• 대한원격탐사학회지
• /
• 제34권4호
• /
• pp.671-680
• /
• 2018

Compared to the imagery produced by traditional satellites, PlanetScope satellite imagery has made it possible to easily capture remotely-sensed imagery every day through dozens or even hundreds of satellites on a relatively small budget. This study aimed to detect changed areas and update a land cover map using a PlanetScope image. To generate a classification map, pixel-based Random Forest (RF) classification was performed by using additional features, such as the Normalized Difference Water Index (NDWI) and the Normalized Difference Vegetation Index (NDVI). The classification result was converted to vector data and compared with the existing land cover map to estimate the changed area. To estimate the accuracy and trends of the changed area, the quantitative quality of the supervised classification result using the PlanetScope image was evaluated first. In addition, the patterns of the changed area that corresponded to the classification result were analyzed using the PlanetScope satellite image. Experimental results found that the PlanetScope image can be used to effectively to detect changed areas on large-scale land cover maps, and supervised classification results can update the changed areas.

• 한국측량학회지
• /
• 제38권3호
• /
• pp.187-196
• /
• 2020

본 연구에서는 UAV (Unmanned Aerial Vehicle)와 PlanetScope 위성영상을 함께 이용한 붕괴건물 탐지를 수행하여 지표면에 위치한 특정 객체 탐지에 있어 이종 센서의 활용 가능성을 제시하였다. 이를 위해 지난해 4월 산불 피해로 붕괴된 20여 채의 건물들이 있는 곳을 실험장소로 선정하였다. 붕괴건물 탐지를 위해 1차적으로 객체기반 분할을 수행한 고해상도의 UAV 영상을 이용해 ExG (Excess Green), GLCM (Gray-Level Co-occurrence Matrix) 그리고 DSM (Digital Surface Model)과 같은 객체들의 특징(feature) 정보를 생성한 후 이를 붕괴건물 후보군 탐지에 이용하였다. 이 과정에서 탐지정확도 향상을 위해 PlanetScope를 이용한 변화탐지 결과를 함께 사용하였으며 이를 시드 화소(seed pixles)로 사용하여 붕괴건물 후보군에서 오탐지된 영역과 과탐지된 영역을 수정 및 보완하였다. 최종적인 탐지 결과는 참조 영상을 통해 그 성능을 분석하였으며 UAV 영상만을 이용한 붕괴건물 후보군 탐지 결과와 UAV 그리고 PlanetScope 영상을 함께 사용했을 때의 결과의 정확도를 비교, 분석하였다. 그 결과 UAV 영상만을 이용해 탐지한 붕괴건물의 정확도는 0.4867 F1-score를 가지며 UAV와 PlanetScope 영상을 함께 사용했을 때의 결과는 0.8064 F1-score로 그 값이 상승하였다. Kappa 지수 또한 0.3674에서 0.8225로 향상된 것을 확인할 수 있었다.

• 대한원격탐사학회지
• /
• 제36권2_1호
• /
• pp.179-197
• /
• 2020

지형 정규화 기법은 영상 촬영 시의 광원, 센서 및 지표면 특성에 따라 발생하는 밝기값 상의 지형적인 영향을 제거하는 방법으로, 지형 조건으로 인해 동일 피복의 픽셀들이 서로 다른 밝기값을 지닐 때 그 차이를 감소시킴으로써 평면 상의 밝기값과 같아 보이도록 보정한다. 이러한 지형적인 영향은 일반적으로 산악 지형에서 크게 나타나며, 이에 따라 산불 피해 지역 추정과 같은 산악 지형에 대한 영상 활용에서는 지형 정규화 기법이 필수적으로 고려되어야 한다. 그러나 대부분의 선행연구에서는 중저해상도의 위성영상에 대한 지형 보정 성능 및 분류 정확도 영향 분석을 수행함으로써, 고해상도 다시기 영상을 이용한 지형 정규화 기법 분석은 충분히 다루어지지 않았다. 이에 본 연구에서는 PlanetScope 영상을 이용하여 신속하고 정확한 국내 산불 피해 지역 탐지를 위한 각 밴드별 최적의 지형 정규화 기법 평가 및 선별을 수행하였다. PlanetScope 영상은 3 m 공간 해상도의 전세계 일일 위성영상을 제공한다는 점에서 신속한 영상 수급 및 영상 처리가 요구되는 재난 피해 평가 분야에 높은 활용 가능성을 지닌다. 지형 정규화 기법 비교를 위해 보편적으로 이용되고 있는 7가지 기법을 구현하였으며, 토지 피복 구성이 상이한 산불 전후 영상에 모두 적용, 분석함으로써 종합적인 피해 평가에 활용될 수 있는 밴드 별 최적 기법 조합을 제안하였다. 제안된 방법을 통해 계산된 식생 지수를 이용하여 화재 피해 지역 변화 탐지를 수행하였으며, 객체 기반 및 픽셀 기반 방법 모두에서 향상된 탐지 정확도를 나타내었다. 또한, 화재 피해 심각도(burn severity) 매핑을 통해 지형 정규화 기법이 연속적인 밝기값 분포에 미치는 효과를 확인하였다.

• 대한원격탐사학회지
• /
• 제38권6_2호
• /
• pp.1623-1631
• /
• 2022

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.

• 대한원격탐사학회지
• /
• 제39권5_2호
• /
• pp.875-883
• /
• 2023

이 단보에서는 PlanetScope 영상을 사용하여 Red-Green-Blue (RGB) 히스토그램 (histogram) 분석을 통해 해양 유출유의 색상 특성과 유종 구분에 대한 실험을 수행하였다. 해양 유출유의 히스토그램은 각 밴드 화소값 분포에 따라 세 가지 카테고리(어두운 검은색 톤, 밝은 은색 톤, 밝은 무지개색 톤)로 나눌 수 있으며, 어두운 검은색 톤의 두꺼운 기름층은 중유(heavy oil)로 구분할 수 있고, 밝은 은색 및 무지개색 톤의 얇은 기름층은 경유(light oil)로 구분할 수 있다. 향후 보다 많은 영상에 대한 분석이 이루어진다면, 이러한 유출유 탐지와 유종 구분이 보다 더 일반화되고 신뢰도를 높일 수 있을 것으로 사료된다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1321-1330
• /
• 2023

정규식생지수는 농업분야에 가장 많이 사용된 원격탐사 자료로, 현재 대부분의 광학위성에서 제공되고 있다. 특히 고해상도 광학위성영상이 제공되면서 농업 활용 분야에 따른 최적의 광학위성영상의 선택이 매우 중요한 이슈가 되었다. 본 연구에서는 국내 논지역의 정규식생지수 모니터링 시 가장 최적의 광학위성영상을 정의하고 이를 위해 필요한 해상도 관련 요구조건을 도출하고자 한다. 이를 위해 전 세계적으로 많이 사용되는 MOD13, Landsat-8, Sentinel-2A/B, PlanetScope 위성의 정규식생지수영상을 대상으로 국내 당진 논지역의 공간분포 및 2019년부터 2022년까지 시계열 패턴을 비교, 분석하였다. 각 자료는 3-250 m의 공간해상도와 다양한 주기해상도로 제공되며, 정규식생지수를 산출할 때 사용되는 분광밴드의 영역도 약간의 차이가 있다. 분석 결과 Landsat-8은 가장 낮은 정규식생지수 값을 나타내며 공간적으로 변이도 매우 낮았다. 이에 비해 MOD13 정규식생지수 영상은 PlanetScope 자료와 비슷한 공간분포 및 시계열 패턴을 나타났으나 낮은 공간해상도로 인해 논 주변지역의 영향을 받았다. Sentinel-2A/B는 넓은 근적외선밴드 영역으로 인해 상대적으로 약간 낮은 정규식생지수 값을 나타내었으며, 특히 생육 초기시기에 그 특징이 두드러졌다. PlanetScope의 정규식생지수가 상세한 공간적 변이 및 안정적인 시계열 패턴을 제공하나 높은 구매가격을 고려하면 공간적으로 균일한 논지역보다는 밭지역에서 그 활용성이 높을 것으로 사료된다. 이에 따라 국내 논지역에 대해서는 250 m급 MOD13 정규식생지수나 10 m급 Sentinel-2A/B가 가장 효율적일 것으로 사료되나 작물의 개체에 대한 상세 물리량 추정을 위해서는 고해상도 위성영상이 활용될 수 있다.

• 대한원격탐사학회지
• /
• 제33권6_2호
• /
• pp.1075-1087
• /
• 2017

본 연구에서는 위성영상에 대한 변화탐지 기법의 결과를 토지피복지도 갱신의 기초자료로 활용하고자 하였다. $S^2CVA$(Sequential Spectral Change Vector Analysis) 기법을 다시기 다중분광 위성영상에 적용하여 해당 지역 내의 변화지역을 추출하였다. 특히, 분광변화벡터의 방향정보를 이용하여 계절적 변화에 의한 변화지역의 오탐지를 최소화하고자 하였다. 변화탐지 결과인 이진영상은 구역통계를 활용하여 토지 피복도와 함께 통합하였으며, 토지피복지도 갱신을 위하여 객체 기반의 분석을 수행하였다. PlanetScope 자료와 환경부의 토지피복지도를 이용한 실험결과, 토지피복지도 내에 변화된 지역을 효과적으로 탐지할 수 있음을 확인하였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.1061-1070
• /
• 2021

본 연구에서는 국내 농업지역에 대한 작물재배지역의 분류를 위하여 FC-DenseNet 모델에 attention gate를 적용하여 딥러닝 모델의 성능을 향상시키고자 하였다. Attention gate는 특징맵의 공간/분광적 중요도에 따른 가중치를 추가적으로 학습하여 딥러닝 모델의 학습을 용이하게 하고, 모델의 성능을 향상시킬 수 있다. Attention gate를 FC-DenseNet의 스킵 연결 부분에 추가한 딥러닝 모델을 이용하여 양파 및 마늘 지역의 작물분류를 수행하였다. PlanetScope 위성영상을 이용하여 훈련자료를 제작하였으며, 훈련자료의 불균형 문제를 해결하기 위하여 전처리 과정을 적용하였다. 다양한 평가자료를 이용하여 작물재배분류 결과를 평가한 결과, 제안된 딥러닝 모델은 기존의 FC-DenseNet과 비교하여 효과적으로 양파 및 마늘 지역을 분류할 수 있는 것을 확인하였다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1007-1014
• /
• 2022

차세대중형위성(Compact Advanced Satellite 500, CAS500)은 식생, 산림, 농업 등의 분야를 포함한 다양한 목적을 위하여 사용될 수 있으며, 다양한 영역에 대한 빠른 위성영상의 취득이 가능할 것으로 기대되고 있다. 차세대중형위성을 통하여 취득된 위성영상을 농업분야에서 활용하기 위해서는 위성영상 기반 작물재배지역 추출 기법에 대한 개발이 필요하다. 특히, 최근 들어 딥러닝 분야에 대한 연구가 활발해짐에 따라서, 작물재배지역 추출을 위한 딥러닝 모델의 개발 및 훈련자료 생성에 관한 연구가 필요한 실정이다. 본 연구에서는 PlanetScope 위성영상과 팜맵을 이용하여 합천군 지역의 양파 및 마늘 재배지역을 분류하고자 하였다. 특히, 효과적인 모델의 학습을 위하여 작물재배지역의 비율에 따른 모델 성능을 분석하고자 하였다. 실험에 사용한 딥러닝 모델은 Fully Convolutional Densely Connected Convolutional Network (FC-DenseNet)을 작물재배지역 분류의 목적에 맞도록 재구성하여 활용하였다. 실험결과, 훈련자료 내 작물재배지역의 비율이 딥러닝 모델의 성능에 영향을 미치는 것을 확인하였다.

• 대한원격탐사학회지
• /
• 제38권6_4호
• /
• pp.1901-1910
• /
• 2022

뉴스페이스(new space) 시대가 도래함에 따라 국내 KOMPSAT-3·3A 위성영상과 해외 위성영상과의 글로벌 융합활용 기술확보가 대두되고 있다. 일반적으로 다중센서 위성영상은 취득 당시의 다양한 외부요소로 인해 영상 간 상대적인 기하오차(relative geometric error)가 발생하며, 이로 인해 위성영상 산출물의 품질이 저하된다. 따라서 본 연구에서는 KOMPSAT-3·3A 위성영상과 해외 위성영상 간 존재하는 상대기하오차를 최소화하기 위한 정밀영상정합(fine-image registration) 방법론을 제안한다. KOMPSAT-3·3A 위성영상과 해외 위성영상 간 중첩영역을 선정한 후 두 영상 간 공간해상도를 통일한다. 이어서, 특징 및 영역 기반 정합기법을 결합한 형태의 하이브리드(hybrid) 정합기법을 이용하여 정합점(tie-point)을 추출한다. 그리고 피라미드(pyramid) 영상 기반의 반복적 정합을 수행하여 정밀영상정합을 수행한다. KOMPSAT-3·3A 위성영상과 Sentinel-2A 및 PlanetScope 영상을 이용하여 제안기법의 정확도 및 성능을 평가하였다. 그 결과, Sentienl-2A 영상 기준 평균 Root Mean Square Error (RMSE) 1.2 pixels, PlanetScope 영상 기준 평균 RMSE 3.59 pixels의 정확도가 도출되었다. 이를 통해 제안기법을 이용하여 효과적으로 정밀영상정합을 수행할 수 있을 것으로 사료된다.