• 대한원격탐사학회지
• /
• 제37권2호
• /
• pp.291-304
• /
• 2021

기후변화나 여러 환경문제들로부터 지속 가능한 산림자원 관리 및 모니터링을 위해 임상도의 지속적인 갱신은 필수적이다. 따라서 효율적이고 광역적인 산림 원격탐사의 필요성에 따라 차세대 중형위성 4호의 사업이 확정되어 2023년 발사 예정에 있다. 농림위성(차세대 중형위성 4호)는 5 m급 공간해상도와 Blue, Green, Red, Red Edge, Near Infra Red 총 5개 밴드를 가진다. 본 연구는 농림위성의 발사 및 활용에 앞서 농림위성과 유사한 사양을 가지는 RapidEye를 이용하여 위성 기반 수종분류의 가능성을 모의 평가하기 수행되었다. 본 연구는 춘천 선도산림경영단지를 연구 대상지로 하였으며, RapidEye 위성 영상기반 모의 수종분류는 생육기 영상으로부터 추출한 분광정보와 생육기와 비생육기의 NIR 밴드로부터 추출한 GLCM 질감특성 정보가 활용되었고, 이를 입력데이터로 하여 랜덤 포레스트(Random Forest) 기법을 적용하였다. 본 연구에서는 침엽수종 3종(소나무, 잣나무, 낙엽송), 활엽수종 5종(신갈나무, 굴참나무, 자작나무, 밤나무, 기타활엽수), 침활혼효림 총 9종으로 임상을 분류하였다. 분류 정확도는 임상도와 분류 결과를 대조하여 산출하였으며, 분류 정확도는 분광정보만 사용한 경우 39.41%, 분광정보과 질감정보를 모두 사용한 경우 69.29%의 정확도를 보였으며, 다중시기 분광정보 및 질감정보의 활용을 통해 5 m 해상도의 위성영상으로부터 수종분류의 가능성이 있음을 확인하였다. 향후 식생의 생태적 특성을 더욱 효과적으로 반영한 추가 변수를 대입하여 농림위성 활용 가능성을 제고하고자 한다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.891-907
• /
• 2023

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.

• 한국측량학회지
• /
• 제37권4호
• /
• pp.211-218
• /
• 2019

국토교통부에서는 2019년과 2020년에 차세대 중형위성 1호 및 2호 기를 발사하여, 지구환경 모니터링 및 접근불능지역에 대한 수치지도 제작에 활용하고자 하고 있다. 차세대 중형 위성을 통해 수집된 위성영상정보는 지구환경 모니터링, 지형도 제작, 재난재해 예방을 위한 분석 등 다양한 분야에 활용이 가능하다. 이와 같이 다양한 분야에 활용하기 위해서는 위성영상의 위치정확도 확보가 중요하며, 위성영상의 정밀기하수립을 위해 지표상의 정확한 지상기준점(GCP: Ground Control Point)을 사용하여 정밀 센서 모델을 수립하는 과정이 필요하다. 또한, 다양한 분야의 활용을 위해 정사영상 구축을 위한 단계별 자동화가 필요하며, 이를 위해 위성영상 GCP 칩의 DB (Data Base)가 체계적으로 구축되어야 한다. 따라서 본 연구에서는 위성영상의 정밀기하수립을 위하여 GCP를 자동 추출하는 다양한 기법들을 분석하여 최적의 방법을 도출하고자 한다.

• 대한원격탐사학회지
• /
• 제38권3호
• /
• pp.311-326
• /
• 2022

우리나라 산림의 효율적인 관리와 산림 모니터링을 위해 산림청은 농림위성을 개발 중이며 2025년 발사 예정이다. 농림위성을 효율적으로 활용하기 위해 산림청 국립산림과학원은 36종의 농림위성 산림분야 활용산출물 개발을 진행 중이다. 원격탐사 기법을 활용하여 도출된 산출물들은 지상검증이 요구되며 해당 산출물들에 대한 품질 모니터링 결과를 지속적으로 보고해야 한다. 국내 최초로 산림분야 활용 위성이 개발되는 상황이라 국내에는 공식적인 산림분야 활용 산출물 검보정 사이트가 부재하다. 이에 저자들은 국제기준에 맞춰 농림위성 산림분야 활용산출물 검보정을 위한 검보정 사이트를 설계하였다. 또한 전국적으로 검보정 사이트를 설치하기 위해 적정 센서를 선택하여 해당 센서의 활용 가능성을 평가하였다. 평가 결과 지상 관측데이터와 Sentinel-2 영상과의 산림 산출물에 대한 오차가 ±5% 이내로 관측되어 해당 센서를 활용하여 전국적으로 확장이 가능함을 확인하였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.1029-1042
• /
• 2021

차세대 중형위성 사업의 일환으로 농지 및 산림에서의 원격 탐사를 위하여 농림위성 (차세대 중형위성 4호)이 발사 예정에 있다. 위성 영상에서 식생의 정량적인 정보를 얻기 위해서는 대기보정을 통한 지표 반사도 취득이 선행되어야 하므로 농림위성을 위한 대기보정 기술 개발은 불가피할 것으로 생각된다. 특히 대기에서의 흡수와 산란 특성은 파장에 따라 다르게 나타나므로 농림위성 파장 영역을 고려한 대기보정 파라미터 민감도 분석이 필요하다. 또한, 농림위성은 5개 채널(Blue, Green, Red, Red edge, Near-infrared)을 보유하고있어 대기보정 주요 파라미터인 AOD (Aerosol optical depth)와 WV (Water vapor)를 직접 산출하기 어려우므로 이를 외부에서 제공할 수 있는 방안을 마련할 필요가 있다. 따라서, 본 연구에서는 농림위성과 유사한 사양을 가진 Sentinel-2 위성 영상을 이용하여 주요 파라미터인 AOD, WV, O₃ 민감도 분석을 수행하고, 파라미터 제공을 위해 천리안 2A (GK2A; GEO-KOMPSAT-2A) 정지궤도 복합위성의 산출물을 이용하여 대기보정 파라미터로서의 활용 가능성을 살펴보았다. 민감도 분석 결과는 AOD가 가장 중요한 파라미터임을 보여주었으며, 근적외선 채널보다는 가시광 채널에서 더 큰 민감도를 가지는 것으로 나타났다. 특히 Blue 채널에서 AOD의 20%의 변화는 지표 반사도에서 약 100%의 오차율을 야기하므로 정확한 지표 반사도 취득을 위해서는 높은 신뢰성을 가진 AOD가 필요할 것으로 생각된다. GK2A AOD 산출물을 이용한 대기보정 결과는 토지피복별 분류 가능성을 이용하여 Sentienl-2 L2A 자료와 비교한 결과, 두 모델별 분류 가능성은 유사하였으나, 파장대가 짧은 영역일수록 GK2A AOD 산출물을 적용한 대기보정 결과가 Sentinel-2 L2A보다 높게 나타났다. 이를 통해 GK2A에서 제공되는 산출물이 향후 농림위성 대기보정 파라미터로서 충분히 활용될 수 있을 것으로 판단된다. 본 연구의 결과는 추후 농림위성 발사 후 대기보정에 참고 자료로서 활용될 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1273-1283
• /
• 2022

최근 기후변화로 인해 중대형 산불이 빈번하게 발생하여 매년 인명 및 재산피해로 이어지고 있다. 원격탐사를 활용한 산불 피해지 모니터링 기법은 신속한 정보와 대규모 피해지의 객관적인 결과를 취득할 수 있다. 본 연구에서는 산불 피해지를 분류하기 위해 Sentinel-2의 분광대역, 정규식생지수(normalized difference vegetation index, NDVI), 정규수역지수(normalized difference water index, NDWI)를 활용하여 2022년 3월 발생한 강릉·동해 산불 피해지를 대상으로 U-net 기반 convolutional neural networks (CNNs) 딥러닝 모형을 모의하였다. 산불 피해지 분류 결과 강릉·동해 산불 피해지의 경우 97.3% (f₁=0.486, IoU=0.946)로 분류 정확도가 높았으나, 과적합(overfitting)의 가능성을 배제하기 어려워 울진·삼척 지역으로 동일한 모형을 적용하였다. 그 결과, 국립산림과학원에서 보고한 산불 피해 면적과의 중첩도가 74.4%로 확인되어 모형의 불확도를 고려하더라도 높은 수준의 정확도를 확인하였다. 본 연구는 농림위성과 유사한 분광대역을 선택적으로 사용하였으며, Sentinel-2 영상을 활용한 산불 피해지 분류가 정량적으로 가능함을 시사한다.

• 항공우주시스템공학회지
• /
• 제12권4호
• /
• pp.98-105
• /
• 2018

위성에 탑재되는 전장품의 경우 발사 진동환경에 대한 신뢰성 확보가 필수적이기 때문에 인증모델 제작 전 박스 레벨에서 설계요구조건에 대한 해석적 검증이 요구된다. 또한, 위성 전장품에는 다양한 실장 형태의 고집적 소자가 적용되기 때문에 솔더 접합부(Solder Joint)의 구조건전성 분석을 통한 신뢰성 확보가 필수적이다. 본 논문에서는 차세대 중형위성 광학 탑재체 제어기의 일부인 CCB(Camera Controller Box)에 대한 구조 설계 요구조건을 만족하기 위하여, 박스 레벨에서 모드 해석 및 준정적 해석을 수행하였다. 아울러, CCB 주요 소자의 안전성 분석을 위해 피로파괴 예측 이론에 기반한 구조 해석을 수행하였으며, 주요 소자 유한 요소 상세 모델 구축을 통한 랜덤 등가 정적 해석을 실시하여 전장품의 구조 건전성을 평가하였다.

• 대한원격탐사학회지
• /
• 제38권5_1호
• /
• pp.647-660
• /
• 2022

이 단보에서는 농림위성(차세대 중형위성 4호)에 적합한 대기보정 기법 개발을 위하여, 농림위성과 공간 및 분광 해상도가 유사한 Sentinel-2 영상을 이용한 대기보정 결과를 소개하고자 한다. 대부분의 연구에서 동일한 조건에 대하여 상이한 Aerosol Optical Depth (AOD) 자료를 사용한 결과를 비교한 사례는 찾아보기 힘들다. 따라서 향후 농림위성의 대기보정에 사용될 Geo-Kompsat 2A (GK2A) Advanced Meteorological Imager (AMI)와 Aerosol Robotic Network (AERONET) AOD 입력자료를 기반으로 Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH), Sen2Cor, Second Simulation of the Satellite Signal in the Solar Spectrum - Vector (6SV) 버전 1.1과 2.1 모델의 대기보정 결과를 비교하였다. 모델 간 반사도 상관행렬이나 Normalized Difference Vegetation Index (NDVI) 결과를 고려해 볼 때, 6SV2.1이 보다 안정적인 모델로 사료된다.

• 대한원격탐사학회지
• /
• 제39권4호
• /
• pp.459-466
• /
• 2023

In the last decade, artificial intelligence's dramatic advancement with the development of various deep learning techniques has significantly contributed to remote sensing fields and satellite image applications. Among many prominent areas, super-resolution research has seen substantial growth with the release of several benchmark datasets and the rise of generative adversarial network-based studies. However, most previously published remote sensing benchmark datasets represent spatial resolution within approximately 10 meters, imposing limitations when directly applying for super-resolution of small objects with cm unit spatial resolution. Furthermore, if the dataset lacks a global spatial distribution and is specialized in particular land covers, the consequent lack of feature diversity can directly impact the quantitative performance and prevent the formation of robust foundation models. To overcome these issues, this paper proposes a method to generate benchmark datasets by simulating the modulation transfer functions of the sensor. The proposed approach leverages the simulation method with a solid theoretical foundation, notably recognized in image fusion. Additionally, the generated benchmark dataset is applied to state-of-the-art super-resolution base models for quantitative and visual analysis and discusses the shortcomings of the existing datasets. Through these efforts, we anticipate that the proposed benchmark dataset will facilitate various super-resolution research shortly in Korea.

• 대한원격탐사학회지
• /
• 제38권6_2호
• /
• pp.1743-1747
• /
• 2022

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.