권호 표지

Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing

  • Bimonthly
  • /
  • 1225-6161(pISSN)
  • /
  • 2287-9307(eISSN)

Domain

  • Energy/Resources ＞ Resources Exploration/Development/Utilization

Aim & Scope

Korean Journal of Remote Sensing serves the remote sensing community with the publication of results based on theory, technology and applications of remote sensing fields. Thoroughly interdisciplinary, this journal focuses on the research and development of remote sensing science and technologies and promotes the exchange of expert knowledge among remote sensing researchers as well. Areas of interest include, but are not necessarily restricted to: Remote Sensor Technology Novel Sensor Design and Platforms Development Multi-Sensor System Design and On-Board Processing Advances in Remote Sensing Techniques and Applications Multi-Sensor Integration Multi-Platform Remote Sensing Image Processing and Analysis Geospatial Information Sciences (GIS) Remote Sensing in Atmospheric Science and Meteorology Remote Sensing in Oceanography - Remote Sensing in Geology and Geoscience Remote Sensing in Agriculture, Forestry and Ecology Remote Sensing in Earth and Environmental Sciences Remote Sensing in Hydrology and Water Resources

http://www.kjrs.or.kr KSCI KCI SCOPUS

Volume 36 Issue 5_3

  1. Im, Jungho;Sohn, Hong-Gyoo;Kim, Duk-jin;Choi, Jinmu 1007
    https://doi.org/10.7780/kjrs.2020.36.5.3.1 PDF KSCI HTML
    오늘날 기후변화와 더불어 각종 기상/기후 자연재난 및 인재의 발생 빈도가 증가하는 추세이다. 원격탐사 기술은 재난 상황에서 연속적인 모니터링과 빠른 탐지를 가능하게 하며, 최근에는 군집 위성, 초소형 위성, 그리고 드론 등이 이용돼 그 활용도가 증가하고 있다. 본 특별 호에서는 재난 상황에서 위성을 활용하기 위한 기반 기술과 각종 자연재해를 모니터링, 분석 및 예측하는 활용 기술에 대한 9편의 논문을 소개하고 있다. 소개된 논문들은 향후 증가하는 위성 활용에 있어 재난 분야에서의 유용한 참조자료가 될 것으로 기대된다.
  2. Park, Soyeon;Choi, Yoonjo;Bae, Junsu;Hong, Seunghwan;Sohn, Hong-Gyoo 1013
    https://doi.org/10.7780/kjrs.2020.36.5.3.2 PDF KSCI HTML
    UAV (Unmanned Aerial Vehicle) 플랫폼은 소규모 지역의 영상을 저비용으로 신속하게 취득이 가능하다는 장점이 있어 재난모니터링과 스마트시티 분야에 널리 활용되고 있다. UAV 기반 정사영상 및 DSM (Digital Surface Model) 제작 시 cm 급 정확도를 확보하기 위하여 UAV 영상의 위치보정을 위한 지상기준점(Ground Control Points, GCP)이 필수적이다. 하지만, 현장 GCP 취득을 위한 현장방문, 대공표지 설치에는 상당한 인력과 시간이 소요된다. 따라서 본 연구에서는 GCP 현장 취득을 대체하기 위한 방법으로 사전에 구축되어 활용가능한 세 가지 공간정보를 GCP로 이용하는 방법을 제시하였다. 연구에 사용한 세 가지 공간정보는 첫째, 25 cm 급 정사영상과 1:1000 수치지형도 기반 DEM (Digital Elevation Model), 둘째, 모바일매핑시스템(Mobile Mapping System, MMS)으로 취득한 점군 데이터, 셋째, MMS 데이터와 UAV 데이터를 융합하여 만든 하이브리드 점군 데이터이다. 세 가지 공간정보로부터 취득한 GCP를 이용하여 각각에 대하여 UAV 정사영상과 DSM (Digital Surface Model, DSM)을 생성하였다. 생성된 3가지 결과를 현장 RTK-GNSS 측량으로 취득한 검사점과 비교하여 3차원 위치 정확도평가를 진행하였다. 실험결과, 세 번째 경우인 MMS와 UAV를 융합한 하이브리드 점군 데이터를 GCP로 사용하였을 때, UAV 정사영상과 DSM의 최종 정확도가 수평방향의 RMSE는 8.9 cm, 수직방향의 RMSE는 24.5 cm로 가장 높게 나타났다. 또한, 현장 측량을 대체하기 위해 활용한 공간정보로부터 취득한 GCP의 분포는 수평 위치 정확도 보다 수직 위치 정확도에 더 많은 영향을 미치는 것으로 나타났다.
  3. Han, Soohee 1027
    https://doi.org/10.7780/kjrs.2020.36.5.3.3 PDF KSCI HTML
    본 연구에서는 재해/재난 현장에서 취득한 대용량 무인기 영상으로부터 고정밀 3차원 실감 자료를 신속하게 생성하기 위하여 상용 소프트웨어인 Agisoft Metashape와 클라우드 컴퓨팅 서비스인 Amazon web service를 이용하여 처리하는 방식을 제안하고 성능을 평가하였다. 로컬 컴퓨터를 이용하는 온프레미스 방식, Agisoft사(社)와 Pix4D사(社)에서 제공하는 클라우드 서비스와 비교하여, 항공삼각측량, 3차원 포인트 클라우드 및 DSM 생성, 메쉬 및 텍스처 생성, 정사 모자이크 영상 제작 등의 과정은 비슷한 시간을 소요하였다. 클라우드 방식은 대용량 자료의 업로드와 다운로드 시간을 필요로 하지만 실질적인 현장 처리가 가능하다는 분명한 장점을 보였다. 온프레미스 방식과 클라우드 방식 모두 CPU와 GPU 성능에 따라 처리 시간의 차이가 발생하지만 벤치마크를 통해 확인되는 성능 차이만큼 큰 차이는 발생하지 않았다. 그러나 저성능의 GPU가 탑재된 랩탑 컴퓨터는 지나치게 많은 시간을 소요하여 현장 처리에 적용하기 어려운 것으로 나타났다.
  4. Lee, Juhyun;Yoo, Cheolhee;Im, Jungho;Shin, Yeji;Cho, Dongjin 1037
    https://doi.org/10.7780/kjrs.2020.36.5.3.4 PDF KSCI HTML
    최근 기후변화로 인해 강도가 높은 태풍의 빈도가 높아짐에 따라 태풍 예측의 중요성이 강조되고 있는 데, 태풍경로예측에 비해 태풍강도예측에 대한 연구는 미비한 상황이다. 이에 본 연구에서는 딥러닝 모델인 Multi-task learning (MTL) 기법을 활용하여 정지궤도기상위성을 활용한 관측자료와 수치예보모델을 융합한 실시간 추정 및 6시간, 12시간 후의 태풍강도예측 모델을 제안하고자 한다. 본 연구에서는 2011년에서 2016년까지 북서태평양에서 발생한 총 142개의 태풍을 대상으로 강도 예측 연구를 시행하였다. 한국 최초의 기상위성인 Communication, Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI)를 활용하여 태풍의 관측영상을 추출하였고, National Center of Environmental Prediction (NCEP)에서 제공하는 Climate Forecast System version 2 (CFSv2)를 활용하여 6시간, 12시간 후의 태풍 주변 대기 및 해양 예측변수를 추출하였다. 본 연구에서는 각 입력자료의 활용성을 정량화 하기 위하여, 위성 기반 태풍관측영상만을 활용한 MTL 모델(Scheme 1)과 수치예보모델을 융합적으로 활용한 MTL 모델(Scheme 2)을 구축하고, 각 모델의 훈련 및 검증 성능을 정량적으로 비교하였다. 실시간 강도 추정의 결과 scheme 1과 scheme 2에서 비슷한 성능을 보이는 반면, 6시간, 12시간 후 태풍강도예측의 경우 scheme 2에서 각각 13%, 16% 개선된 결과를 보였다. 태풍 단계별 예측성능에 대한 분석을 시행한 결과, 저강도 태풍일수록 낮은 평균제곱근오차를 보인 반면, 대부분의 강도 단계에서 평균제곱근편차비는 30% 미만의 값을 보이며 유의미한 검증 결과를 보였다. 이에 본 연구에서 제시한 두가지 모델을 기반으로 2014년 발생한 태풍 HALONG의 시계열검증을 시행하였다. 그 결과, scheme 1의 경우 태풍 초기발달단계에서 태풍의 강도를 약 20 kts가량 과대 추정하는 경향을 보이는데, 환경예측자료를 융합한 scheme 2에서는 오차가 약 5 kts가량으로 과대 추정 경향이 줄어들었다. 본 연구에서 제시하는 현재, 6시간, 12시간 후 강도를 동시에 추출하는 MTL 모델은 Single-tasking model 대비 약 300%의 시간 효율을 보이며, 향후 신속한 태풍 예보 정보 추출에 큰 기여를 할 수 있을 것으로 기대된다.
  5. Choi, Hyunyoung;Kang, Yoojin;Im, Jungho;Shin, Minso;Park, Seohui;Kim, Sang-Min 1053
    https://doi.org/10.7780/kjrs.2020.36.5.3.5 PDF KSCI HTML
    이산화황(SO2)은 대기 중 화학 반응을 통해 2차 대기오염물질을 생성하는 전구체로, 주로 산업활동이나 주거 및 교통 활동 등을 통해 배출된다. 장기간 노출 시 호흡기 질환이나 심혈관 질환 등을 유발하여 인체 건강에 부정적인 영향을 미칠 수 있기 때문에 이에 대한 지속적인 모니터링이 필요하다. 우리나라에서는 SO2에 대해 관측소 기반의 모니터링이 수행되고 있으나 이는 공간적으로 연속적인 정보를 제공하는 데에 한계가 있다. 따라서, 본 연구에서는 위성자료와 수치모델 자료를 융합하여 일별 13시를 타겟으로 하는 1 km의 고해상도로 공간적으로 연속적인 SO2 지상농도를 산출하였다. 2015년 1월부터 2019년 4월까지의 기간 동안 남한 지역에 대하여 스태킹 앙상블 기법을 이용하여 SO2 지상농도 추정 모델을 개발하였다. 스태킹 앙상블 기법이란 여러가지 기계학습 기법을 두 단계로 쌓는 방식으로 융합하여 단일 모델 대비 더 향상된 성능을 도출하는 방법이다. 본 연구에서는 베이스 모델로는 RF (Random Forest)와 XGB (eXtreme Gradient BOOSTing) 기법이, 메타 모델로는 MLR (Multiple Linear Regression) 기법이 사용되었다. 구축된 모델의 교차검증 결과 메타 모델은 상관계수(R) = 0.69와 root-mean-squared-error(RMSE) = 0.0032 ppm의 결과를 보였으며 이는 베이스 모델의 평균 대비 약 25% 향상된 안정성을 보였다. 또한 모델 구축에 사용되지 않은 기간에 대한 예측 검증을 수행하여 모델의 일반화 가능성을 평가하였다. 구축된 모델을 이용하여 남한 지역의 SO2 지상농도 공간분포를 분석한 결과 일반적인 계절성과 배출원의 변화를 잘 반영하는 패턴을 보임을 확인하였다.
  6. Farkoushi, Mohammad Gholami;Choi, Yoonjo;Hong, Seunghwan;Bae, Junsu;Sohn, Hong-Gyoo 1067
    https://doi.org/10.7780/kjrs.2020.36.5.3.6 PDF KSCI HTML
    In this paper, an unsupervised saliency guided change detection method using UAV and aerial imagery is proposed. Regions that are more different from other areas are salient, which make them more distinct. The existence of the substantial difference between two images makes saliency proper for guiding the change detection process. Change Vector Analysis (CVA), which has the capability of extracting of overall magnitude and direction of change from multi-spectral and temporal remote sensing data, is used for generating an initial difference image. Combined with an unsupervised CVA and the saliency, Principal Component Analysis(PCA), which is possible to implemented as the guide for change detection method, is proposed for UAV and aerial images. By implementing the saliency generation on the difference map extracted via the CVA, potentially changed areas obtained, and by thresholding the saliency map, most of the interest areas correctly extracted. Finally, the PCA method is implemented to extract features, and K-means clustering is applied to detect changed and unchanged map on the extracted areas. This proposed method is applied to the image sets over the flooded and typhoon-damaged area and is resulted in 95 percent better than the PCA approach compared with manually extracted ground truth for all the data sets. Finally, we compared our approach with the PCA K-means method to show the effectiveness of the method.
  7. Jung, Sihun;Kim, Young Jun;Park, Sumin;Im, Jungho 1077
    https://doi.org/10.7780/kjrs.2020.36.5.3.7 PDF KSCI HTML
    해수면 온도는 전 세계 해양, 기상 현상에 영향을 주고 해양 환경 변화와 생물에게 영향을 주는 중요한 요소이다. 특히, 우리나라 남해안을 비롯한 연안 지역의 경우 어업 및 양식업 등의 수산업이 많이 발달하여, 매년 고수온 현상으로 인한 사회·경제적 피해가 발생하고 있다. 따라서 위성 자료와 같은 광범위한 지역을 감시할 수 있는 자료를 활용한 해수면 온도 및 공간적 분포의 예측기술 개발을 통하여 피해를 예방할 수 있는 시스템을 구축할 필요가 있다. 해수면 온도 예측은 기존의 수치 모델을 통해서 예측을 진행하였지만, 다수의 역학적 요인들을 사용하여 예측 결과 산출 시 복잡함이 존재한다. 최근 기계학습 및 딥러닝 기법이 발달함에 따라 해양 분야의 예측에 적용하는 연구가 진행되고 있다. 본 연구는 그 중 시·공간적인 일관성 및 정확도가 높은 장단기 기억(Long Short Term Memory, LSTM)과 합성곱 장단기 기억(Convolutional Long Short Term Memory, ConvLSTM) 딥러닝 기법을 사용하여 남해지역의 해수면온도 예측 및 2017년부터 2019년까지의 고수온 발생 건에 대해서 예측 결과의 공간 분포와 공간 분포와 예측 가능성에 대해 분석을 하였다. 1일 예측 모델의 정확도는 RMSE 기준으로 ConvLSTM(전체: 0.33℃, 봄: 0.34℃, 여름: 0.27℃, 가을: 0.32℃, 겨울: 0.36℃)이 LSTM 기반의 예측 모델(전체: 0.40℃, 봄: 0.40℃, 여름: 0.48℃, 가을: 0.39℃, 겨울: 0.34℃)보다 우수한 성능을 보였다. 2017년 고수온 발생 사례에 대해 해수면 온도 예측과 고수온 탐지 성능에서 ConvLSTM은 5일까지 경보를 탐지하였지만, LSTM의 경우 2일 예측 이후 해수면 온도를 과소 추정하는 경향이 커짐에 따라 탐지하지 못하였다. 시공간적인 해수면 온도 예측 시 ConvLSTM이 LSTM에 비해 적절한 모델로 판단된다.
  8. Kim, Junwoo;Jeon, Hyungyun;Kim, Duk-jin 1095
    https://doi.org/10.7780/kjrs.2020.36.5.3.8 PDF KSCI HTML
    홍수 발생 시 위성영상을 활용하여 침수된 지역을 추출하는 것은 홍수 발생 기간 내의 위성영상 취득과 영상에 나타난 침수구역의 정확한 분류 등에서 많은 어려움이 존재한다. 딥러닝은 전통적인 영상분류기법들에 비해 보다 정확도가 높은 위성영상분류기법으로 주목받고 있지만, 광학영상에 비해 홍수 발생 시 위성영상의 취득이 용이한 SAR 영상의 분류 잠재력은 아직 명확히 규명되지 않았다. 본 연구는 대표적인 의미론적 영상 분할을 위한 딥러닝 모델인 SegNet과 U-Net을 활용하여 동남아시아의 라오스, 태국, 필리핀의 대표적인 홍수 발생지역인 코랏 유역(Khorat basin), 메콩강 유역(Mekong river basin), 카가얀강 유역(Cagayan river basin)에 대해 Sentinel-1 A/B 위성영상으로부터 침수지역 추출을 실시하였다. 분석결과 침수지역 탐지에서 SegNet의 Global Accuracy, Mean IoU, Mean BF Score는 각각 0.9847, 0.6016, 0.6467로 나타났으며, U-Net의 Global Accuracy, Mean IoU, Mean BF Score는 각각 0.9937, 0.7022, 0.7125로 나타났다. 국지적 분류결과 확인을 위한 육안검증에서 U-Net이 SegNet에 비해 보다 높은 분류 정확도를 보여주었지만, 모델의 훈련에 필요한 시간은 67분 17초와 187분 19초가 각각 소요되어 SegNet이 U-Net에 비해 약 3배 정도 빠른 처리속도를 보여주었다. 본 연구의 결과는 향후 딥러닝 기법을 활용한 SAR 영상기반의 홍수탐지 모델과 실무적으로 활용이 가능한 자동화된 딥러닝 기반의 수계탐지 기법의 제시를 위한 중요한 참고자료로 활용될 수 있을 것으로 판단된다.
  9. Sim, Seongmun;Kim, Woohyeok;Lee, Jaese;Kang, Yoojin;Im, Jungho;Kwon, Chunguen;Kim, Sungyong 1109
    https://doi.org/10.7780/kjrs.2020.36.5.3.9 PDF KSCI HTML
    국토 대부분이 산림으로 구성되어 있는 대한민국은 매 년 많은 산불이 발생한다. 산불은 토양의 전단강도를 약화시켜 산사태에 취약한 토양층을 만들기도 하고, 수목의 복구가능여부에 따라 다른 계획 설립이 필요하기 때문에 산불피해면적 뿐만 아니라 피해강도에 대한 파악도 중요하다. 위성 원격탐사를 통한 산불피해강도 추정 연구가 많이 수행되어 왔으나, NDVI(Normalized Difference Vegetation Index)와 NBR(Normalized Burn Ratio) 등과 같은 단일 인자의 시계열 변화만을 이용하여 피해강도를 파악하기에는 한계가 있다. 본 연구에서는 Sentinel-1A SAR-C (Synthetic Aperture Radar-C)와 Sentinel-2A MSI(Multi Spectral Instrument)센서의 자료를 이용하여 기계학습방법을 통한 산불 피해강도 탐지 모델들을 제시하였다. 2017년 5월 삼척, 2019년 4월 강릉·동해, 2019년 4월 고성·속초 총 세개의 산불사례를 이용하여 RF(Random forest), LR(Logistic regression), SVM(Support Vector Machine)기계학습 모델을 구축하였다. 연구결과, random forest 모델이 82.3%의 총정확도로 가장 높은 성능을 보여주었다. 모델의 범용성 및 학습자료 민감도 확인을 위해 사례교차검증도 추가 시행하였는데, 그 결과 사례들의 시기적 차이에 의한 식생활력 및 재생도의 차이에 민감도가 높음을 확인하였다. 이는 추후 다양한 시공간적 사례를 추가할 시 개선이 될 것으로 보인다.
  10. Kim, Taehee;Choi, Jinmu 1125
    https://doi.org/10.7780/kjrs.2020.36.5.3.10 PDF KSCI HTML
    본 연구에서는 산불 발생 위치와 면적만 기록하는 산불피해대장 정보의 한계점을 보완하기 위해 위성 영상 기반의 산불발생데이터의 연계 방법을 제시하고자 하였다. 이를 위해 2012년 1월 ~ 2019년 12월 사이 산림청에서 제공하는 산불피해대장 자료와 MODIS 및 VIIRS 기반 산불발생데이터를 연계하는 방안을 도출하였다. 연구 결과 191건의 산불피해대장 산불 중 MODIS와 VIIRS 기반 산불발생데이터는 각각 약 11%와 44%의 산불에 대해 발생지역 확인이 가능하였다. VIIRS 기반 산불발생데이토로 추출한 피해지역에 대해 고해상도의 Sentinel-2A 위성으로 확인한 산불 영역과 비교한 결과 평균 56% 정도의 산림지역 피해가 추출되었다. 따라서 대규모 산불에 대해서는 VIIRS 산불발생데이터를 이용하면 면적과 발화점 위치만 기록하는 산불피해대장 정보의 한계점을 보완할 수 있을 것이다.