권호 표지

대한원격탐사학회지 (Korean Journal of Remote Sensing) (Korean Journal of Remote Sensing)

대한원격탐사학회 (Korean Society of Remote Sensing)

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

과학기술표준분류

  • 에너지/자원 ＞ 자원탐사/개발/활용

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

제38권6_2호

  1. 이명진;이원진;이승국;정형섭 1581
    https://doi.org/10.7780/kjrs.2022.38.6.2.1 PDF KSCI HTML
    이제는 딥러닝 없는 원격탐사 데이터 처리는 상상하기도 어려운 시대가 되었다. 원격탐사의 활용기술 개발을 위해서는 먼저 인공지능(artificial intelligence, AI)을 위한 데이터를 설계 및 구축하고, AI모델을 학습시키는 과정을 거친다. AI모델은 빠르게 발전하여 모델 정확도가 나날이 높아지고 있지만, 모델을 훈련시키는 사람에 따라 정확도의 편차가 발생하고 있다. 결국 AI모델을 훈련시킬 수 있는 숙련도 높은 전문가가 더욱 더 필요한 시대가 되어가고 있다. 특히, 딥러닝기술은 원격탐사활용에 있어 자동화라는 키워드를 제공하고 있다. 예전에는 60% 이하의 정확도만 있었던 기술도 이제는 90%를 넘어 100%의 시대로 가고 있다. 이 특별호에서는 딥러닝기술이 원격탐사에 어떻게 활용되고 있는지에 관한 13편의 논문을 소개한다.
  2. 백원경;정형섭 1589
    https://doi.org/10.7780/kjrs.2022.38.6.2.2 PDF KSCI HTML
    위상 언래핑은 위성레이더 간섭기법의 필수적인 자료처리 절차다. 이에 따라 비 딥러닝 기반 언래핑 기법이 다수 개발되었으며 최근에는 딥러닝 기반 언래핑 기법이 제안되고 있다. 본 논문에서는 딥러닝 기반 위성레이더 언래핑 기법을 1) 언래핑된 위상의 예측 방법, 2) 위상 언래핑을 위한 딥러닝 모델의 구조 그리고 3) 학습데이터 제작 방법의 측면에서 최근 연구 동향을 소개하였다. 언래핑된 위상을 예측하는 방법은 모호 정수 분류방법, 위상 단절 구간 탐지 방법, 위상 예측 방법, 딥러닝과 전통적인 언래핑 기법의 연계 방법에 따라 다시 세분화하여 연구 동향을 나타냈다. 일반적으로 활용되는 딥러닝 모델 구조의 특징과 전체 위상 정보를 파악하기 위한 모델 최적화 방법에 대한 연구 사례를 소개하였다. 또한 학습데이터 제작 방법은 주로 위상 변이 제작과 노이즈 시뮬레이션 방법으로 구분하여 연구 동향을 정리하였으며 추후 발전 방향을 제시하였다. 본 논문이 추후 국내의 딥러닝 기반 위상 언래핑 연구의 발전 방향을 모색하는 데에 필요한 기반 자료로 활용되기를 기대한다.
  3. 조영일;윤동현;이명진 1607
    https://doi.org/10.7780/kjrs.2022.38.6.2.3 PDF KSCI HTML
    본 연구의 목적은 도시폭염 저감을 위한 기법인 쿨루프를 연구지역에 적용하여 토지피복 객체 간 지표 온도와 흡수일사 간 공간적 상관관계 분석으로 실질적 효과 파악을 목적으로 한다. 이를 위해 실제 쿨루프가 적용된 경상남도 김해시 장유무계동 인근을 연구지역으로 선정하였으며, 드론 DJI Matrice 300 RTK에 열적외 영역센서 FLIR Vue Pro R, 가시광선 영역센서 H20T와 다중분광영역 센서인 Micasense Red-Edge를 활용하여 계측하였다. 계측 일정은 2021년 7월 27일 아침 7시 15분부터 약 1시간 30분 간격으로 총 9장의 열지도와 동일 시간대의 흡수일사 분포도, 쿨루프(113개) 및 일반옥상(367개) 지붕 객체를 추출하였다. 흡수일사 분포도는 ArcGIS의 3D 분석 기능인 Solar Radiation Analysis Tool을 통해 산출한 전천일사 분포도에 Micasense Red Edge를 통해 촬영한 Blue, Green Red, Near Infrared, Red Edge Range 영역대 센서의 조합을 통해 구축한 연구 지역의 알베도 값을 반영하여 구축한다. 전술된 자료를 기반으로 일반옥상과 쿨루프 지붕 객체별 지표온도와 흡수일사 간 Pearson 상관계수를 산출하였다. 분석 결과 일 평균 기준 일반옥상 0.550, 쿨루프 0.387의 상관계수 값을 나타내고 있었다. 하지만, 시간대별 상관성의 변화를 파악한 결과 분석일 기준 태양고도가 높은 시기인 11시 30분과 13시의 경우 일반옥상과 쿨루프 간 상관계수의 차이는 0.022, 0.024 값을 보여 유사한 상관성을 보이고 있다. 그 외 시간대는 일반옥상의 상관계수 값이 쿨루프 보다 약 0.1 이상 높은 값을 보이고 있다. 본 연구는 드론을 통해 취득한 고해상도 영상을 활용하여 쿨루프의 실질적 일사차단 영향의 가능성을 대조군이 되는 일반 옥상과의 상관성 비교를 통해 파악한 사례 연구이다. 향후 본 연구 결과를 기반으로 효율적인 도시열섬 저감기법 적용이 가능할 것으로 사료된다.
  4. 강종구;윤유정;김근아;박강현;최소연;양찬수;이종혁;이양원 1623
    https://doi.org/10.7780/kjrs.2022.38.6.2.4 PDF KSCI HTML
    유출유는 해양 생태계에 큰 위협이 되므로 피해 최소화를 위해 신속한 현황정보파악이 필요하다. 위성원격탐사는 항공기에 비해 광역적 모니터링이 가능하기 때문에 시공간적 범위에서 장점을 가진다. 최근에는 딥러닝 영상인식 기술의 발전으로 인해 딥러닝을 활용한 유출유 탐지의 필요성이 대두되고 있으나, 기존의 Synthetic Aperture Radar (SAR) 영상 위주의 유출유 탐지와는 달리 고해상도 광학영상에 딥러닝 기법을 적용하는 경우는 많지 않았다. 이에, 본 연구에서는 PlanetScope 위성의 광학영상을 활용하여 유출유 레이블을 제작하고, 이를 기반으로 DeepLabV3+모델을 활용하여 유출유 탐지 모델을 구축하였으며, 암맹평가에서 정확도 0.885, 정밀도 0.888, 재현율 0.886, F1점수 0.883, 평균 교집합 대 합집합 비율(Mean Intersection over Union, mIOU) 0.793 등의 상당히 높은 정확도를 나타냈다.
  5. 박채원;정형섭 1633
    https://doi.org/10.7780/kjrs.2022.38.6.2.5 PDF KSCI HTML
    도시의 인구 집중과 무분별한 개발은 대기오염, 열섬현상과 같은 다양한 환경 문제들을 유발하며, 자연재해로 인한 피해 상황을 악화시키는 등 인재의 원인이 되고 있다. 도심 수목은 이러한 도시 문제들의 해결방안으로 제시되어왔으며, 실제로 환경 개선 기능을 제공하는 등 중요한 역할들을 수행한다. 이에 따라 수목이 도시 환경에 미치는 영향을 파악하기 위해 도심 수목에서 개별목에 대한 정량적인 측정 및 분석이 요구된다. 그러나 도심 수목의 복잡성 및 다양성은 단일 수목 탐지 정확도를 낮추는 문제점이 존재한다. 따라서 본 연구는 수목 개체에 대해 효과적인 탐지가 가능한 고해상도 항공영상 및 object detection에서 뛰어난 성능을 발휘한 You Only Look Once Version 5 (YOLOv5) 모델을 사용하여 도심 수목을 효과적으로 탐지하는 연구를 진행하였다. 수목 AI 학습 데이터셋의 구축을 위한 라벨링 가이드라인을 생성하고 이를 기준으로 동작구 수목에 대해 box annotation을 수행하였다. 구축된 데이터셋으로부터 다양한 scale의 YOLOv5 모델들을 테스트하고 최적의 모델을 채택하여 효율적인 도심 수목 탐지를 수행한 결과, mean Average Precision (mAP) 0.663의 유의미한 결과를 도출하였다.
  6. 박강현;윤유정;강종구;김근아;최소연;장선웅;박수호;공신우;곽지우;이양원 1643
    https://doi.org/10.7780/kjrs.2022.38.6.2.6 PDF KSCI HTML
    해양생태계 및 수산자원, 해상안전에 부정적인 영향을 미치는 해양침적쓰레기는 주로 음파탐지기, 인양틀 및 잠수부를 통해 탐지되고 있다. 시간과 비용을 고려하여 최근에는 수중영상과 인공지능을 결합한 방법이 시도되고 시작했다. 본 연구에서는 효율적이고 정확한 해양침적쓰레기 탐지를 위하여, 수중영상과 딥러닝 객체탐지 모델인 You Only Look Once Version 5 (YOLOv5)와 You Only Look Once Version 7 (YOLOv7)을 학습 및 비교평가를 수행하였다. 유리, 금속, 어망, 타이어, 나무, 플라스틱 등의 객체탐지에 있어, 두 모델 모두 0.85 이상의 Mean Average Precision (mAP@0.5)를 기록하였다. 향후 영상자료 용량이 충분해지면, 보다 객관적인 성능평가 및 모델 개선이 가능할 것으로 사료된다.
  7. 박숭환;김대선;권재일 1653
    https://doi.org/10.7780/kjrs.2022.38.6.2.7 PDF KSCI HTML
    본 연구에서는 천리안위성 2A호 1일 평균 표층수온영상을 대상으로 합성곱신경망(convolution neural network, CNN) 딥러닝 기법을 적용하여 냉수대 발생 여부를 분류하는 연구를 수행하였다. 이를 위하여, 2019년부터 2022년까지 1,155장의 영상을 사용하였으며, 국립수산과학원 제공 냉수대 발생 주의보 및 경보자료로부터 냉수대 발생 영상과 그 외 영상으로 분류하여 학습을 수행하였다. 학습 결과로 82.5%의 probability of detection (POD)와 54.4%의 false alarm ratio (FAR) 지수를 획득하였다. 오분류 분석을 통해 냉수대 분류에 실패한 경우의 대부분은 구름의 영향 때문이며, 비냉수대를 오분류한 경우의 대부분은 실제 영상에 냉수대가 존재함을 확인하였다.
  8. 백원경;이명진;정형섭 1663
    https://doi.org/10.7780/kjrs.2022.38.6.2.8 PDF KSCI HTML
    최근 딥러닝을 활용한 토지피복분류 기법 연구가 다수 수행되고 있다. 그런데 양질의 토지피복 학습데이터를 충분하게 구축되지 못하여 성능이 저하되는 양상이 확인되었다. 이에 따라 본 연구에서는 데이터 확장 기법의 적용을 통한 토지피복분류 성능의 향상을 확인하였다. 분류 모델로는 U-Net이 활용되었으며 AI Hub에서 제공하는 토지피복 위성 이미지 자료를 연구자료로 활용하였다. 원본 데이터로 학습한 모델과 데이터 확장 기법이 적용된 데이터로 학습한 모델의 픽셀 정확도는 각각 0.905와 0.923이었으며 평균 F1 스코어는 각각 0.720과 0.775로 데이터 확장 기법을 적용하였을 때가 보다 우수한 성능을 나타내는 사실을 확인할 수 있었다. 또한 원본 학습데이터를 활용하여 학습한 모델의 경우 건물, 도로, 논, 밭, 산림, 비대상 지역 클래스에 대한 F1 스코어가 0.770, 0.568, 0.733, 0.455, 0.964 그리고 0.830이었으며, 데이터 확장을 적용하였을 때에 각 클래스에 대한 F1 스코어는 각각 0.838, 0.660, 0.791, 0.530, 0.969 그리고 0.860으로 모든 클래스에 대해 데이터 확장이 성능향상에 유효하다는 사실을 확인하였다. 또한, 클래스 균형에 대한 고려없이 데이터 확장을 적용했음에도 불구하고 데이터 불균형에 의한 클래스별 성능 왜곡을 완화할 수 있다는 사실을 확인할 수 있었다. 이는 절대적인 학습데이터의 양이 증가했기 때문이라 판단된다. 본 연구 결과는 다양한 영상 처리 분야에서 데이터 확장 기법의 중요성과 효과를 증명하는 기반 자료의 역할을 수행할 것으로 기대한다.
  9. 윤영웅;정형섭;이원진 1677
    https://doi.org/10.7780/kjrs.2022.38.6.2.9 PDF KSCI HTML
    대기오염은 동식물의 건강에 장·단기적으로 해로운 영향을 미치는 사회적 문제이다. 굴뚝은 대기를 오염시키는 대기오염물질의 주배출원으로 그 위치와 종류를 탐지하고 모니터링할 필요가 있다. 대기오염물질을 배출하는 굴뚝이 위치한 발전소 및 산업단지는 접근성이 많이 떨어지고 부지가 넓어 직접 모니터링하기에는 비용적, 시간적으로 비효율적이다. 따라서 최근에는 원격탐사 자료를 이용하여 굴뚝을 탐지하는 연구가 수행되고 있다. 본 연구에서는 중국 베이징, 톈진 허베이 성에 위치한 발전소를 대상으로 구축된 BUAA-FFPP60 오픈 데이터 세트를 활용하여 YOLOv5기반의 굴뚝 탐지 모델을 제작하였다. 탐지 모델의 성능을 향상시키기 위하여 데이터 분할과 데이터 증강기법을 적용하였으며, 최적의 모델 제작을 위한 학습 전략을 세웠다. 학습이 완료된 모델은 precision, recall과 같은 각종 지표를 통해 성능을 확인하였으며, 최종적으로 동일한 데이터 세트를 사용한 기존 연구와의 비교를 통해 모델의 성능을 평가하였다.
  10. 이어루;이하성;박순천;정형섭 1691
    https://doi.org/10.7780/kjrs.2022.38.6.2.10 PDF KSCI HTML
    한반도와 중국 경계에 위치한 백두산의 칼데라호인 천지호는 계절에 따라 해빙과 결빙을 반복한다. 천지 아래에는 마그마 챔버가 존재하며 마그마 챔버의 변화에 의해 온천수의 온도 및 수압 변화와 같은 화산 전조현상이 발생한다. 이에 따라, 천지호 내에서 다른 부분보다 해빙이 빠르며 결빙기에도 늦게 얼며 물표면 온도가 높은 이상지역이 존재하게 된다. 해당 이상지역은 온천수 방출 지역으로, 이상지역의 얼음변화도 값을 통해 화산활동을 모니터링 할 수 있다. 그러나 지리적, 정치적 그리고 공간적 문제로 천지의 이상지역을 주기적으로 관측하기에는 한계가 존재한다. 따라서 본 연구에서는 Landsat -5/-7/-8 광학위성영상으로부터 Modified U-Net 회귀모델을 이용하여 이상지역내의 얼음변화도를 정량적으로 관측하였다. 1985년 1월 22일부터 2020년 12월 8일까지 이상지역을 갖는 83장의 Landsat 영상의 Visible and Near Infrared (VNIR)대역을 활용하였다. 얼음 변화도를 정량적으로 관측을 위해 VNIR대역에서 수체와 얼음과의 상대적인 분광반사도를 활용하여 새로운 데이터를 만들었다. 가시광선대역과 근적외선 대역이 가지고 있는 정보를 최대한 유지하기 위해 2개의 인코더를 가진 U-Net에 적용하여 얼음변화도를 관측하였으며 Root Mean Square Error (RMSE) 140, 상관계수 0.9968의 높은 예측 성능을 보여주었다. 따라서 Modified U-Net을 활용하면 추후 Landsat 영상으로부터 얼음변화도 값을 높은 정확도로 관측하므로 백두산 화산활동을 모니터링하는 방법 중 하나로 사용될 수 있으며, 다른 화산 모니터링 기법과 더불어 활용한다면 더욱 정밀한 화산감시체계 구축이 가능할 것이다.
  11. 유진우;윤영웅;이어루;백원경;정형섭 1709
    https://doi.org/10.7780/kjrs.2022.38.6.2.11 PDF KSCI HTML
    지구온난화로 인해 발생한 기온 상승은 엘니뇨, 라니냐 현상을 초래하였고, 해수의 온도를 비정상적으로 변화시켰다. 해수 온도의 비정상적인 변화는 특정 지역에 강우가 집중되는 현상을 발생시켜 이상 홍수를 빈번하게 일으킨다. 홍수로 인한 인명 및 재산 피해를 복구하고 방지하기 위해서는 침수피해 지역을 신속하게 파악하는 것이 중요한데 이는 합성개구레이더(synthetic aperture radar, SAR)를 통해 가능하다. 본 연구에서는 멀티 커널(kernel) 기반의 수정된 U-NET과 TerraSAR-X 영상을 활용하여 다양한 특성 맵 추출을 통해 반전 잡음(speckle noise)의 효과를 저감하고, 홍수 전, 후의 두 장의 영상을 입력자료로 활용해 홍수 발생 지역을 직접적으로 도출해내는 모델을 제작하고자 한다. 이를 위해 두 장의 SAR 영상을 전처리하여 모델의 입력자료를 제작하였고, 이를 수정된 U-NET 구조에 적용하여 홍수 탐지 딥러닝 모델을 학습시켰다. 해당 방법을 통해 평균 F1 score 값이 0.966으로 높은 수준으로 홍수 발생 지역을 탐지할 수 있었다. 이 결과는 수해 지역에 대한 신속한 복구 및 수해 예방책 도출에 기여할 것으로 기대된다.
  12. 공성현;백원경;정형섭 1723
    https://doi.org/10.7780/kjrs.2022.38.6.2.12 PDF KSCI HTML
    산사태는 가장 널리 퍼진 자연재해 중 하나로 인명 및 재산피해 뿐만 아니라 범 국가적 차원의 피해를 유발할 수 있기 때문에 효과적인 예측 및 예방이 필수적이다. 높은 정확도를 갖는 산사태 취약성도를 제작하려는 연구는 꾸준히 진행되고 있으며 다양한 모델이 산사태 취약성 분석에 적용되어 왔다. 빈도비 모델, logistic regression 모델, ensembles 모델, 인공신경망 등의 모델과 같이 픽셀기반 머신러닝 모델들이 주로 적용되어 왔고 최근 연구에서는 커널기반의 합성곱신경망 기법이 효과적이라는 사실과 함께 입력자료의 공간적 특성이 산사태 취약성 매핑의 정확도에 중요한 영향을 미친다는 사실이 알려졌다. 이러한 이유로 본 연구에서는 픽셀기반 deep neural network (DNN) 모델과 패치기반 convolutional neural network (CNN) 모델을 이용하여 산사태 취약성을 분석하는 것을 목적으로 한다. 연구지역은 산사태 발생 빈도가 높고 피해가 큰 인제, 강릉, 평창을 포함한 강원도 지역으로 설정하였고, 산사태 관련인자로는 경사도, 곡률, 하천강도지수, 지형습윤지수, 지형위치 지수, 임상경급, 임상영급, 암상, 토지이용, 유효토심, 토양모재, 선구조 밀도, 단층 밀도, 정규식생지수, 정규수분지수의 15개 데이터를 이용하였다. 데이터 전처리 과정을 통해 산사태관련인자를 공간데이터베이스로 구축하였으며 DNN, CNN 모델을 이용하여 산사태 취약성도를 작성하였다. 정량적인 지표를 통해 모델과 산사태 취약성도에 대한 검증을 진행하였으며 검증결과 패치기반의 CNN 모델에서 픽셀기반의 DNN 모델에 비해 3.4% 향상된 성능을 보였다. 본 연구의 결과는 산사태를 예측하는데 사용될 수 있고 토지 이용 정책 및 산사태 관리에 관한 정책 수립에 있어 기초자료 역할을 할 수 있을 것으로 기대된다.
  13. 박강현;강종구;최소연;윤유정;김근아;이양원 1737
    https://doi.org/10.7780/kjrs.2022.38.6.2.13 PDF KSCI HTML
    고해상도 드론영상과 딥러닝 기술을 결합한 활성산불 감시는 이제 초기단계로 다방면의 연구개발을 필요로 한다. 이 단보에서는 드론영상 산불탐지에 아직 사용되지 않았던 state-of-the-art (SOTA) 모델인 You Only Look Once Version 7 (YOLOv7) 기반의 활성산불 객체탐지를 수행하였으며, 동일한 데이터셋을 사용한 선행연구에 비해 F1점수가 약 0.05 향상된 성과를 거두었다. 향후 우리나라에서도 광역적인 산불감시에 적용될 수 있도록 추가적인 기술 개발이 계속 필요할 것이다.
  14. 강종구;박강현;김근아;윤유정;최소연;이양원 1743
    https://doi.org/10.7780/kjrs.2022.38.6.2.14 PDF KSCI HTML
    Sentinel-2는 분광파장대나 공간해상도 측면에서 우리나라 차세대중형위성 4호(농림위성)의 모의영상으로 활용될 수 있다. 이 단보에서는 향후 농림위성영상에 적용하기 위한 예비실험으로, 딥러닝 기술을 이용한 Sentinel-2 영상의 구름탐지를 수행하였다. 전통적인 Convolutional Neural Network (CNN) 모델인 DeepLabV3+와 최신의 Transformer 모델인 Shifted Windows (Swin) Transformer를 이용한 구름탐지 모델을 구축하고, Radiant Earth Foundation (REF)에서 제공하는 22,728장의 학습자료에 대한 암맹평가를 실시하였다. Swin Transformer 모델은 0.886의 정밀도와 0.875의 재현율로, 과탐지와 미탐지가 어느 한쪽으로 치우치지 않는 경향을 보였다. 딥러닝 기반 구름탐지는 향후 우리나라 중심의 실험을 거쳐 농림위성 영상에 활용될 수 있을 것으로 기대된다.