Machine Learning-based Atmospheric Correction for Sentinel-2 Images Using 6SV2.1 and GK2A AOD

6SV2.1과 GK2A AOD를 이용한 기계학습 기반의 Sentinel-2 영상 대기보정

Abstract

In this letter, we simulated an atmospheric correction for Sentinel-2 images, of which spectral bands are similar to Compact Advanced Satellite 500-4 (CAS500-4). Using the second simulation of the satellite signal in the solar spectrum - vector (6SV)2.1 radiation transfer model and random forest (RF), a type of machine learning, we developed an RF-based atmospheric correction model to simulate 6SV2.1. As a result, the similarity between the reflectance calculated by 6SV2.1 and the reflectance predicted by the RF model was very high.

이 단보에서는 차세대 중형위성 4호(농림위성)의 활용에 앞서, 농림위성과 분광밴드가 유사한 Sentinel-2 위성영상에 대하여 대기보정을 모의하였다. second simulation of the satellite signal in the solar spectrum - vector(6SV)2.1 복사전달모델과 기계학습의 일종인 랜덤 포레스트(random forest, RF)를 활용하여 6SV2.1을 모사한 RF 기반의 대기보정 모델을 개발한 결과, 6SV2.1로 산출된 반사도와 RF 모델로 예측된 반사도 간의 유사도가 매우 높게 나타났다.

1. 서론

대기보정은 위성에서 관측된 대기 상한 반사도에서 대기 효과를 제거하거나 보정하여 지표 반사도를 취득하는 것이 목적이다. 가시광 및 근적외선 대역은 대기의 산란 및 흡수 효과에 민감하며(She et al., 2017) 인접 효과, 이질적인 지표, 거친 지형 등은 대기 효과를 수정하기 어렵게 만든다(Yang et al., 2017). 대기의 영향은 지표면 원격탐사의 불확실성을 야기하기 때문에 정확한 대기보정은 지표면 특성 분석 및 환경 모니터링을 위한 필수적인 전처리 과정이다. 간단한 영상 기반에서 복잡한 물리 기반 및 기계학습 기반에 이르기까지 대기보정에 대한 많은 접근법이 존재한다. 영상 기반 접근법은 획득된 영상만을 사용하여 대기보정을 수행하고, 물리 기반 방식은 대기 매개변수를 바탕으로 복사전달모델(radiative transfer models, RTM)을 사용한다. 기계학습 모델은 다중 분광 원격 탐사에서 복잡한 비선형 관계를 처리할 수 있다. 이는 물리 모델을 강화하거나 특정 상황에서 물리 기반 모델의 대안으로 작동하며(Shah et al., 2022), 입력 자료와 지표 반사도 사이의 비선형 관계를 학습하여 주어진 입력 자료로부터 지표 반사도 값을 직접 생성한다.

이 단보에서는 2025년 발사 예정인 차세대 중형위성 4호(농림위성)에 적합한 대기보정 기법을 적용하기 위하여 농림위성의 사양과 유사한 Sentinel-2 위성영상을 이용하였으며, 물리 모델을 강화한 기계학습 기반의 대기보정을 구현하였다. Second simulation of the satellite signal in the solar spectrum – vector (6SV)2.1은 엄밀한 모델이지만 계산 부하가 과중하기 때문에 이를 최대한 모사하는 랜덤 포레스트(random forest, RF) 대기보정 모델을 개발함으로써, 6SV2.1의 정확도 및 RF의 계산속도 모두를 고려하고자 하였으며, 실제 영상에 대한 대기보정을 통해 가용성을 평가하였다.

2. 연구자료 및 방법

모델의 입력자료 확보를 위해 2021년에서 2022년 사이에 촬영되고, 구름이 비교적 적은 Sentinel-2 Level-1C 영상 47장을 획득하여(Table 1), 5개 밴드(Blue, Green, Red, Red edge, near-infrared [NIR]) 자료를 사용하였다(Table 2). 영상 내의 구름 및 구름 그림자는 Fmask 알고리듬(Zhu and Woodcock, 2012)을 통해 제거하였다. 6SV 계산에 필요한 대기 매개변수인 aerosol optical depth (AOD), 가강수량(total precipitable water, TPW), 총오존량(total ozone, TOZ)은 모두 Geo-Kompsat 2A (GK2A) 산출물을 활용하였다. GK2A는 2018년 12월에 발사되어 2분 간격으로 한반도를 관측하며, 대기보정에 필요한 대기 매개변수를 실시간으로 제공하고 있다. TPW, TOZ의 경우 시간적 변이가 크지 않기 때문에 Sentinel-2 위성의 촬영 시각에 가장 가까운 coordinated universal time (UTC) 02시 정각 자료를 사용하였다. AOD 산출물의 경우 UTC 02시 정각 자료를 기준으로 하되, 만약 해당 자료에 결측 화소가 있다면 해당 날짜의 매시 정각 자료를 합성하여 평균한 값으로 대체하였다. 그럼에도 누락된 화소가 존재한다면 OpenCV 라이브러리의 inpaint 함수를 사용하여 결측복원을 수행하였다(Fig. 1). 지표면 고도 자료는 Japan Aerospace Exploration Agency (JAXA)에서 운영하는 Advanced Land Observing Satellite (ALOS) 위성의 global digital surface model을 사용했고, 토지피복 자료로는 우리나라 환경부의 대분류 토지피복도를 사용하였다. 모든 자료는 Sentinel-2 영상에 맞춰 universal transverse mercator (UTM) 좌표계로 재투영 및 10 m 해상도로 재격자화 되었다.

Table 1. Acquisition dates for Sentinel-2 images

Table 2. Spectral bands of Sentinel-2

Fig. 1. GK2A AOD image on April 22, 2022: (a) daily composite and (b) gap-free AOD.

복사전달모델은 위성 센서의 분광 반응 함수와 대기 조건 등을 이용하여 지표 반사도를 계산할 수 있으며, 6SV2.1은 6S 코드의 벡터 버전으로 다양한 대기 조건에서 가시광선 및 적외선 영역의 복사 전달을 모의할 수 있다(Kotchenova et al., 2006). 본 실험에서는 Sentinel-2 Level-1C 영상의 5개 밴드의 top of atmosphere (TOA) 반사도를 대상으로 AOD, TPW, TOZ 등의 대기 매개변수와 기하 조건, 센서의 분광응답함수 등을 이용하여 밴드별 지표면 반사도를 계산하였다. 편의상 밴드별 1,000,000개의 픽셀을 랜덤 샘플링하여 대기보정을 진행하였으며, 그 결과는 RF 모델의 훈련과 테스트에 사용되었다.

RF는 다수의 디시즌 트리(decision tree)를 형성하여 예측을 수행하는 앙상블 기계학습 알고리듬이다. 주어진 데이터셋으로부터 부트스트랩(bootstrap) 방식으로 다수의 디시즌 트리가 생성되고, 이를 집계하는 배깅(bagging) 방식으로 각 디시즌 트리 결과가 앙상블된다(Breiman, 2001). 밴드별 1,000,000건의 매치업(matchup) 자료에 대하여 무작위로 80%는 훈련에, 20%는 검증에 사용하여 RF 기반의 대기보정 모델을 수립하였다.

3. 결과 및 토의

Table 3과 Fig. 2는 밴드별로 검증에 사용된 200,000건에 대한 정확도 통계량 및 산점도를 나타낸 것이다. 모든 밴드별 모델에서 평균제곱근오차(root mean square error, RMSE) 0.001 이하, 상관계수(correlation coefficient, CC) 0.999 이상의 정확도를 보였으며, 6SV2.1로 산출된 반사도와 RF 모델로 예측된 반사도가 1대1 선에 잘 부합하는 것으로 보아 그 유사도가 매우 높음을 알 수 있다. Blue 밴드의 경우, 평균절대백분율오차(mean absolute percentage error, MAPE)가 약 3.68%로 타 밴드에 비해 약간 높은 오차를 보였는데, 이는 파장대가 짧을수록 AOD에 대한 민감도가 크기 때문인 것으로 사료된다(Jung et al., 2020). 너무 높은 AOD 값에 대해서는 Blue 밴드에서 음의 반사도가 산출되는 경우도 드물게 존재하였지만, 파장이 길어질수록 그러한 경향이 없어지는 것을 확인하였다. 이는 또한 AOD 자료의 품질향상이 선결되어야 함을 시사하기도 한다.

Fig. 2. Scatter plots of the reflectance of the random forest models by band: (a) Blue, (b) Green, (c) Red, (d) Red edge, and (e) NIR.

Table 3. Accuracy statistics of the reflectance predicted by the random forest models by band

MBE: mean bias error.

Figs. 3–4는 2023년 5월 2일의 Sentinel-2 Level-2A와 구축된 모델을 이용해 대기보정한 영상이다. Setinel-2 Level-2A의 경우 library for radiative transfer (libRadtran)를 기반으로 대기보정이 이루어지는데(European Space Agency, 2021), 본 실험과 복사전달모델이 다르기 때문에 직접적인 정확도 비교는 어렵지만, 본 실험의 RF 모델 반사도가 근소하게 높은 상태에서 비슷한 결과를 나타냈다. Fig. 5는 Figs. 3–4를 이용하여 normalized difference vegetation index (NDVI)를 산출한 결과이다. Sentinel-2 Level-2A로 계산된 NDVI와 마찬가지로 RF 모델 기반의 NDVI도 토지피복 및 식물계절에 적합한 값의 분포를 나타냈다.

Fig. 3. Reflectance image of the red band on May 2, 2023: (a) Sentinel-2 Level-2A and (b) random forest model.

Fig. 4. Reflectance image of NIR band on May 2, 2023: (a) Sentinel-2 Level-2A and (b) random forest model.

Fig. 5. NDVI image on May 2, 2023: (a) Sentinel-2 Level-2A, (b) random forest model, and (c) NDVI comparisons.

4. 결론

위성센서에서 측정된 복사에너지는 대기에 의한 산란, 흡수 등으로 인한 오차가 발생할 수 있어 지표면 관측의 불확실성을 야기하기 때문에, 정확한 대기보정은 지표면 특성 분석 및 환경 모니터링을 위해 반드시 필요하다. 가장 엄밀한 대기보정 방법인 6SV2.1을 최대한 모사하면서 빠른 계산속도를 보장하는 기계학습 모델을 구현하였고, Sentinel-2 위성영상을 대상으로 실험한 결과, 밴드별 RMSE는 0.001 미만, CC는 0.999 이상으로 매우 높은 정확도를 보였다. 이러한 기계학습 기반의 대기보정이 기존의 조견표 방식의 대기보정을 대체할 수 있을 것으로 사료되며, 이를 위해서는 가장 민감한 파라미터(parameter)인 AOD 자료의 품질관리가 매우 중요한 향후 과제가 될 것이다.