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

제39권5_3호

  1. 박선영;송아람;이양원;임정호 885
    https://doi.org/10.7780/kjrs.2023.39.5.3.1 PDF HTML
    인공위성의 발전과 함께 초소형 위성, 레이더 위성 등 이전보다 높은 시공간 해상도와 분광 해상도를 제공하는 위성들이 많아지고 있다. 이전에는 국가 단위의 위성개발이 주를 이루었지만 최근에는 민간기업에서도 위성을 개발하고 활용하는 연구들을 꾸준히 진행하고 있다. 본 특별호에서는 우리나라에서 수행되는 최신 원격탐사 기법 기반의 지구환경 분석에 대한 연구 및 기술개발 동향을 확인할 수 있다. 연구결과를 통해 추후 위성센서 개발을 위한 기초자료가 될 수 있으며 인공지능을 이용하는 연구자들에게 도메인에 대한 연구정보를 제공할 수 있다. 이번 특별호에서는 최신 원격탐사 기법을 데이터를 이용하여 지구환경을 모니터링하고 예측하는 연구들에 대한 소개를 중심으로 최근 원격탐사 분야의 기술 동향을 안내한다. 이를 통해 앞으로 원격탐사 분야에서 나아가야 할 방향을 확인하고자 한다.
  2. 강유진;김예진;임정호;임중빈 891
    https://doi.org/10.7780/kjrs.2023.39.5.3.2 PDF HTML
    Compact Advanced Satellite 500-4 (CAS500-4) is scheduled to be launched to collect high spatial resolution data focusing on vegetation applications. To achieve this goal, accurate surface reflectance retrieval through atmospheric correction is crucial. Therefore, a machine learning-based atmospheric correction algorithm was developed to simulate atmospheric correction from a radiative transfer model using Sentinel-2 data that have similarspectral characteristics as CAS500-4. The algorithm was then evaluated mainly for forest areas. Utilizing the atmospheric correction parameters extracted from Sentinel-2 and GEOKOMPSAT-2A (GK-2A), the atmospheric correction algorithm was developed based on Random Forest and Light Gradient Boosting Machine (LGBM). Between the two machine learning techniques, LGBM performed better when considering both accuracy and efficiency. Except for one station, the results had a correlation coefficient of more than 0.91 and well-reflected temporal variations of the Normalized Difference Vegetation Index (i.e., vegetation phenology). GK-2A provides Aerosol Optical Depth (AOD) and water vapor, which are essential parameters for atmospheric correction, but additional processing should be required in the future to mitigate the problem caused by their many missing values. This study provided the basis for the atmospheric correction of CAS500-4 by developing a machine learning-based atmospheric correction simulation algorithm.
  3. 박강현;박수호;장선웅;공신우;곽지우;이양원 909
    https://doi.org/10.7780/kjrs.2023.39.5.3.3 PDF HTML
    Benthic marine invertebrates, the invertebrates living on the bottom of the ocean, are an essential component of the marine ecosystem, but excessive reproduction of invertebrate grazers or pirate creatures can cause damage to the coastal fishery ecosystem. In this study, we compared and evaluated You Only Look Once Version 7 (YOLOv7), the most widely used deep learning model for real-time object detection, and detection tansformer (DETR), a transformer-based model, using underwater images for benthic marine invertebratesin the coasts of South Korea. YOLOv7 showed a mean average precision at 0.5 (mAP@0.5) of 0.899, and DETR showed an mAP@0.5 of 0.862, which implies that YOLOv7 is more appropriate for object detection of various sizes. This is because YOLOv7 generates the bounding boxes at multiple scales that can help detect small objects. Both models had a processing speed of more than 30 frames persecond (FPS),so it is expected that real-time object detection from the images provided by divers and underwater drones will be possible. The proposed method can be used to prevent and restore damage to coastal fisheries ecosystems, such as rescuing invertebrate grazers and creating sea forests to prevent ocean desertification.
  4. 이경일 921
    https://doi.org/10.7780/kjrs.2023.39.5.3.4 PDF HTML
    도시 인구집중 및 도시확장에 의한 토지피복 변화는 도시 내 열섬현상과 같은 다양한 환경문제를 유발할 수 있다. 특히 계획적으로 구축되는 신도시의 경우 짧은 기간에 진행되는 급격한 도시화로 인한 도시 기후의 변화를 분석하기에 적절한 연구대상지로 여겨진다. 본 연구에서는 Landsat 위성영상을 활용하여 분당 및 판교 신도시를 대상으로 개발 전후 토지피복 변화와 이에 따른 표면 도시열섬(surface urban heat island, SUHI) 현상의 변화를 비교, 분석하였다. 또한 SUHI 강도에 영향을 끼칠 수 있는 도시구조적 특징들 간 상관분석을 수행하였다. 분석 결과, 신도시 개발이 진행됨에 따른 토지피복의 급격한 변화 및 이에 따른 SUHI 현상의 직접적인 심화를 확인하였다. 본 연구를 통해 각기 다른 도시계획에 의한 SUHI 현상의 차이를 확인하고 열 환경 개선을 위한 입체적인 도시계획의 필요성이 제시될 수 있다.
  5. 양세영;최현영;임정호 933
    https://doi.org/10.7780/kjrs.2023.39.5.3.5 PDF HTML
    대기 중 에어로졸은 인체에 악영향을 끼칠 뿐 아니라 기후 시스템에도 직간접적인 영향을 미치므로 에어로졸의 특성과 시공간적인 분포에 대한 이해는 매우 중요하다. 이를 위해 위성기반 관측을 통해 에어로졸 광학 두께(Aerosol Optical Depth, AOD)를 산출하여 에어로졸을 모니터링하는 다양한 연구가 수행되어 왔다. 하지만 이는 주로 조견표를 활용한 역 산출 알고리즘에 기반하여 이루어지기 때문에 많은 계산량을 요구하며 불확실성이 존재한다. 따라서, 본 연구에서는 Geostationary Ocean Color Imager-II (GOCI-II)의 대기상한반사도와 30일 동안의 대기상한반사도 중 최솟값과 관측 시점 값의 차이 값, 수치 모델 기반 기상학적 변수 등을 활용하여 기계학습 기반 고해상도 AOD 직접 산출 알고리즘을 개발하였다. Light Gradient Boosting Machine (LGBM) 기법이 사용되었으며, 추정된 결과는 지상 관측 자료인 Aerosol Robotic Network (AERONET) AOD를 활용하여 랜덤, 시간 및 공간별 N-fold 교차검증을 통해 검증되었다. 세 가지 교차검증 결과 R2=0.70-0.80, RMSE=0.08-0.09, 기대오차(Expected Error, EE) 안에 있는 비율은 75.2-85.1% 수준으로 안정적인 성능을 보였다. Shapley Additive exPlanations (SHAP) 분석에서는 반사도 관련 변수들이 기여도의 상위권 대부분을 차지하고 있는 것을 통해 반사도 자료가 AOD 추정에 많은 기여를 하는 것을 확인하였다. 서울과 울산 지역에 대한 시간 별 AOD의 공간 분포를 분석한 결과, 개발된 LGBM 모델은 시간의 흐름에 따라 AERONET AOD 값과 유사한 수준으로 AOD를 추정하고 있었다. 이를 통해 높은 시공간 해상도(i.e., 시간별, 250 m)에서의 AOD 산출이 가능함을 확인하였다. 또한, 산출 커버리지 비교에서 LGBM 모델의 평균 산출 빈도가 GOCI-II L2 AOD 산출물 대비 8.8%가량 증가한 것을 통해 기존 물리모델기반 AOD 산출 과정에서 발생하던 밝은 지표면에 대한 과도한 마스킹의 문제점을 개선시킨 것을 확인하였다.
  6. 최소연;윤유정;강종구;김서연;정예민;임윤교;서영민;김완엽;최민하;이양원 949
    https://doi.org/10.7780/kjrs.2023.39.5.3.6 PDF HTML
    본 연구에서는 Sentinel-1 synthetic aperture radar 영상을 활용하여 딥러닝 모델인 Swin Transformer로 국내 농업용 저수지의 수표면적을 모니터링 하는 방법을 제시한다. Google Earth Engine 플랫폼을 이용하여 70만톤 급, 90만톤급, 150만톤급 저수지 7개소에 대한 2017년부터 2021년 데이터셋을 구축하였다. 저수지 4개소에 대한 영상 1,283장에 대해서 셔플링(suffling) 및 5-폴드(fold) 교차검증 기법을 적용하여 모델을 학습하였다. 시험평가 결과 모델의 윈도우 크기를 12로 설정한 Swin Transformer Large 모델은 각 폴드에서 평균적으로 99.54%의 정확도와 95.15%의 mean intersection over union (mIoU)을 기록하여 우수한 의미론적 분할 성능을 보여주었다. 최고 성능을 보여준 모델을 나머지 3개소 저수지 데이터셋에 적용하여 성능을 검증한 결과, 모든 저수지에서 정확도 99% 및 mIoU 94% 이상을 달성함을 확인했다. 이러한 결과는 Swint Transformer 모델이 국내의 농업용 저수지의 수표면적 모니터링에 효과적으로 활용될 수 있음을 보여준다.
  7. 송아람 967
    https://doi.org/10.7780/kjrs.2023.39.5.3.7 PDF HTML
    본 연구에서는 다양한 드론 영상 데이터셋을 효과적으로 학습하여 의미론적 분할의 정확도를 향상시키기 위한 combined segmentation network (CSN)를 제안하고 검증하였다. CSN은 세 가지 드론 데이터셋의 다양성을 고려하기 위하여 인코딩 영역의 전체를 공유하며, 디코딩 영역은 독립적으로 학습된다. CSN의 경우, 학습 시 모든 데이터셋에 대한 손실값을 고려하기 때문에 U-Net 및 pyramid scene parsing network (PSPNet)으로 단일 데이터셋을 학습할 때보다 학습 효율이 떨어졌다. 그러나 국내 자율주행 드론 영상에 CSN을 적용한 결과, CSN이 PSPNet에 비해 초기 학습 없이도 영상 내 화소를 적절한 클래스로 분류할 수 있는 것을 확인하였다. 본 연구를 통하여 CSN이 다양한 드론 영상 데이터셋을 효과적으로 학습하고 새로운 지역에 대한 객체 인식 정확성을 향상시키는 데 중요한 도구로써 활용될 수 있을 것으로 기대할 수 있다.
  8. 이시현;강유진;성태준;임정호 979
    https://doi.org/10.7780/kjrs.2023.39.5.3.8 PDF HTML
    산불은 예측이 어려운 재해이기 때문에 실시간 모니터링을 통해 빠르게 대응하는 것이 중요하며, 정지 궤도 위성 영상은 광역을 짧은 시간 간격으로 모니터링할 수 있어 산불 탐지 분야에 활발히 이용되고 있다. 기존의 위성 영상 기반 산불 탐지 알고리즘은 밝기 온도의 통계량 분석을 통한 임계값 기반으로 이상치를 탐지하는 방향으로 진행되어 왔다. 그러나 강도가 약한 산불을 탐지하기 어렵거나, 적절한 임계값 설정의 어려움으로 일반화 성능이 저하되는 한계점이 있어 최근에는 기계학습을 이용한 산불 탐지 알고리즘들이 제시되고 있다. 현재까지는 random forest, VanillaConvolutional neural network (CNN), U-net 구조 등의 비교적 간단한 기법이 적용되고 있다. 따라서, 본 연구에서는 정지궤도 위성인 Advanced Himawari Imager를 이용하여 동아시아와 호주를 대상으로 State of the Art (SOTA)딥러닝 기법을 적용한 산불 탐지 알고리즘을 개발하고자 하였다. SOTA 모델은 EfficientNet과 lion optimizer를 적용하여 개발하고, Vanilla CNN 구조를 사용한 모델과 산불 탐지 결과를 비교하였다. EfficientNet은 동아시아와 호주에서 0.88 및 0.83의 F1-score를 기록함으로써 CNN (동아시아: 0.83, 호주: 0.78)에 비해 뛰어난 성능을 입증하였다. EfficientNet에 불균형 문제 해결을 위한 weighted loss, equal sampling, image augmentation 기법 적용 시, 동아시아와 호주에서 각각 0.92와 0.84의 F1-score를 기록함으로써 적용 전(동아시아: 0.88, 호주: 0.83)에 비하여 성능이 향상되었음을 확인하였다. 본 연구를 통하여 제시된 SOTA 딥러닝 기법의 산불 탐지에의 적용 가능성과 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향은 향후 산불탐지 분야에 대한 딥러닝 적용에 도움이 될 것으로 기대된다.
  9. 임윤교;윤유정;강종구;김서연;정예민;최소연;서영민;이양원 997
    https://doi.org/10.7780/kjrs.2023.39.5.3.9 PDF HTML
    해상의 선박탐지는 다양한 방법으로 수행될 수 있는데, 위성은 광역적인 감시가 가능하고, 특히 합성개구레이더(Synthetic Aperture Radar, SAR) 영상은 주야간 및 전천후로 활용될 수 있다. 본 연구에서는 SAR 영상으로부터 효율적인 선박 탐지 방법을 제시하기 위하여, Sentinel-1 영상에 You Only Look Once Version 5 (YOLOv5) 모델을 적용하여 선박 탐지를 수행하고, 편파별 개별 모델과 통합 모델의 차이 및 편파별 정확도 특성을 분석하였다. 파라미터가 작고 가벼운 YOLOv5s와 파라미터가 많지만 정확도가 높은 YOLOv5x 두가지 모델에 대하여 각각 (1) HH, HV, VH, VV 각 편파별로 나누어 학습/검증 및 평가 그리고 (2) 모든 편파의 영상을 사용하여 학습/검증 및 평가를 실시한 결과, 네 가지 실험에서 모두 0.977 ≤ AP@0.5 ≤ 0.998의 비슷하면서 매우 높은 정확도를 나타냈다. 이러한 결과를 현업시스템의 관점에서 보면, 가벼운 YOLO 모델(YOLOv5s, YOLOv8s 등)로 4개 편파 통합 모델을 구축하는 것이 실시간 선박탐지에 효과적임을 시사하는 것이다. 이 실험에서 사용한 영상은 19,582장이었지만, Sentinel-1 이외에도 Capella, ICEYE 등 다른 SAR 영상을 추가적으로 활용한다면, 보다 더 유연하고 정확한 선박 탐지 모델이 구축될 수 있을 것이다.
  10. 배세정;손보경;성태준;이연수;임정호;강유진 1009
    https://doi.org/10.7780/kjrs.2023.39.5.3.10 PDF HTML
    도시 수목은 탄소를 저장하고 불투수면적을 감소시키는 도시 생태계의 중요 요소이며, 탄소 저장량 및 순환량 산정 시 주요 정보로 활용될 수 있다. 많은 선행 연구에서 항공 라이다 자료 및 인공지능 기법을 활용하여 고해상도 수목 정보를 산출하고 있으나, 항공 라이다 영상은 제공하는 플랫폼이 제한되어 있으며 비용적인 면에서도 한계가 다수 존재한다. 따라서 본 연구에서는 수원시를 대상으로 자료 취득이 용이한 고해상도 위성 영상인 Sentinel-2를 활용하여 기계학습 기반의 도시 내 수목 피복률(fractional tree canopy cover, FTC)을 추정하고자 하였다. Sentinel-2 시계열 영상으로부터 중앙값 합성을 수행하여 수원시 전역에 대한 단일 영상을 제작하여 활용하였다. 도시 내 토지 피복의 이질성을 반영하기 위하여, 30 m 격자내 10 m 해상도의 광학 지수의 평균 및 표준편차 값과 환경부 세분류 토지 피복 지도 기반 항목별 피복률을 계산하여 기계학습 모델의 입력 변수로 활용하였다. 총 4가지의 입력 변수 조합을 설정하여, 입력 변수 구성에 따른 FTC 추정 정확도를 비교 및 평가하였다. 광학 영상의 평균 정보만을 활용(Scheme 1)했을 때 보다 도시 내 이질적인 특성을 반영할 수 있는 표준 편차 및 피복률 정보를 모두 함께 고려(Scheme 4, S4)했을 때 향상된 성능을 나타낼 수 있었다. 검증용 자료에 대해 S4의 Random Forest (RF) 모델이 0.8196의 R2, 0.0749의 mean absolute error (MAE), 및 0.1022의 root mean squared error (RMSE)로 전체 기계학습 모델 중에서 성능이 가장 높게 나타났다. 변수 기여도 분석 결과 광학 지수의 표준 편차 정보는 도시 내 복잡한 토지 피복 지역에 대해 높은 기여도를 나타내었다. 훈련된 S4 구성의 RF 모델을 수원시 전역에 대해 확장 적용하였을 때, 참조 FTC 자료에 대해 0.8702의 R2, 0.0873의 MAE, 및 0.1335의 RMSE의 우수한 성능을 나타냈다. 본 연구의 FTC 추정 기법은 향후 다른 지역에 대한 적용성이 우수할 것으로 판단되며, 도시 생태계 탄소순환 파악의 기초자료로 활용될 수 있을 것으로 기대된다.
  11. 박혜빈;이예진;박선영 1031
    https://doi.org/10.7780/kjrs.2023.39.5.3.11 PDF HTML
    인공위성은 시공간적으로 연속적인 지구환경 데이터를 제공하므로 위성영상을 이용하여 효율인 작물 수확량 예측이 가능하며, 딥러닝(deep learning)을 활용함으로써 더 높은 수준의 특징과 추상적인 개념 파악을 기대할 수 있다. 본 연구에서는 Landsat 8 위성 영상을 활용하여 다시기 영상 데이터를 이용하여 5대 수급 관리 채소인 배추와 무의 수확량을 예측하기 위한 딥러닝 모델을 개발하였다. 2015년부터 2020년까지 배추와 무의 생장시기인 6~9월 위성영상을 이용하여 강원도를 대상으로 배추와 무의 수확량 예측을 수행하였다. 본 연구에서는 수확량 모델의 입력자료로 Landsat 8 지표면 반사도 자료와 normalized difference vegetation index, enhanced vegetation index, lead area index, land surface temperature를 입력자료로 사용하였다. 본 연구에서는 기존 연구에서 개발된 모델을 기반으로 우리나라 작물과 입력데이터에 맞게 튜닝한 모델을 제안하였다. 위성영상 시계열 데이터를 이용하여 딥러닝 모델인 convolutional neural network (CNN)을 학습하여 수확량 예측을 진행하였다. Landsat 8은 16일 주기로 영상이 제공되지만 구름 등 기상의 영향으로 인해 특히 여름철에는 영상 취득에 어려움이 많다. 따라서 본 연구에서는 6~7월을 1구간, 8~9월을 2구간으로 나누어 수확량 예측을 수행하였다. 기존 머신러닝 모델과 참조 모델을 이용하여 수확량 예측을 수행하였으며, 모델링 성능을 비교했다. 제안한 모델의 경우 다른 모델과 비교했을 때, 높은 수확량 예측 성능을 나타내었다. Random forest (RF)의 경우 배추에서는 제안한 모델보다 좋은 예측 성능을 나타내었다. 이는 기존 연구 결과처럼 RF가 입력데이터의 물리적인 특성을 잘 반영하여 모델링 되었기 때문인 것으로 사료된다. 연도별 교차 검증 및 조기 예측을 통해 모델의 성능과 조기 예측 가능성을 평가하였다. Leave-one-out cross validation을 통해 분석한 결과 참고 모델을 제외하고는 두 모델에서는 유사한 예측 성능을 보여주었다. 2018년 데이터의 경우 모든 모델에서 가장 낮은 성능이 나타났는데, 2018년의 경우 폭염으로 인해 이는 다른 년도 데이터에서 학습되지 못해 수확량 예측에 영향을 준 것으로 생각되었다. 또한, 조기 예측 가능성을 확인한 결과, 무 수확량은 어느 정도 경향성을 나타냈지만 배추의 경우 조기 예측 가능성을 확인하지 못했다. 향후 연구에서는 데이터 형태에 따라 CNN의 구조를 조정해서 조기 예측 모델을 개발한다면 더 개선된 성능을 보일 것으로 생각된다. 본 연구 결과는 우리나라 밭 작물 수확량 예측을 위한 기초 연구로 활용될 수 있을 것으로 기대된다.
  12. 김영준;배덕원;임정호;정시훈;추민기;한대현 1043
    https://doi.org/10.7780/kjrs.2023.39.5.3.12 PDF HTML
    최근 기후변화의 가속화로 바다에 의한 탄소의 흡수 작용을 칭하는 '블루 카본(blue carbon)'에 대한 관심이 많아지고 있지만, 탄소 순환의 핵심이 되는 해양 생태계에 대한 우리의 이해는 아직 부족한 실정이다. 본 연구는 탄소 순환을 고려한 글로벌 해양 생태 권역(marine eco-province)을 k-means clustering 기법을 활용하여 분류·분석하였다. 지난 20년 간(2001-2020) 위성을 활용하여 생산된 Carbon-based Productivity Model (CbPM) 순 일차 생산량(Net primary production, NPP), particulate inorganic and organic carbon (PIC and POC), 위성 관측과 재분석모델을 결합하여 생산한 해수면 염분(sea surface salinity, SSS) 및 온도(sea surface temperature, SST) 총 다섯가지 자료를 활용하였다. 최적화 과정을 거쳐 총 9개의 생태권역을 도출하였으며, 각 권역의 공간분포와 특성을 분석하였다. 이 중 5개의 권역은 주로 대양의 특성을 반영하고, 4개의 권역은 연안 및 고위도 해역의 특성을 반영하는 것으로 나타났다. 또한, 기존에 알려진 해양 생태 권역과의 정성적 비교를 통하여 탄소순환을 고려한 해양 생태권역의 특징을 상세히 분석하였다. 마지막으로 과거 5년 단위(2001-2005, 2006-2010, 2011-2015, 2016-2020)로 생태 권역의 변화를 분석하였으며, 연안생태계의 빠른 변화와 특히 담수유입으로 인해 생산량이 높고 생태적으로 중요한 권역의 감소를 확인하였다. 이러한 연구 결과는 탄소 순환 및 기후변화를 고려한 해양 생태 권역 분류 및 연안 관리에 대한 중요한 참고자료로 활용 될 수 있으며, 기후 변화에 취약한 지역에 대한 체계적인 관리 지침 개발에 활용될 수 있다.
  13. 김서연;윤유정;강종구;정예민;최소연;임윤교;서영민;박찬원;이경도;나상일;안호용;류재현;이양원 1061
    https://doi.org/10.7780/kjrs.2023.39.5.3.13 PDF HTML
    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.