• 대한원격탐사학회지
• /
• 제40권2호
• /
• pp.141-150
• /
• 2024

Ground subsidence in urban areas is mainly caused by anthropogenic factors such as excessive groundwater extraction and underground infrastructure development in the subsurface composed of soft materials. Global Navigation Satellite System data with high temporal resolution have been widely used to measure surface displacements accurately. However, these point-based terrestrial measurements with the low spatial resolution are somewhat limited in observing two-dimensional continuous surface displacements over large areas. The synthetic aperture radar interferometry (InSAR) technique can construct relatively high spatial resolution surface displacement information with accuracy ranging from millimeters to centimeters. Although constellation operations of SAR satellites have improved the revisit cycle, the temporal resolution of space-based observations is still low compared to in-situ observations. In this study, we evaluate the extraction of a time-series of surface displacement in Incheon Metropolitan City, South Korea, using the small baseline subset technique implemented using the commercial software, Gamma. For this purpose, 24 COSMO-SkyMed X-band SAR observations were collected from July 12, 2011, to August 27, 2012. The time-series surface displacement results were improved by reducing random phase noise, correcting residual phase due to satellite orbit errors, and mitigating nonlinear atmospheric phase artifacts. The perpendicular baseline of the collected COSMO-SkyMed SAR images was set to approximately 2-300 m. The surface displacement related to the ground subsidence was detected approximately 1 cm annually around a few Incheon Subway Line 2 route stations. The sufficient coherence indicates that the satellite orbit has been precisely managed for the interferometric processing.

• Geomechanics and Engineering
• /
• 제38권1호
• /
• pp.29-44
• /
• 2024

This research investigates the effectiveness of data augmentation techniques in the automated analysis of B-scan images from ground-penetrating radar (GPR) using deep learning. In spite of the growing interest in automating GPR data analysis and advancements in deep learning for image classification and object detection, many deep learning-based GPR data analysis studies have been limited by the availability of large, diverse GPR datasets. Data augmentation techniques are widely used in deep learning to improve model performance. In this study, we applied four data augmentation techniques (geometric transformation, color-space transformation, noise injection, and applying kernel filter) to the GPR datasets obtained from a testbed. A deep learning model for GPR data analysis was developed using three models (Faster R-CNN ResNet, SSD ResNet, and EfficientDet) based on transfer learning. It was found that data augmentation significantly enhances model performance across all cases, with the mAP and AR for the Faster R-CNN ResNet model increasing by approximately 4%, achieving a maximum mAP (Intersection over Union = 0.5:1.0) of 87.5% and maximum AR of 90.5%. These results highlight the importance of data augmentation in improving the robustness and accuracy of deep learning models for GPR B-scan analysis. The enhanced detection capabilities achieved through these techniques contribute to more reliable subsurface investigations in geotechnical engineering.

• Journal of information and communication convergence engineering
• /
• 제4권1호
• /
• pp.46-52
• /
• 2006

Precipitation measurement with ground-based radar needs an information of the raindrop size distribution (RSD) characteristics. A 10-month dataset was collected in tropical Atlantic coastal zone of northeastern Brazil where the weather radar was installed. The number of drop was mainly recorded in 300 - 500 drop $mm^{-3}$, of which the maximum was registered around 1.1 mm drop diameter.

• 한국전자파학회논문지
• /
• 제22권11호
• /
• pp.1063-1069
• /
• 2011

레이더 영상이나 광학 영상, 적외선 영상 등을 이용하여 표적을 식별하는 기술을 NCTR(Non-Cooperative Target Recognition) 또는 ATR(Automatic Target Recognition)이라 한다. 그 중에서 SAR(Synthetic Aperture Radar) 영상을 이용하여 자동으로 지상 표적을 식별하는 것을 SAR ATR이라고 한다. 일반적으로 SAR ATR은 탐지, 변별 및 식별 단계로 구성된다. 본 논문에서는 ISAR(Inverse Synthetic Aperture Radar) 영상 식별을 위해 개발된 극사상식별기(polar mapping classifier)를 수정하여 SAR 표적 식별에 이용하였으며, 전처리 과정을 통해 클러터 화소의 영향을 줄이고 표적의 그림자 화소들 표적 식별에 이용하여 식별 성능을 향상시켰다.

• 한국전자파학회논문지
• /
• 제20권6호
• /
• pp.580-588
• /
• 2009

전차 탑재 레이더는 기상에 관계없이 전천후로 대전차 미사일을 탐지하는 능동 방호 장치의 필수적인 센서이다. 본 논문에서는 전차 탑재 레이더의 설계, 제작 및 시험 결과를 제시한다. 레이더 시스템은 안테나부, 송수신부, 신호처리부의 3개의 LRU로 구성되며, 개발 기술은 패치 안테나, SSPA 송신기, coherent I/Q detector, DSP기반 도플러 FFT 필터, 적응 CFAR, TWS 추적기 및 위협 판단을 포함한다. 개발된 레이더 시스템의 설계 성능은 고정 및 기동 시험을 통하여 확인한다.

• 한국시뮬레이션학회논문지
• /
• 제27권4호
• /
• pp.61-68
• /
• 2018

본 논문에서는 FOD (foreign object debris) FMCW (frequency modulated continuous waveform) 레이다에 대한 지상 클러터 모델링 및 검출 성능에 미치는 영향을 분석한다. 레이다 수신신호에는 FOD에 의해 반사된 신호 뿐 만 아니라 활주로 표면 및 잔디영역에 의해 반사된 신호까지 포함된다. FOD의 RCS (radar cross section)가 잔디영역의 RCS와 거의 같기 때문에 클러터 제거 알고리즘을 적용하지 않으면 FOD의 검출이 어렵다. 또한, FOD와 클러터 모두가 움직이지 않기 때문에, 대표적 클러터 제거 알고리즘인 MTI (moving target indicator) 기법의 적용이 어렵다. 따라서 클러터 맵을 이용한 클러터 제거 기법이 필요하고, 이를 위해서는 활주로 표면을 고려한 클러터 맵을 정확하게 생성하는 것이 중요하다. 본 논문에서는 신뢰도 높은 클러터 맵을 생성하기 위해 FOD가 없는 표면의 경우에만 모든 범위의 레인지 빈에 대해 각각의 비트신호를 생성하고, 생성된 비트 신호를 100번 누적하였으며 RCS 값에 웨이블 분포를 적용하였다. 시뮬레이션 결과는 생성된 클러터 맵을 FOD FMCW 레이다에 적용함으로써 FOD가 제대로 검출됨을 보인다.

• 한국터널지하공간학회 논문집
• /
• 제24권4호
• /
• pp.341-353
• /
• 2022

도심지에는 많은 지중 매설관이 설치되어 있으며, 이러한 지중 관로의 위치(깊이, 방향 등)은 굴착을 수행하기 전에 특정되어야 한다. 지중 매설관을 탐지하기 위해 다양한 지구물리학적인 방법을 사용할 수 있으나, 지반의 불균질성으로 인해 정확한 위치정보를 파악하는 것은 어렵다. 다양한 비파괴 탐사 방법 중 GPR (ground penetrating radar)는 고속으로 실험이 가능하며, 다른 탐사 방법에 비해 상대적으로 저렴한 탐사비용 등의 장점을 갖는다. 그러나 GPR의 탐사 데이터는 해석이 직관적이지 않아 상당한 전문적 지식이 요구된다. 최근 딥러닝을 이용한 탐사 데이터의 자동판독 기술에 대한 연구가 증가하고 있으나, 매설물의 위치를 정확히 알고 있는 탐사 데이터가 부족하여 학습모델 구축에 어려움이 있다. 이를 해결하기 위해 본 연구에서는 이러한 문제를 FDTD (finite difference time domain)수치해석을 통해 해결하고 자동탐지 학습 모델의 성능을 향상시키기 위한 기초연구를 수행하였다. 첫째, 단일유전율로 구성된 균질지반을 구성하고 해석을 수행하였다. 불균질 지반의 경우 프랙탈 기법을 이용하여 모델을 구성하고 해석을 수행하였다. 둘째, 합성곱 신경망을 이용하여 딥러닝 학습을 수행하였다. Model-A는 균질 지반 해석 데이터만 이용하여 학습을 수행하였으며, Model-B는 균질 및 불균질 지반 해석 데이터를 이용하여 학습을 수행하였다. 그 결과 Model-B가 Model-A보다 탐지성능이 우수한 것을 확인하였다. 이는 자동탐지 모델의 학습 시, 지반의 불균질성을 포함하여 학습을 수행하면 탐지 모델의 성능이 개선됨을 의미한다.

• 한국수자원학회논문집
• /
• 제55권12호
• /
• pp.1053-1064
• /
• 2022

현행 면적평균 강수량 산정 방법인 티센 방법은 정확한 유역평균 강수량 산정에 있어 심각한 구조적 한계가 존재한다. 강수량계의 관측 정확도 외에, 강수량계 배치와 호우의 이동 방향에 따라서도 면적평균 강수량 산정에 오차가 발생할 수 있다. 유역이 작고 관측소 밀도가 희박한 경우 시뮬레이션 및 관측 사상 모두에서 티센 방법은 첨두 전후로 10분 사이에 유역평균 강수량이 계속 급격히 증감이 반복되는 특이한 경향 보였다. 그리고 티센 유역평균 강수량은 첨두 시점이 강우레이더와 다르게 나타났다. 유역이 작지만 관측소 밀도 비교적 높은 경우에는 전반적으로 티센 방법에 의해 톱니모양의 과대 첨두치의 경향은 나타나지 않았고 시간에 따른 변동이 유사하게 나타났다. 그러나 강우레이더 관측치와 지상 강수량계 관측치 유역평균 강수량 사이에 약 10분 정도의 연속적인 시차가 발생하였다. 강우레이더 유역평균 강수량의 지상보정 효과를 검토한 결과, 보정 후 면적평균 강수량이 보정 전 면적평균 강수량에 비해 오히려 상관이 낮게 나타나, 현행 강우레이더 지상보정 알고리즘 보정 효과가 높지 않은 것을 알 수 있었다.

• Journal of electromagnetic engineering and science
• /
• 제5권4호
• /
• pp.183-188
• /
• 2005

A simple microwave backscattering model for vegetation canopies on earth surfaces is developed in this study. A natural earth surface is modeled as a two-layer structure comprising a vegetation layer and a ground layer. This scattering model includes various scattering mechanisms up to the first-order multiple scattering( double-bounce scattering). Radar backscatter from ground surface has been modeled by the polarimetric semi-empirical model (PSEM), while the backscatter from the vegetation layer modeled by the vector radiative transfer model. The vegetation layer is modeled by random distribution of mixed scattering particles, such as leaves, branches and trunks. The number of input parameters has been minimized to simplify the scattering model. The computation results are compared with the experimental measurements, which were obtained by ground-based scatterometers and NASA/JPL air-borne synthetic aperture radar(SAR) system. It was found that the scattering model agrees well with the experimental data, even though the model used only ten input parameters.

• 한국멀티미디어학회논문지
• /
• 제22권12호
• /
• pp.1396-1403
• /
• 2019

The radar wind profiler data contaminates with various non-atmospheric components that produce errors in moments and wind velocity estimations. This study implemented an adaptive Gaussian model to detect and remove the clutter from the radar return. This model includes DC filtering, ground clutter recognition, Gaussian fitting, and cost function to mitigate the clutter component. The adaptive model tested for the various types of clutter components and found that it is effective in clutter removal process. It is also applied for the both time series and spectrum datasets. The moments estimated using this method are compared with those derived using conventional DC-filtering clutter removal method. The comparisons show that the proposed method effectively removes the clutter and produce reliable moments.