For utilization of satellite images, enhancing the geometric accuracy and the provision of accurate ground control points (GCPs) are essential. However, maintaining and updating numerous GCPs is time-consuming and costly, presenting considerable limitations. To improve these challenges, this study proposes an automated method to accurately adjust GCP height values using rational function model (RFM) bundle block adjustment with multiple satellite images. Tiepoints over multiple images were constructed through automated matching between satellite images and GCP chips. We converted true GCP height values into heights with errors. The GCP height values were iteratively adjusted through bundle block adjustment using tiepoints over multiple images. The estimated height values were compared with the true GCP height values. Experiments compared and analyzed the accuracy of height value adjustments based on the number of satellite images used, imaging geometry, and the weights assigned in the model. Results with 13 high-resolution images showed that the root-mean-square-error (RMSE) of GCP height values improved from 8.959 m to 0.863 m after adjustment, achieving an accuracy within 1 m. Moreover, as the number of satellite images used in the bundle adjustment increased, the RMSE gradually decreased, leading to more accurate estimations.When using satellite image datasets with diverse imaging geometries, the RMSE was 0.931 m, whereas datasets with similar imaging geometries resulted in RMSEs of 1.228 m and 1.473 m, indicating lower adjustment performance. The optimal weight setting involved assigning lower weights to the initial GCP heights compared to other parameters, allowing for more significant adjustments. We highlight that tiepoints over multiple images were constructed through automated matching between satellite images and GCP chips. This supports strongly the automated update of GCP's ground coordinates precisely. Experiment results indicated that the proposed method could be effectively utilized for practical GCP management and that it improves the quality of GCPs in areas where accurate field surveys are challenging.

빙상 아래에 존재하는 호수인 빙저호는 빙상 역학에 영향을 주므로 빙저호의 분포 위치 탐지와 충진 및 배수 활동 모니터링은 매우 중요한 연구라 할 수 있다. 이 연구에서는 아직 발견되지 않은 빙저호들이 존재할 가능성이 높은 동남극의 Vostok 빙저호 부근 고위도 지역에 대해 140일의 시간 기선거리를 가지는 2쌍의 Advanced Land Observing Satellite-2 (ALOS-2) Phased-Array L-band Synthetic Aperture Radar-2 (PALSAR-2) Scanning SAR (ScanSAR) 영상을 구축하고, 차분간섭기법(differential interferometric SAR, DInSAR)을 적용하였다. Vostok 빙저호 부근에서 폐합된 원형의 DInSAR 간섭띠 패턴이 관측되었다. 빙저호가 위치한 지역의 DInSAR 위상에는 빙상 흐름에 의한 변위와 빙저호 수위 변화에 의한 빙상 표면고도 변화가 모두 포함될 수 있다. 빙상 흐름의 영향을 줄이고 표면고도 변화의 시간적 차이를 추정하기 위해 두 DInSAR 영상을 차분하는 이중차분간섭기법(double DInSAR, DDInSAR)을 수행하였다. DDInSAR 영상에서는 DInSAR 영상에서 탐지된 원형의 폐합된 간섭띠 패턴이 더 뚜렷하게 관측되었고, 간섭띠 영역 내부에 대해 Ice, Cloud and land Elevation Satellite-2 (ICESat-2)로 관측된 빙상 표면고도는 간섭띠 영역 외부와는 구분되는 변화를 보였다. 이는 원형의 폐합된 간섭띠 패턴이 빙저호 수위 변화 및 수위 변화의 시간적 차이에 따른 빙상 표면고도 변동에 기인한 것임을 나타낸다. 이 연구에서 발견된 빙저호 인근에는 기보고된 빙저호가 위치하고 있으나, ALOS-2 DInSAR 및 DDInSAR 영상에서 빙저호 수위 변화의 결과로 추정할 만한 표면변위는 관측되지 않았다. 이 연구에서 발견된 빙저호와 인근의 기보고된 빙저호는 모두 수위 변화의 속도가 느린 것으로 파악되었다. 수리 포텐셜(hydraulic potential)로 추정된 빙저 배수망으로부터 두 빙저호 모두 빙상 기저 용융에 의해 충진될 가능성이 높으며, 배수된 물은 Vostok 빙저호로 유입될 수 있음을 확인하였다. 이 연구는 고위도의 남극 내륙 지역에서 장기간 적은 활동성을 보이는 활성 빙저호 탐지에 ALOS-2 ScanSAR 간섭기법이 유용하게 활용될 수 있음을 제시하였다.

이 연구는 Google Earth Engine (GEE)을 활용해 차세대 중형 위성 1호(Compact Advanced Satellite 500-1, CAS500-1), Sentinel-1, Sentinel-2 위성영상정보를 적용하여 다중 센서 영상 분류를 수행하였다. GEE가 제공하는 랜덤 포레스트(Random Forest) 알고리즘을 사용해 토지 사용 및 토지 피복(Land Use and Land Cover) 분류를 수행했으며, CAS500-1, Sentinel-1, Sentinel-2 영상정보와 함께 CAS500-1의 정규 식생 지수(Normalized Difference Vegetation Index, NDVI) 자료를 다양한 방식으로 입력 자료를 조합하여 적용한 실험을 수행하였다. 연구 지역은 경상북도 고령군 일대 지역이며, 위성영상정보는 2023년 1월 초에 얻어진 자료이다. 이 연구 실험 결과, CAS500-1, Sentinel-1, Sentinel-2 영상정보와 NDVI 자료를 적용했을 때 가장 높은 분류 정확도(94.51%)와 Kappa 계수(0.9342)를 보였다. 이는 NDVI 자료가 CAS500-1 영상과 상호 보완적으로 작용하여 분류 정확도를 증가시키는 결과를 보인 것으로 생각한다. 이 연구를 통해 GEE 플랫폼에서 다중 센서 자료의 적용이 분류 정확도를 향상시킬 수 있음을 확인했으며, 특히 CAS500-1 영상의 고해상도 특성을 활용하여 더 세분화된 분석이 가능할 것으로 예상된다.

급격한 기후 변화로 인한 어획량 감소와 양식 기술의 발전으로 양식 생산물 수요가 전세계적으로 계속해서 증가하고 있다. 그러나 이에 따른 무분별한 시설물 확장이 연안 생태계와 어족 자원 가격 책정에 악영향을 미치기 때문에, 주기적인 연안 환경 모니터링을 통한 양식시설물 관리가 필수적이다. 본 연구에서는 Sentinel-2 광학 영상과 다양한 딥러닝 기반 탐지 기법을 활용하여 경상남도의 패류 양식시설물 탐지 정확도를 분석하였다. DeepLabv3+, ResUNet++ 그리고 Attention U-Net 모델을 적용하였으며, 실험 결과 Attention U-Net 모델이 F1 score 0.8708, Intersection over Union 0.7708로 가장 우수한 탐지 성능을 보였다. 연구에서 제시한 탐지 방법론은 조류 및 부유 물질에 영향을 받는 양식시설물을 주기적으로 관측할 수 있고, 다양한 양식 품종에 적용할 수 있어 넓은 지역으로의 확장 가능성이 높다. 따라서 본 연구 방법을 통해 도출된 양식 시설물 정보는 향후 해양 공간 활용에 관한 정책 결정에 유용하게 활용할 수 있을 것으로 기대된다.

Land use constantly changes due to climate change and human activities. Above all else, monitoring forests is crucial for global carbon management, particularly in the context of climate change. Land use changes in forested areas occur due to various factors such as development projects or natural disasters; forest fires are one of the primary drivers of large-scale forest loss. Therefore, it is essential to detect forest changes including forest fires accurately and to develop an automated system for periodic monitoring. In response, this study proposes a machine learning-based method for automating forest change detection using multi-temporal medium-resolution satellite imagery. As a case study area, the Dogye-eup, Samcheok was selected which experienced rapid forest change following significant forest fires in 2017. To construct spatial datasets for the factors influencing forest changes, key spectral bands were extracted after preprocessing the satellite images, and indices such as the normalized difference vegetation index (NDVI) and normalized difference water index (NDWI) were computed. Additionally, slope values were derived from digital elevation model (DEM) data to further enhance the dataset. Using the training set based on NDVI derived from a forest map and single-season imagery, a forest probability map was generated through a machine-learning model based on artificial neural network (ANN). The final estimate of forest reduction was determined by analyzing seasonal imagery differentials and their summation. This automated approach to extracting training data from satellite imagery and pre-existing datasets offers significant potential to enhance the automation of forest monitoring.

국내에서는 국토의 효율적인 관리를 위해 이에 특화된 농림위성(차세대 중형위성 4호)을 발사할 예정이다. 농림위성은 5 m급 공간해상도와 120 km의 촬영폭을 가지며, 3일의 짧은 재방문주기로 한반도의 주기적인 모니터링이 가능하다. 이러한 농림위성 영상의 활용성을 높이기 위해서는 정밀 기하보정을 통해 기하왜곡을 제거하는 과정이 필요하며, 이를 위한 핵심 자료로 지상기준점(ground control point, GCP)이 필요하다. 측량을 통한 지상기준점 취득의 경우 많은 시간과 비용이 소요되며, 접근 불능 및 해외지역에 대해서는 취득이 어렵다. 따라서 본 연구에서는 Sentinel-2 Level-1C (L1C) 영상을 기반으로 지상기준점을 자동추출하고, 이를 기반으로 농림위성영상과 유사한 사양을 가지는 Rapideye 1B 영상을 사용하여 정사영상을 생성하는 방안을 제시하였다. 제안된 기법은 크게 지상기준점 패치 제작 단계와 기하보정을 통한 정사영상 제작단계로 진행된다. 이후, 제작된 정사영상의 정확도를 검증하기 위해 기하보정 전·후의 센서모델 정확도를 분석하였다. 그 결과, 모든 실험 영상에서 센서 모델의 오차가 2 pixels 미만임을 확인하였다. 이를 통해 제안 방안은 자동으로 지상기준점을 취득할 수 있어 향후 농림위성영상의 정사영상 생성에 활용될 수 있을 것으로 기대된다.

재배면적산정은 농업정책결정에 있어 당해 생산량을 결정하는 가장 기본적인 지표로 광범위한 면적의 효율적 조사가 필요하여 이를 위해 위성영상, 무인기 등 원격탐사 기술을 적극적으로 활용하는 사례가 많다. 우리나라와 같이 소규모필지가 우세한 국내 밭작물 환경에서는 공간해상도가 낮은 위성영상을 사용하기 어려우며, 무인기기반의 원격탐사 기술을 시도하는 추세에 있다. 무인기영상에 대해 딥러닝 기반의 작물분류는 의미론적 분할 등 픽셀기반 분류기법으로 접근하는 경우에 클래스 불균형문제, 무인기영상 모자이크 시 비네팅에 의한 분광보정오류 등에 의해 영향받기 쉽다. 본 연구는 무인기영상의 작물분류를 필지 별 이미지 분류 기법으로 접근하여 다작목 작물분류가 가능한 방법론을 제시한다. 필지분할을 위해 영상의 Segment-Anything 모델의 적용결과와 국내전역에 구축된 스마트팜맵과 함께 혼용함으로써 정합이 완전하지 않은 무인기영상에서 실제 경계를 찾고, 해당 경계 내의 필지를 이미지 분류기법을 통해 분류함으로써 필지기반작물분류를 수행하였다. 의미론적 분할 결과와 mean Intersection over Union (mIoU) 결과를 비교하였을 때, 제안한 방법론은 mIoU에서 큰 상승이 있음을 관찰하였다. 이는 제안한 무인기영상의 필지기반 작물분류방법이 이는 의미론적 분할문제에서 관찰되는 클래스 불균형 문제를 효과적으로 우회할수 있을을 보인다.

As global warming accelerates greenhouse gas emissions, the frequency and severity of abnormal weather events such as floods and droughts are increasing, complicating disaster management and amplifying socio-economic damage. In response, effective strategies for mitigating water-related disasters and proactively addressing climate change are essential, which can be achieved through the use of satellite imagery. This study aims to compare the water body detection performance of Sentinel-1 Synthetic Aperture Radar (SAR) and Sentinel-2 optical imagery using the Attention U-Net model. Through this comparison, the study seeks to identify the strengths and limitations of each satellite imagery type for water body detection. A 256 × 256-pixel patch dataset was developed using multi-temporal imagery from the Han River and Nakdong River basins to reflect seasonal variations in water bodies, including conditions during wet, dry, and flood seasons. Additionally, the study evaluates the impact of data augmentation techniques on model performance, emphasizing the need to select augmentation methods that align with the specific characteristics of SAR and optical data. The results demonstrate that Sentinel-1 SAR imagery exhibited stable performance in detecting large water bodies, achieving high precision in defining water boundaries (Intersection over Union [IoU]: 0.964, F1-score: 0.982).In contrast, Sentinel-2 optical imagery achieved slightly lower accuracy (IoU: 0.880, F1-score: 0.936) but performed well in detecting complex water boundaries, such as those found in wetlands and riverbanks. While data augmentation techniques improved the performance of the Sentinel-1 SAR dataset, they had only a marginal effect on Sentinel-2 optical imagery, aside from slight improvements in boundary detection under new environmental conditions. Overall, this study underscores the importance of threshold and satellite imagery integration for water body monitoring. It further emphasizes the value of selecting appropriate data augmentation techniques tailored to the characteristics of each dataset. The insights from this study offer guidance for developing enhanced water resource management strategies to mitigate the impacts of climate change.

본 연구는 쿨루프(cool roof) 설치가 도시 열섬 현상(urban heat island, UHI) 완화에 미치는 영향을 정량적 및 시·공간적으로 분석하는 것을 목적으로 한다. 이에 무인항공기(unmanned aerial vehicle, UAV)와 열적외선 센서(thermal infrared sensor, TIR)를 활용하여 폭염저감 시설 중 대표적인 쿨루프의 시간대별 지표면 온도(land surface temperature, LST) 저감 효과를 정량적으로 비교·분석하였다. 쿨루프의 LST 저감 효과 파악을 위해 UHI를 완화하기 위한 시범 사업의 일환으로 쿨루프가 실제로 적용된 경상남도 김해시 장유 무계동을 대상으로 연구를 수행하였다. UAV 관측을 통해 맑은 날 오전 9시부터 오후 5시까지 2시간 간격으로 고해상도 열 영상을 촬영하였으며, LST의 시·공간적 분포를 box plot 및 z-score로 산정하여 상세히 분석하였다. 연구 결과, 쿨루프는 오전 시간대(9시~11시)에 가장 높은 온도 저감 효과를 보였다. 제2분위수(the second quartile, Q2) 기준 가장 높은 온도 차이를 보이는 시간대는 11시로 쿨루프가 일반 지붕보다 10.52℃ 더 낮은 분포를 보였다. 반면 오후 시간대로 갈수록 이 차이가 줄어들어 오후 17시에 0.04℃로 가장 낮은 온도 차이를 나타냈다. Box plot 및 z-score 분석을 통해 시간대별 쿨루프와 일반 지붕 간 LST의 공간적 경향성을 분석하였다. 또한, 절대값 1.65 범위의 이상인 값들을 극단적으로 LST가 높거나 낮은 지붕객체로 분류하 여 시간대별 객체 빈도수를 파악하였다. 분석 결과, 쿨루프가 적용된 지역이 일반 지붕보다 평균적으로 5~10℃ 낮은 LST를 유지하였다. 일반 지붕의 가장 LST가 높은 객체는 오전 11시에 평균 66.02℃까지 상승한 반면, 쿨루프의 가장 낮은 객체는 35.22℃로 약 30.80℃의 차이를 보였다. 본 연구는 UHI 완화를 위하여 폭염저감 기술 중 쿨루프를 적용하는 것이 효과적인 전략임을 보여주는 사례 연구이다. 본 연구에서는 연구지역의 시간대별 LST를 분석하고, 지붕 객체별 z-score 산정을 통해 각 시간대 및 공간적 변화를 분석하였다. 본 연구를 통하여 쿨루프 등 폭염 저감 시설은 복사에너지가 적은 오전에 보다 효과적인 것으로 분석되었다. 향후 본 연구 결과를 활용하여 폭염 저감 시설의 설치 적정성, 운영 방안 및 폭염 피해 등에 대해 전반적 활용이 가능하고, 특히 효율적인 도시열섬 저감 기법 연구의 기반이 될 것으로 사료된다.

기후변화로 인해 노지 작물에 대한 생육과 물 관리의 중요성이 높아지고 있다. 토양수분 센서 기반의 자동관수 시스템은 물 관리에 효과적이나 필지 전체를 공간적으로 대표하는데 한계가 있다. 이를 보완하기 위하여 드론 영상을 활용할 수 있으며, 본 연구에서는 배추의 생육 단계와 수분 상태에 따른 RGB, 다중분광, 열화상 영상 기반으로 한 산출물들의 반응을 평가하였다. 정규화식생지수(normalized difference vegetation index, NDVI)는 배추 정식 초기 생육 모니터링에 유용했으며, 정규화적색경계지수(normalized difference red edge index)는 엽록소 함량을 반영하여 배추의 생육 상태를 구체적으로 평가하는 데 기여하였다. 작물 높이모델을 통해 추정된 초장(plant height)은 상이한 관수 처리 조건에서 배추 결구기 생육 상태를 NDVI보다 명확하게 나타냈으며, 건조한 기상 상황에서 꾸준히 관수한 처리구의 초장이 높았다. 드론 기반의 식생지수와 초장은 관수 여부에 따른 처리구별 생육 차이뿐만 아니라 동일한 처리구 내에서의 공간변이를 효과적으로 탐지하였다. 드론 열화상 영상을 통해 산출된 crop water stress index는 관수 및 강우 후 배추의 수분 스트레스 변화를 즉각적으로 반영하였다. 노지에 설치된 토양수분 값과 연계하여 건조한 조건에서의 수분 스트레스뿐만 아니라 물이 고이는 지점 정보를 생산하였다. 이러한 결과는 드론으로 관측한 다양한 산출물들에 대한 활용법뿐만 아니라 노지 배추의 생육 관리 및 농작업 의사결정 지원에 기여할 것으로 기대된다.

Extracting building information from Very-High-Resolution (VHR) satellite images is critical for urban mapping and monitoring. Traditional manual annotation methods are labor-intensive and costly, making automated solutions highly desirable. Segment Anything Model (SAM), a foundation model trained mostly on natural images, has recently shown high performance on diverse segmentation tasks. However, due to differences in perspective and the average size of objects in the images, SAM exhibits lower performance when extracting buildings from satellite imagery. These limitations, derived from differences in image domains, can be addressed by fine-tuning the model with satellite images and preprocessing the input images. However, various hyperparameters, such as learning rate, batch size, and optimizer type, deeply impact the performance of the fine-tuned model, and thus, in-depth investigations on these hyperparameters are critical for model adaptation. To identify the optimal hyperparameter configuration, we conducted extensive experiments with combinations of hyperparameter settings using Korea Multi-Purpose Satellite (KOMPSAT) images. Additionally, various upscaling methods and object-by-object preprocessing techniques were compared and evaluated, leading to the proposal of an effective preprocessing approach. With the optimal combination, an F1 Score of 0.862, an Intersection over Union (IoU) of 0.761, and a mean IoU (mIoU) of 0.705 were achieved using AdamW optimizer, object-by-object cropping, and 100-pixel buffering. The proposed hyperparameter optimization method in our research underscores the effectiveness of fine-tuning SAM for accurate building extraction in VHR satellite imagery, thereby enabling more reliable data interpretation and decision-making processes in automated remote sensing applications.

정규화 적설지수(normalized difference snow index, NDSI)는 위성센서가 감지한 가시광선과 단파적 외선 밴드의 반사도 차이를 정규화하여 적설 지역을 식별하고 매핑하는 데 사용되는 핵심적인 지표이다. 본 연구는 토지피복 유형에 따라 대기보정이 NDSI와 적설탐지 특성에 미치는 영향을 분석했다. 연구에는 2022년 11월부터 2023년 4월까지의 천리안위성 2A호(GK-2A/AMI) 자료가 사용되었다. 대기 상단 반사도(top-of-atmosphere, TOA) 기반 NDSI (NDSI_TOA)와 지표면 반사도(top-of-canopy, TOC) 기반 NDSI (NDSI_TOC)를 비교한 결과, NDSI_TOC가 전반적으로 높은 값을 보였다. 시계열 분석 결과, 적설 면적이 넓을 때 두 NDSI 간의 차이가 상대적으로 크게 나타났다. S-NPP/VIIRS 적설 자료를 기준으로 비교한 결과, NDSI_TOC 기반 적설 탐지가 NDSI_TOA 기반 적설탐지보다 높은 일치율(NDSI_TOA 72.36%, NDSI_TOC 75.88%)을 보였다. 토지피복 유형별 분석에서는 초지 및 농경지에서 가장 높은 적설탐지 일치율을 보였으며, 산림 지역에서 가장 낮은 일치율을 나타냈다. 이 연구 결과는 NDSI 기반 적설탐지에서 대기보정의 중요성을 강조하며, 토지피복 특성을 고려한 맞춤형 접근의 필요성을 확인하였다. 이는 기후변화 연구, 수자원 관리, 항공기상 예보, 재난 관리 등 다양한 분야에 더 신뢰할 수 있는 적설 정보를 제공할 수 있는 기반을 마련했다.

Climate change is a significant global issue recognized as being primarily caused by greenhouse gases, making it essential to understand the various factors affecting the carbon cycle for effective problem-solving. This study uses satellite data to analyze Solar-Induced Fluorescence (SIF), a key indicator of photosynthetic activity. It investigates differences across various land types based on Moderate Resolution Imaging Spectroradiometer (MODIS) data. The analysis revealed seasonal variations and higher photosynthetic indices in forested areas, suggesting the presence of robust photosynthetic activity. Additionally, this research utilized ground observation greenhouse gas data to validate the data from foreign greenhouse gas observation satellites (GOSAT, GOSAT-2, OCO-2, OCO-3) and assessed the reliability of these observations. It confirmed that the concentration of carbon dioxide (CO₂) in the atmosphere in East Asia increased by an average of about 2.68 ppmv/year from 2019 to 2023. Correlation analysis between CO₂ concentration and SIF indicated a seasonal pattern where CO₂ concentrations increased from autumn to spring and decreased during the summer, while SIF recorded the highest values in summer and the lowest in winter, showing a negative correlation. In particular, different SIF values were observed across regions, and when comparing the annual average CO₂ increase rates according to photosynthetic activity, differences based on land type were identified. These results enhance our understanding of the complex interactions between atmospheric CO₂ concentrations and terrestrial ecosystems, providing important insights into the mechanisms through which ecosystems contribute to climate change mitigation.

Coral reefs play significant roles in marine ecosystems, and recently, they have been experiencing degradation primarily due to global warming. Monitoring the coral reef ecosystem is crucial to rehabilitation and preventing further degradation. Here, we used high spatial resolution multispectral image data from the QuickBird sensor and in-situ measurements acquired around 2011 to derive a benthic habitat map around the coral reef ecosystem in Weno Island, Micronesia. Water column correction was performed to eliminate the effect of the light attenuation within the water column from the satellite image, employing a band combination approach known as the depth invariant index (DII) transformation. The combination of the new images generated by the DII transformation was used for image segmentation. This approach was conducted to apply object-based image classification. To determine the accuracy of the classification,we separate the in-situ data into 174 training data (70% of the data) and 75 testing data (30% of the data). This study produced classification results with an overall accuracy of 84% and a kappa value of 0.77, using a scale parameter of 5 for the object-based classification, which supported the reliability of the resultant coral reef habitat map. The findings of this study demonstrate that applying the depth invariant algorithm for water column correction on Weno Island is an appropriate step before conducting benthic habitat classification.

본 연구는 2017년부터 2023년까지의 Sentinel-2 위성자료를 활용하여 한반도 지역의 식생지수 변이를 분석하고, 이를 바탕으로 농림위성의 식생지수 변이 산출물 가시화를 위한 색상체계를 정의하고자 하였다. 연구에서는 2022년과 2023년의 기후적 요인과 국지적 변화가 식생지수 변이에 미친 영향을 국가별, 토지피복별로 비교 분석하였으며, 2022년 봄철의 가뭄과 이상기온이 한반도의 식생 상태에 영향을 준 것을 파악하였다. 또한, 식생지수 변이 데이터를 통계적으로 분석하여 Jenks Natural Breaks 기법을 활용한 11개의 색상 구간을 설정하였다. 이 가시화 색상체계는 기후적 영향에 따른 변화부터 재난이나 인위적 영향에 따른 변화까지 포함하여, 한반도에서 식생지수 변이를 효과적으로 파악할 수 있도록 설계되었다. 본 연구에서 제시한 식생지수 변이 가시화 색상체계는 향후 농림위성의 데이터를 활용한 분석에 기초자료로 활용될 수 있을 것이다.

효율적인 수자원 관리와 수재해를 예방하기 위해서는 지속적인 수계 모니터링이 필수적이다. 특히 초소형 위성 영상의 경우 높은 시공간해상도에서 지속적이고 정확한 수계 모니터링을 위한 도구가 된다. 본 연구에서는 3.7 m급 해상도를 갖는 PlanetScope 영상과 High-Resolution Network (HRNet) 모델을 활용하여 국내 댐 및 강을 대상으로 수체를 탐지하였으며, 수표면적 모니터링의 활용성을 평가하고자 하였다. 우선, HRNet 모델과 PlanetScope 영상의 최적 밴드 조합(R+G+B, R+G+B+NIR, Normalized Difference Water Index[NDWI], Green+NIR+NDWI)을 평가한 결과, Green+NIR+NDWI 조합에서 validation set의 정확도와 손실 함수가 각각 0.91과 0.05로 가장 우수한 성능이 나타났다. 최적의 밴드 조합에서의 HRNet 모델과 선행 연구의 수체 탐지 모델(Otsu, K-means, U-net)을 활용하여 수체 영역을 산정하였으며, 레이블 영상과의 검증을 통해 성능을 정량적으로 평가하였다. HRNet 모델의 경우 Intersection over Union (IoU) 0.96으로 선행 연구의 모델들과 비교하여 가장 높은 성능이 나타나는 것을 확인하였다(Otsu: 0.90, K-means: 0.92, U-net: 0.95). 추가적으로 HRNet 모델의 침수 탐지 성능을 평가한 결과 IoU는 0.93으로 높은 정확도에서 탐지가 가능하였으나 침수 지역 경계의 진흙이나 습윤한 토양을 수체로 오탐지하는 한계점도 존재하였다. 향후 국내 초소형 군집 위성이 개발된다면 본 연구 결과를 바탕으로 지속적인 수체 탐지를 통한 효과적인 가용수자원 및 수재해 관리에 기여할 수 있을 것으로 기대된다.

We estimated the habitat suitability index (HSI) for mackerel to examine the spatial distribution of mackerel catches within the Exclusive Economic Zone (EEZ) of South Korea from 2011 to 2019, using satellite-based environmental data and the amount of catch data information provided by the government. The HSI is well-regarded for its effectiveness in identifying and predicting fishing grounds. By integrating mackerel catch data with satellite-derived environmental variables including chlorophyll-a concentration (CHL), sea surface temperature (SST), sea surface height (SSH) and primary productivity (PP), we identified optimal environmental thresholds: CHL (0.32 to 1.6 mg m^-3), SST (14.45 to 26.72℃), SSH (0.61 to 0.84 m), and PP (654.94 to 1,731.3 mg C m^-2 d^-1). Then, based on the calculated HSI, habitat suitability maps for mackerel were generated for each season, which were then compared with the distribution of catchment data in terms of validation. These results indicate that our HSI estimation is reliable for predicting mackerel fishing grounds in the South Korean EEZ. This study provides insights into mackerel's spatial distribution patterns and environmental preferences in South Korean oceans, offering valuable information for enhancing fisheries management practices.

우리나라 농업용 저수지는 전국적으로 17,080개소에 이르며, 이들 저수지의 유지관리는 많은 비용과 시간이 소요된다. 이에 따라 위성 영상을 활용한 수면적 변화의 시계열 추적은 저수지 관리를 보다 효율적이고 경제적으로 수행할 수 있는 방법으로 제안되고 있다. 본 연구에서는 Sentinel-1 Synthetic Aperture Radar(SAR)와 Sentinel-2 Multispectral Instrument (MSI) 영상을 활용하여 저수지의 수면적을 분석하고, 저수지 유지관리에 위성 자료의 활용 가능성을 평가하였다. Sentinel-1 SAR 영상 분석 결과, 분할 및 병합 기법은 맹동(0.58)과 구이(0.62)를 제외하고 0.7 이상의 상관 관계를 보였고, 영역 성장 기법은 모든 저수지에서 0.7 이상 그리고 임계값 기반 기법은 구이(0.68)를 제외하고 대부분 0.7 이상의 상관 관계를 나타냈다. Sentinel-2 MSI 영상은 Modified Normalized Difference Water Index (MNDWI), NDWI 그리고 다중밴드/시계열 기반 NDWI로 분석했다. MNDWI는 맹동 등 일부 저수지에서만 0.7 이상의 상관 관계를 보였고, NDWI는 구이(0.57)와 성주(0.59)를 제외하고 0.7 이상, 다중 밴드/시계열 기반 NDWI 기법은 성주(0.52)를 제외하고 모두 0.7 이상의 상관 관계를 보였다. 이를 통해 위성 자료를 활용한 저수지 수면적 변화 모니터링이 가능하며, 이는 저수지 유지관리에 우선순위를 결정할 수 있는 지원 도구로 활용될 수 있을 것으로 기대된다.

Satellite data are used in precision agriculture to optimize crop management. Thus, the planting pattern (e.g., flat and ridge-furrow) and crop type should be accurately reflected in the data. The purpose of this study was to identify the spatial characteristics of errors in the surface reflectance (SR) and vegetation index (VI) obtained from the Sentinel-2 satellite. Drone data were used to evaluate the suitability of the Sentinel-2 satellite for precision agriculture applications in agricultural fields. Four VIs (normalized difference vegetation index, green normalized difference vegetation index, enhanced vegetation index, and normalized difference red edge index) were calculated. The rice paddy exhibited a homogeneous surface, whereas garlic/onion and soybean fields showed high surface heterogeneity because of the presence of ridges and furrows. The SR values of the rice paddy, measured at near-infrared (NIR) wavelength using the Sentinel-2 satellite, were saturated. The VIs derived from both satellite and drone data exhibited a correlation above 0.811 and normalized root mean square error (NRMSE) below 11.1% after bias correction. The garlic and onion fields exhibited the worst results, with a bias-corrected NRMSE for VIs ranging between 12.9% and 13.8%. The soybean field, where the vegetation covered the surface almost completely, exhibited the best relationship between the Sentinel-2 and drone data. The correlation coefficient and bias-corrected NRMSE of VIs for the combination of the two devices were above 0.969 and below 6.4%, respectively. In addition, the SR at NIR had a correlation of 0.925 and a slope of 1.157, unlike in the rice paddy. These results indicate that crop structure has a greater effect than the planting pattern. The absolute difference between the VIs measured by the satellite and drone is influenced by the degree of surface heterogeneity. The errors are more pronounced at the farm-land edges. Our study contributes to a better understating of the characteristics of Sentinel-2 data for use in agricultural fields.

본 연구는 토지피복 분류를 위한 멀티모달(Multimodal) 모델의 활용 가능성을 평가하기 위해 수행되었다. 멀티모달 모델인 Clipseg와 Convolutional Neural Network (CNN) 기반의 Unet, Transformer 기반의 Segformer 모델을 비교하여 토지피복 분류 성능을 평가하였다. 강원도 원주시의 두 지역(Area1, Area2)을 대상으로 정사항공사진을 이용하여 7개 토지피복 범주(산림지, 농경지, 초지, 습지, 정주지, 기타토지, 산림경영활동지)에 대한 분류를 수행하였다. 연구 결과, Clipseg 모델이 새로운 환경에서 가장 높은 일반화 성능을 보였으며, 테스트 지역(Area2)에서 Overall Accuracy 83.9%, Kappa 0.72를 달성하여 세 모델 중 가장 높은 정확도를 보였다. 특히 산림지(F1-Score 94.7%), 농경지(78.0%), 정주지(78.4%) 분류에서 우수한 성능을 나타냈다. Unet과 Segformer 모델은 학습 지역(Area1)에서 높은 정확도를 보였으나 테스트 지역에서 각각 29%와 20%의 정확도 감소를 보여 일반화 능력에 한계점을 보였다. Clipseg 모델은 가장 많은 파라미터(약 1억 5천만)와 긴학습시간(10시간48분)을 필요로 했지만 새로운 환경에서 안정적인 성능을 보였다. 반면, Segformer는 가장 적은 파라미터(약 1천 6백만)와 최단 학습 시간(3시간 21분)으로 상당한 정확도를 달성해 리소스가 제한된 환경에서의 활용 가능성을 보여주었다. 본 연구는 이미지-텍스트 기반의 멀티모달 모델이 토지피복 분류에 있어 높은 잠재력을 가지고 있음을 보여준다. 특히 새로운 환경에서의 일반화 능력이 뛰어나 다양한 지역의 토지피복 분류에 효과적으로 적용될 수 있을 것으로 기대된다. 향후 연구에서는 모델 구조 개선, 데이터 불균형 해소 그리고 다양한 환경에서의 추가 검증을 통해 분류 정확도를 더욱 향상시킬 수 있을 것으로 판단된다.