위성영상 기반 해양수산 양식장의 경계 데이터 추출

A Study on Extracting Boundary Data of Marine Fish Farms Based on Satellite Images

Abstract

선박의 안전 운항과 해양수산 양식장 관리를 위해 해양수산 빅데이터 구축에 필요한 해양수산 양식장의 경계를 추출한 데이터 셋은 어장 허가 구역과의 일치 여부 조사를 통해 선박의 운항 경로에 불법 설치 시 장애물 정보를 미리 제공할 수 있다. 또한, 해양 사고 등에 의한 피해보상을 위해 필요한 양식장 조업 여부도 파악할 수 있으며, 해당 지자체에서는 어장도와의 중첩 비교를 통해 어장 관리 등에 사용할 수 있다. 선박의 안전 운항을 위한 전자해도에 물표 표시를 통해 운항 경로상의 장애물 파악에 필요한 기초 데이터로써 활용이 높다. 이 연구에서는 양식장의 경계 추출을 위해 충분한 공간해상도를 가지며 짧은 주기로 반복하여 촬영하는 유럽항공우주국 (ESA; europe space agency)의 Sentinel-2 위성영상 자료를 사용하였다. 영상 이미지에서 양식장의 주기별 현황 데이터의 생산을 위해 해상의 구역별 데이터를 부산권, 울산권, 거제·창원권, 고성·통영권, 남해·사천권의 5개 관리 구역으로 나누어 처리하였으며, 구역별 위성영상의 수집과 영상의 강조 처리 과정을 거쳐 양식장의 경계 데이터와 메타정보를 추출하였다.

For safe operation of ships and management of marine fisheries farms, the data set that extracts the boundaries of marine fisheries farms can provide information on obstacles in the vessel's navigation path in advance by examining whether it matches the fishing ground permit area. In addition, it can be used to determine whether fish farms are operating to compensate for damage caused by marine accidents, and the relevant local government can use it to manage fishing grounds. It is also highly utilized as basic data to identify obstacles for safe navigation of ships. In this study, Sentinel-2 satellite image data from the European Space Agency (ESA) was used to extract the boundaries of fish farms. From the video image, the fish farm's status data by cycle was divided into five zones: Busan-Ulsan area, Geoje-Changwon area, Goseong-Tongyeong area, and Namhae-Sacheon area. Through the image highlighting process, the farm boundary data and meta data were processed and extracted.

Ⅰ. 서론

최근 지구온난화로 인한 기후변화로 한반도 연안에 분포하는 양식장은 계절에 따라 양식품종의 변경이 더욱 빈번해지고 있으며, 일부 허가 어장의 범위를 초과하거나 일치하지 않는 불법 양식장의 설치로 인해 선박의 운항 항로를 침범한 안전 운항에 장애적 요소가 되는 등 해양 사고의 위협이 되고 있다. 선박의 안전 운항과 양식장의 관리를 위해서는 해상의 양식장 경계에 대한 데이터의 구축이 중요하며, 양식장 경계를 추출한 데이터 셋은 선박의 전자해도에 물표 표시를 통해 운항 경로상의 장애물 파악에 필요한 기초 데이터로 활용이 가능하여 해상 사고의 위협을 줄일 수 있다.

이 연구에서는 양식장의 경계 추출을 위해 충분한 공간해상도를 가지며 짧은 주기로 반복하여 촬영하는 유럽항공우주국(ESA; europe space agency)의 Sentinel-2 위성영상 데이터를 사용하였다. 해상의 구역별 양식장 경계는 위성영상을 활용하여 주기적인 양식장의 위치와 범위 등의 현황 정보를 데이터 셋으로 확보할 수 있다.

양식장의 주기별 현황 데이터를 수집하기 위해 해상의 구역별 구분은 부산권, 울산권, 거제·창원권, 고성·통영권, 남해·사천권의 5개 관리 구역으로 나누어 처리하였으며, 구역별 위성영상의 수집과 영상의 강조 처리 과정을 거쳐 양식장의 경계 데이터와 메타정보를 추출하였다. 수집된 데이터는 어장의 허가 구역과 일치 여부 조사를 통해 선박의 운항 경로에 불법 설치 시 장애물의 정보를 미리 제공할 수 있어 해양 사고 발생시 피해보상을 위해 필요한 양식장의 조업 여부도 파악할 수 있으며, 해당 지자체에서는 관리 구역의 어장 도면과 중첩 비교를 통해 연안의 어장 관리 등에 활용할 수 있다.

Ⅱ. 탐사 위성 기술

탐사 위성은 지구 표면의 영상을 얻기 위해 태양으로부터 파장되는 가시광선과 적외선 영역으로 지구 표면에 도달하는 빛의 분광 반사 특성을 측정하고 분석하는 분광계(Spectrometer)를 사용하고 있으며, 영상과의 대응을 통해 다양한 지표물의 특성을 확인할 수 있다. 분광해상도는 영상이 가지고 있는 밴드수와 밴드 폭으로 분광해상도가 높을 때 지표물의 종료와 특성 및 상태를 파악하는데 용이하다.

1900년대부터 다중분광과 초분광 센서를 탑재한 인공위성이 꾸준히 발사되고 있으며, 1999년에 발사된 IKONOS는 다중 분광 영상을 사용하여 1 m급 해상도의 영상을 촬영한다. IKONOS는 4개의 다중분광영상 밴드로 구성되며, 주로 지도나 주제도 제작, 통신, 시설물 관리 등 많은 분야에서 활용되고 있다. 2001년에 발사된 QuickBird-2호는 현재 운영 중인 상업용 탐사 위성 중 고해상도의 위성영상을 확보할 수 있는 위성 중의 하나로 IKONOS와 같은 4개의 밴드로 구성되고 있다. 표 1은 위성 영상 밴드의 분광해상도를 구분한 것이다 [1].

표 1. 영상 밴드의 분광해상도 구분

Table 1. Spectral resolution classification of image bands

양식장 경계 추출을 위해 사용된 Sentinel-2 위성은 2015년과 2017년에 발사된 동일 궤도의 2개 위성인 Sentinel-2A호와 Sentinel-2B호가 있으며, 10 m, 20 m, 60 m급 공간해상도를 갖는 13개의 밴드로 구성된 다중분광영상으로 고도 약 786 Km의 궤도에서 290 Km²의 촬영 폭을 갖는다. 전 지구의 촬영 주기는 10일이며, 최대 10 m급 해상도와 Push-broom 형식의 290 Km²의 넓은 관측 폭, 구름이 없을 때 적도에서 4~5일 재방문 주기, 중위도에서 2~3일의 짧은 재방문 주기로 전처리가 완료된 위성영상을 제공하고 있어 그 활용성이 매우 높다.

Sentinel-2A와 2B의 2개 위성은 최적의 적용 범위와 데이터 획득을 위해 서로 180˚ 떨어져 있으며, 이 연구에서 사용된 Sentinel-2는 10 m급 가시 근적외 밴드 4개와 20 m급 해상도의 식생 적색 경계 밴드 3개, 단파 적외선 밴드 2개, 협대역 근적외 밴드 1개, 60 m급 해상도의 수증기, 단기 단파 적외선, 그리고 연안 에어로졸이 각각 1개씩 총 13개의 밴드를 갖고 있다. 표 2는 Sentinel-2A의 밴드와 파장 및 해상도, 대역폭을 나타낸다.

표 2. Sentinel-2A의 밴드

Table 2. Bands of Sentinel-2A

Sentinel-2는 미국 지질조사국(USGS)에서 단계별 영상의 전처리 완료 여부와 포함 면적의 대기 반사율에 따라 영상을 구분하여 제공하고 있으며, 1B, 1C, 2A의 세 가지 레벨로 구분된다. 1B 레벨은 25 Km²의 분할된 영상을 제공하고, 각 분리된 영상은 12개의 센서 중 하나의 하위 이미지로 약 23 Km의 트랙을 따라 주어진 수의 선을 포함한다. 1C 레벨은 각각 100 Km² 면적을 포함하며 방사 보정과 기하보정을 적용하여 WGS84 타원체 기반 UTM 좌표계로 제공한다 [2].

2A 레벨은 ESA의 Sentinel-2 Toolbox에서 실행 중인 프로세서를 사용자가 직접 사용할 수 있다. 특히 표 2의 적색 경계 밴드 5, 6, 7번은 적색과 근적외선 파장 사이에 식생 반사도 스펙트럼의 680~800 nm 영역에서 최대 경사도 지점을 구할 수 있어 지구 표면의 식생 상태 관찰에 매우 중요한 역할을 하고 있다.

Cho(2020)는 4개의 좁은 밴드를 사용한 선형방법을 응용했으며, 각각의 파장대별 DNs (digital numbers) 값으로 식(1)과 같이 초분광영상으로 구축한 식생지수 (REP; red edge position)를 구할 수 있다 [3].

\(\begin{align}R E P=700+40\left[\frac{p(\text { rededge })-p(700 \mathrm{~nm})}{p(740 \mathrm{~nm})-p(700 \mathrm{~nm})}\right]\\p(rededge)=\frac{p(670 \mathrm{~nm})+p(780 \mathrm{~nm})}{2}\end{align}\)       (1)

Ⅲ. 양식장 경계 데이터 추출

3-1 데이터 수집 범위 및 방법

양식장의 경계 추출에 활용할 해상 구역별 위성영상은 미국지질조사국과 Copernicus Open Access Hub에서 무료 개방을 하고 있다.

Sentinel-2A 영상은 GMES (global monitoring for environment security) 프로그램으로 기후변화와 환경관리 및 민간의 안전 보장을 목적으로 공개하고 있다 [3].

국내의 경우 약 10일의 짧은 재방문 주기를 가지고 있으며, 2개의 위성으로 운영되므로 5일 주기로 동일 지역을 반복 촬영하고, 최고 10 m의 공간해상도를 가지는 영상을 제공하기 때문에 전국을 대상으로 매월 촬영된 영상의 확보가 가능함에 따라 한반도의 계절 변화에 따른 시기별 균일한 품질을 유지하는 양식장의 경계 추출이 가능하다.

전국의 총면적은 2022년 기준 161,460 Km²로 10,046개의 양식장이 있다. 이 연구에서 사용한 구역은 크게 부산권 2,578 Km² 내의 159건, 울산권 1,273 Km² 내의 79건, 경남도 30,537 km² 내의 3,217건 중에서 그림 1과 표 3과 같이 양식장 조사 권역별 범위를 설정하였다.

그림 1. 권역별 대상 지역의 양식장 지도

Fig. 1. Map of fish farms in target areas by region

표 3. 양식장 조사 권역별 범위

Table 3. Scope of fish farm survey area

조사 대상 지역의 수산 양식장은 크게 해조류(김, 미역, 다시마, 파래, 톳, 참모자반, 그 외)와 폐류(굴, 피조개, 바지락, 고막, 가무락, 새고막, 백합, 홍합, 가리비, 전복, 진주조개, 개량조개, 등죽, 그 외), 어류 등(가두리 어류, 축제식 어류, 새우, 우렁쉥이, 해삼, 미더덕, 그 외) , 복합양식(김, 미역, 다시마, 톳, 가리비, 전복, 우렁쉥이, 성게, 바지락, 굴, 어류, 그 외), 협동양식(피조개, 굴, 전복, 김, 다시마, 가리비, 바지락, 개량조개, 그 외), 외해양식으로 분류할 수 있다 [4].

3-2 데이터 추출 프로세스

양식장 경계 데이터의 추출 과정은 그림 2와 같이 위성 영상 원본에서 공간해상도 10 m의 4개 밴드인 청색, 녹색, 적색, 근적외선 파장 대역을 추출하여 1개 파일로 변환한다. 그리고 IHS (intensity hue saturation) 변환 기법과 고주파 통과 필터(HPF; high-frequency pass filter) 등을 사용하여 영상의 강조 처리하고 양식장의 경계 식별을 항상 시킨다 [5], [6].

그림 2. 양식장 경계 추출 과정

Fig. 2. Extraction procedure for farm boundaries

다음 단계는 디지타이징을 실시하여 양식장 경계를 추출하며, 그 결과는 ESRI shape으로 저장한다. 그림 3은 영상에서 양식장의 경계를 추출한 예이다.

그림 3. 양식장 경계 추출 예

Fig. 3. Example of farm boundary extraction

1) 영상 집성 (mosaic) 및 영상 절취 (subset)

영상 집성은 여러 개의 영상을 하나로 합치는 작업이다. 집성 작업에는 Erdas Imagine 프로그램의 Mosaic Tool을 사용하였으며, 입력 파일에 6개 장면을 선택하고 출력파일명을 지정하면 결과 파일이 생성된다. 이때 Sentinel-2 위성영상의 한 장면 (scene)은 110 × 110 Km 범위를 나타내며, 울산권, 부산권, 거제·창원권, 고성·통영권, 남해·사천권의 5개 권역이 모두 포함되려면 6개의 장면이 필요하다. 그림 4는 Sentinel-2A의 2022년 1월 14일 자 위성영상을 이용하여 원본 영상 6개의 장면을 1개의 장면으로 영상을 집성한 결과이다.

그림 4. 위성영상의 집성 결과 예시

Fig. 4. Mosaic example from satellite image

영상절취 과정에서는 Erdas Imagine 프로그램의 Subset Tool을 사용하였으며, 영상 집성된 파일을 선택하고 좌상과 우하의 좌푯값을 입력한 후 출력파일명을 지정하면 결과 파일이 생성된다. 이 작업을 통해 울산권, 부산권, 거제·창원권, 고성·통영권, 남해·사천권의 5개 권역에 분포하는 양식장 경계를 추출하기 위하여 조사 지역에 해당하는 범위로 잘라내는 영상절취 과정을 시행하였으며, 절취 결과는 그림 5와 같다.

그림 5. 5개 권역의 위성영상 절취 결과

Fig. 5. Image theft results in 5 regions

2) 육지 마스킹 (land masking)

육지 마스킹은 그림 6과 같이 해상의 양식장 경계 추출을 위해 육상 부분의 이미지를 제거하기 위한 작업이다. Sentinel-2 위성영상에서 양식장 경계의 판독을 위해서는 육지의 색상에 의해 바다의 색상이 영향을 받지 않게 하도록 육지 부분을 마스킹하였다. 근적외선 밴드 영상은 육지와 수역이 구분하기가 쉬우므로 히스토그램 스트레칭 (histogram stretching)을 통하여 마스크 (mask)를 작성하고 원본 영상과의 곱 연산을 수행하여 육지부의 색상을 제거하였다.

그림 6. 육지 이미지의 마스킹 결과

Fig. 6. Masking results for land images

3) 영상 개선 (images enhancement)

영상 개선은 이미지의 대비나 경계 등의 특징을 강조하여 영상을 목적에 적합하게 변환하는 작업으로 화소값 변환, 공간 영역 변환, 주파수 영역 변환, 형태학 연산 등의 변환 기법이 있다.

화소값 변환은 영상 반전이나 대비 확장, 히스토그램을 이용하여 평준화 및 명시화한다. 공간 영역 변환은 저대역 통과 필터링을 통해 노이즈를 제거하고, 고대역 통과 필터링을 통해 에지를 강조한다.

주파수 영역 변환은 이산 푸리에 변환과 이산 코사인 변환이 있다. 형태학 연산은 영상 내 객체 구조를 명확히 하기 위해 형태소 (structuring element)를 이진 영상과 비교하거나 침식 (erosion), 팽창 (dilation), 제거 (opening), 채움 (closing) 과정을 진행한다.

이 연구에서는 양식장의 경계 식별이 쉽게 처리하기 위해 IHS 변환 기법과 고주파 통과 필터 등을 사용하여 영상을 개선하였다. 그림 7은 Sentinel-2B호의 2022년 1월 14일 자 낙동강 하구의 위성 영상 이미지를 사용하여 영상을 개선한 처리 결과의 예이다.

그림 7. 위성영상의 개선 처리 결과

Fig. 7. Results of improved processing of satellite images

영상 개선에 사용한 IHS 변환 기법은 명도 (intensity), 색조 (hue), 채도 (saturation)로 나타낸 IHS 좌표계에서 선형 대비 향상법 (linear contrast enhancement)을 사용하여 명도의 대비를 개선한 후 명도의 밝기 변화량에 따라 채도의 대비를 개선하는 기법이다 [5].

색채는 채도와 색조를 합한 색도 (chromaticity)와 밝기를 합해 적용한다. 이 색도는 적색 (red), 녹색 (green), 청색 (blue)의 3원색으로 모든 색을 만들 수 있어 RGB 좌표계의 색채를 생성하거나 다른 색채를 얻는 데 유리한 장점이 있다. 위성영상에 이 기법을 적용하면 명도는 지상 해상도의 변화에 영향을 주며, 색도와 채도는 색상에 영향을 준다. 따라서 영상 이미지의 색상과 지상 해상도를 분리하여 영상 자료의 해상도를 향상하는 효과를 나타내기 위해 식(2)과 같이 명도(I), 색조(H), 채도(S)를 구할 수 있다.

\(\begin{align} \begin{array}{l} I=\frac{1}{3}(R+G+B) \\\begin{array}{l}H=\operatorname{atan} 2\left(\frac{\sqrt{3(G-B)}}{2 R-G-B}\right),-r \leq H \leq r \\ S=\sqrt{r(r-g)+g(g-b)+b(b-r)}, 0 \leq S \leq 255\end{array}\end{array} \end{align}\)       (2)

HPF[6]는 신호 성분 중 고주파 성분은 통과시키고 저주파 성분을 차단하는 필터로 흐려진 영상을 개선하여 첨예화하는 결과 영상을 생성할 수 있다. 식(3)과 같이 원본 영상 f(x, y)에서 저주파 통과 필터링으로 얻은 f_L(x, y) 영상을 제거하면 f_H(x, y) 영상의 고주파 성분만을 남게 된다.

f_H(x, y) = f(x, y) - f_L(x, y)       (3)

영상 개선 처리에서 공간 필터링 (spatial filtering)은 영상에 있는 공간 주파수 대역을 제거하거나 강조하는 필터를 말하는데, 사용되는 필터의 계수에 따라 특정 주사를 제거하거나 강조하므로 필터 마스크 또는 회선 마스크의 가중치 선택이 공간 필터의 행동을 결정하며, 주로 홀수 차원의 정방형 마스크가 사용된다. 공간 필터링 중 고주파 통과 필터는 그림 8과 같이 신호 성분 중 고주파 성분은 통과시키고 저주파 성분은 차단함으로써 샤프닝 (sharpening) 효과를 나타내므로 흐려진 영상을 개선하여 첨예화된 결과 영상을 생성할 수 있다.

그림 8. 고주파통과필터의 마스크 적용 예시

Fig. 8. Mask and application example of HPF

4) 양식장의 경계 데이터 생성

영상 개선 과정을 거쳐 생성된 영상은 디지타이징(digitizing)[7] 작업을 수행하여 이미지에서 양식장의 경계를 추출하며, ESRI shape 포맷으로 저장한다.

그림 9는 영상 개선 과정을 거쳐 생성된 영상에서 양식장의 경계를 추출한 모습이다. 생성된 영상으로부터 양식장의 경계를 추출한 이미지는 shape 파일의 속성 테이블에 중심 좌표, 촬영일시, 주소, 면적, 양식품종 등의 속성정보를 입력하고 이를 텍스트 파일로 변환하여 메타데이터를 작성한다. 메타데이터에는 섬네일 이미지를 함께 작성하여 추가함으로써 그림 10의 (a)와 같이 양식장의 분포 현황을 파악할 수 있도록 하였다.

그림 9. 양식장의 경계 추출 예시

Fig. 9. Example of fish farm boundary extraction

그림 10. 양식장의 속성정보와 섬네일

Fig. 10. Fish farm property information and thumbnails

그림 10의 (b)는 섬네일 이미지이며, ArcGIS 프로그램의 Layout 기능을 사용하여 행정구역도 위에 추출한 양식장 경계와 어장도 polygon을 중첩 표시하고 도곽, 좌표, 축척, 범례 등을 추가한 후 JPG 형식의 이미지 파일을 생성한다. 양식장의 권역별 데이터 셋은 표 4와 같이 위성영상 데이터 셋과 양식장 경계 데이터 셋, 경계 메타데이터 셋으로 구분하여 생성하였으며, 양식장 경계 메타데이터의 필드 구조는 표 5와 같이 구성되며, 데이터 셋의 필드 구성은 양식장 경계 데이터 셋과 같게 설계된다. 이 연구를 통해 생성된 양식장 경계 추출 데이터 셋은 해양 수산 데이터 거래소에 공개되어 있으며, 새롭게 구축하는 ‘스마트 해양 AI 데이터 셋 Hub’ 플랫폼에도 공동 활용을 위해 개방할 예정이다.

표 4. 양식장의 경계 데이터 셋의 구조

Table 4. Structure of the farm boundary data sets

표 5. 메타데이터의 필드 구조

Table 5. Field structure of metadata

Ⅴ. 결론

본 논문에서는 선박의 안전 운항과 해양수산 양식장 관리를 위해 해양수산 빅데이터 구축에 필요한 양식장의 경계를 추출하였다. 데이터 셋 추출을 위해서 사용된 탐사 위성의 단계별 영상의 전처리 과정과 다중분광영상 밴드의 특성을 분석하였다. 양식장의 경계 추출 과정은 탐사 위성으로부터 필요 영상을 수집한 후 영상 집성과 영상절취 과정을 통해 대상 권역의 이미지를 확보하고, 육지 마스킹 과정을 거쳐 지도에서 육지부의 색상을 제거하였다. 양식장이 분포된 해상 영역을 강조 처리하기 위해 IHS 변환 기법과 고주파통과필터 기법을 분석하여 적용했으며, 디지타이징 작업을 통해 양식장의 경계 데이터를 추출하고 데이터 셋 파일을 생성하였다.

해양수산 빅데이터 구축에 필요한 양식장 경계 데이터 셋은 어장 허가 구역과의 일치 여부 조사를 통해 선박의 운항 경로에 불법 설치 시 장애물 정보를 미리 제공할 수 있으며, 해양사고 등에 의한 피해보상을 위해 필요한 양식장 조업 여부도 파악할 수 있다. 또한, 해당 지자체에서는 어장도와의 중첩 비교를 통해 어장 관리 등에 사용할 수 있다.

최근 자율운항 선박 기술이 연구되면서 인공지능 학습 데이터를 구축하여 선박의 설계 및 건조에 적용하고 있다. 이러한 디지털 선박의 안전 운항을 위해 전자해도에도 양식장의 물표를 등록하여 운항 경로상의 장애물 파악에 필요한 기초 데이터로 활용이 가능하다. 향후 연구에서는 양식장 경계 데이터의 이미지 인식률의 향상 방법과 신뢰성 및 오인식에 대한 개선 방법을 연구할 예정이다.