차이만큼 괭생이모자반이 이동하기 때문에 탐지 결과에서도 오차가 발생할 수 있다. 또한, 탐지 결과가 적은 중해상도 위성영상으로 비교하면 True Positive (TP)의 수가 False Negative (FN)의 수에 비하여 현저하게 적어지면서 정확도와 재현율이 0에 가까운 값을 산출하기 때문에 본 연구에서는 대규모 괭생이모자반이 탐지된 중해상도 위성영상을 활용하였다. 이에 따라 오탐지 제거 기능에 의하여 괭생이모자반 탐지 결과가 비교적 많이 제거된 영상으로 정량적 검증을 수행하였기 때문에 검증 결과는 오히려 성능이 약화된 것으로 분석할 수 있다. 따라서 향후 괭생이모자반 탐지 및 오탐지 결과의 정량적인 평가를 수행하기 위하여 최적의 검증자료 확보 방법에 대한 추가적인 고찰이 필요하다.

Table 5. Quantitative verification of the Sargassum horneri detection results about before and after removing false detection results in GOCI-II and mid-resolution satellite images using accuracy, precision, and recall values

OGCSBN_2023_v39n6_2_1615_t0005.png 이미지

6. 결론

본 연구에서는 국립해양조사원 국가해양위성센터에서 서비스하고 있는 GOCI-II 기반의 괭생이모자반 탐지 알고리즘에서 발생하는 오탐지 결과를 최소화하기 위하여 오탐지 자동 제거 기능을 적용하였고, 해당 기능을 포함한 괭생이모자반 모니터링 시스템의 성능을 평가하였다. 이를 위하여 2022년 괭생이모자반 탐지 결과를 산출하여 오탐지 대상별 특성을 분석하여 제거하는 기능을 적용하고 그 결과를 공간해상도가 높은 중해상도 위성영상을 이용하여 비교 검증하였다. 오탐지 제거 전후 결과 비교 시 선형 오탐지는 완전히 제거하고 산발적 오탐지는 괭생이모자반이 분포하지 않는 해역에서의 오탐지를 대다수 제거한다.

또한 녹조는 가시적으로 대규모로 발생한 결과에 대해서 대부분 제거된 것을 확인하였다. 중해상도 위성영상의 FAI 지수와 합성영상의 육안 판독을 통해 산출된 탐지 결과를 비교한 결과, 공간해상도의 차이와 구름 영역에서의 탐지 여부 차이로 인하여 중해상도 위성영상에서 더 많이 탐지되었으나 그 외의 영역에서는 위치와 형태가 유사한 괭생이모자반 패치를 탐지하였다. 정량적 검증을 위하여 이진분류모델을 기반으로 결과를 분류하고 정확도와 정밀도, 재현율의 통계 값을 계산하여 오탐지 제거 전과 후를 비교하였다. 평균 재현율은 약 5% 감소하였는데, 이는 대규모 괭생이모자반이 탐지된 영상을 이용하여 단독 화소의 탐지 결과가 오탐지로 분류되어 제거하였기 때문이다.

그럼에도 본 연구의 괭생이모자반 모니터링 시스템 개발 목적은 오탐지 가능성이 높은 결과를 최대한 제거하여 부정확한 정보 제공을 최소화하기 위함이므로 GOCI-II의 오탐지 제거 전과 후의 선형 오탐지와 산발적 오탐지 그리고 녹조 오탐지가 뚜렷하게 감소하였음을 토대로 괭생이모자반 탐지 알고리즘 성능 개선이 유의미하다고 평가하였다. 적용한 오탐지 제거 기법은 GOCI-II가 발사된 2020년 12월 이후의 자료 중 2022년 자료를 분석하여 기준을 설계하였는데, 이후 축적되는 GOCI-II 기반 괭생이모자반 탐지 결과를 이용하여 알고리즘을 개선하고 최적의 정량적 검증 방법을 모색하여 정확성을 향상시킬 수 있다.

다만, 오탐지 제거 결과는 괭생이모자반의 공간적인 분포 현황 공유 목적으로는 적합하지만 사용한 위성영상의 공간해상도 한계성 및 낮은 재현율을 고려하였을 때 해상에 존재하는 괭생이모자반의 양을 추정하기에는 부적합하다. 따라서 황해에 유입되는 괭생이모자반의 초기 유입경로 및 이동예측 등의 활용 이외에 대응 계획수립 등의 목적을 위해서는 기존 GOCI-II 4개의 슬롯에서 중해상도 위성영상을 연계하는 융합연구 등을 통하여 괭생이모자반 모니터링 시스템의 고도화 연구가 필요하다.

사사

이 논문은 2022년도 해양수산부 재원으로 해양수산과학기술진흥원의지원을받아수행된연구임(20220546:천리안 2B호 산출물 정확도 향상 연구, 20210046: 해양위성영상 분석 활용 기술 개발.

Conflict of Interest

No potential conflict of interest relevant to this article was reported.

참고문헌

  1. Byeon, Y., Seo, M., Jin, D., Jung, D., Woo, J., Jeon, U. et al., 2021. Green algae detection in the middle.downstream of Nakdong River using high-resolution satellite data. Korean Journal of Remote Sensing, 37(3), 493-502. https://doi.org/10.7780/kjrs.2021.37.3.10
  2. Choi, H. G., Lee, K. H., Yoo, H. I., Kang, P. J., Kim, Y. S., and Nam, K. W., 2008. Physiological differences in the growth of Sargassum horneri between the germling and adult stages. Journal of Applied Phycology, 20, 729-735. https://doi.org/10.1007/s10811-007-9281-5
  3. Gower, J., King, S., Borstad, G., and Brown, L., 2005. Detection of intense plankton blooms using the 709 nm band of the MERIS imaging spectrometer. International Journal of Remote Sensing, 26(9), 2005-2012. https://doi.org/10.1080/01431160500075857
  4. Gower, J., King, S., and Goncalves, P., 2008. Global monitoring of plankton blooms using MERIS MCI. International Journal of Remote Sensing, 29(21), 6209-6216. https://doi.org/10.1080/01431160802178110
  5. Hu, C., 2009. A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment, 113(10), 2118-2129. https://doi.org/10.1016/j.rse.2009.05.012
  6. Hu, C., and He, M. X., 2008. Origin and offshore extent of floating algae in Olympic sailing area. Eos, Transactions American Geophysical Union, 89(33), 302-303. https://doi.org/10.1029/2008EO330002
  7. Hwang, E. K., Lee, S. J., Ha, D. S., and Park, C. S., 2016. Sargassum golden tides in the Shinan-gun and Jeju Island, Korea. Korean Journal of Fisheries and Aquatic Science, 49(5), 689-693. https://doi.org/10.5657/KFAS.2016.0689
  8. Kahru, M., Leppanen, J. M., and Rud, O., 1993. Cyanobacterial blooms cause heating of the sea surface. Marine Ecology Progress Series, 101(1/2), 1-7. https://doi.org/10.3354/meps101001
  9. Kang, E. J., Kim, J. H., Kim, K., Choi, H. G., and Kim, K. Y., 2014. Re-evaluation of green tide-forming species in the Yellow Sea. Algae, 29(4), 267-277. https://doi.org/10.4490/algae.2014.29.4.267
  10. Kim, E., Kim, K., Kim, S. M., Cui, T., and Ryu, J. H., 2020. Deep learning based floating macroalgae classification using Gaofen-1 WFV images. Korean Journal of Remote Sensing, 36(2-2), 293-307. https://doi.org/10.7780/kjrs.2020.36.2.2.6
  11. Kim, H. A., and Lee, B. I., 2019. GK-2A AMI algorithm theoretical basis document (cloud mask) version 1.0. National Meteorological Satellite Center, Korea Meteorological Administration. https://nmsc.kma.go.kr/homepage/html/base/cmm/selectPage.do?page=static.edu.atbdGk2a
  12. Kim, W., Lim, T., Ahn, J. H., and Choi, J. K., 2021. A preliminary analysis on the radiometric difference across the level 1B slot images of GOCI-II. Korean Journal of Remote Sensing, 37(5-2), 1269-1279. https://doi.org/10.7780/kjrs.2021.37.5.2.5
  13. Korea Hydrographic and Oceanographic Agency, 2021. Comprehensive analysis and utilization support for Ocean satellite information in 2021. National Ocean Satellite Center, Korea Hydrographic and Oceanographic Agency.
  14. Korea Hydrographic and Oceanographic Agency, 2022a. Comprehensive analysis and utilization support for Ocean satellite information in 2022. National Ocean Satellite Center, Korea Hydrographic and Oceanographic Agency.
  15. Korea Hydrographic and Oceanographic Agency, 2022b. GK-2B GOCI-II algorithm theoretical basis document (Floating Sargassum Horneri Ratio). National Ocean Satellite Center, Korea Hydrographic and Oceanographic Agency.
  16. Lee, S. Y., 2018. Analysis of the physical factors affecting the inflow of Sargassum horneri into adjacent seas of Jeju Island using particle tracking experiment. Master's thesis, Jeju National University, Jeju, Republic of Korea.
  17. Leliaert, F., Zhang, X., Ye, N., Malta, E. J., Engelen, A. H., Mineur, F. et al., 2009. Research note: Identity of the Qingdao algal bloom. Phycological Research, 57(2), 147-151. https://doi.org/10.1111/j.1440-1835.2009.00532.x
  18. Long, L., Liu, H., Cui, M., Zhang, C., and Liu, C., 2023. Offshore aquaculture in China. Reviews in Aquaculture. https://doi.org/10.1111/raq.12837
  19. Min, S. H., Hwang, J. D., Oh, H. J., and Son, Y. B., 2019. Reflectivity characteristics of the green and golden tides from the Yellow Sea and East China Sea. Journal of Coastal Research, 90(sp1), 310-316. https://doi.org/10.2112/SI90-039.1
  20. Ody, A., Thibaut, T., Berline, L., Changeux, T., Andre, J. M., Chevalier, C. et al., 2019. From In Situ to satellite observations of pelagic Sargassum distribution and aggregation in the Tropical North Atlantic Ocean. PLoS One, 14(9), e0222584. https://doi.org/10.1371/journal.pone.0222584
  21. Park, K. A., Park, J. E., Choi, B. J., Lee, S. H., Shin, H. R., Lee, S. R. et al., 2017. Schematic maps of ocean currents in the Yellow Sea and the East China Sea for science textbooks based on scientific knowledge from oceanic measurements. The Sea: Journal of the Korean Society of Oceanography, 22(4), 151-171. https://doi.org/10.7850/jkso.2017.22.4.151
  22. Park, Y. B., Kim, J. E., Bouk, J. K., Kim, J. H., Lee, S. H., and Kim, T. H., 2023. Design of monitoring system for floating golden algae using GOCI-II: Focusing on the Yellow Sea. Korean Journal of Hydrography, 12(1), 49-61.
  23. Prangsma, G. J., and Roozekrans, J. N., 1989. Using NOAA AVHRR imagery in assessing water quality parameters. International Journal of Remote Sensing, 10(4-5), 811-818. https://doi.org/10.1080/01431168908903921
  24. Qi, L., and Hu, C., 2021. To what extent can Ulva and Sargassum be detected and separated in satellite imagery?. Harmful Algae, 103, 102001. https://doi.org/10.1016/j.hal.2021.102001
  25. Qi, L., Hu, C., Xing, Q., and Shang, S., 2016. Long-term trend of Ulva prolifera blooms in the western Yellow Sea. Harmful Algae, 58, 35-44. https://doi.org/10.1016/j.hal.2016.07.004
  26. Rouse, J. W., Haas, R. H., Schell, J. A., and Deering, D. W., 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication, 351(1), 309-317.
  27. Vermote, E. F., Tanre, D., Deuze, J. L., Herman, M., and Morcette, J. J., 1997. Second simulation of the satellite signal in the solar spectrum, 6S: An overview. IEEE Transactions on Geoscience and Remote Sensing, 35(3), 675. https://doi.org/10.1109/36.581987
  28. Zhuang, M., Liu, J., Ding, X., He, J., Zhao, S., and Wu, L. et al., 2021. Sargassum blooms in the East China Sea and Yellow Sea: Formation and management. Marine Pollution Bulletin, 162, 111845. http://doi.org/10.1016/j.marpolbul.2020.111845