• 대한원격탐사학회지
• /
• 제37권6_1호
• /
• pp.1559-1572
• /
• 2021

다중분광카메라의 기술 개발로 인해 구조적 특성뿐만 아니라 생화학적, 생리적 특성을 가지는 식생지수를 다양한 공간 규모에서 활용할 수 있게 되었다. 이에 본 연구는 스트레스를 받은 노지작물을 대상으로 지상 초분광계 및 무인기 영상 기반 구조적, 생화학적, 생리적 계열의 식생지수 반응을 평가하였다. 마늘을 대상으로 서로 다른 생육시기에 고농도의 제초제를 살포하여 약해 처리하였으며, 정상 생육에 비해 지상부 건물중이 46.9~84.5% 감소하는 등 큰 피해가 나타났다. 제초제를 살포한 처리구에서 근적외선 분광반사도 값은 꾸준하게 감소하였으며, 구조적 식생지수에서 작물의 약해 피해가 명확하게 표현되었다. 생화학적 식생지수의 경우 일부 지수를 제외하고는 작물의 피해 상태를 표현하였으나 생리적 식생지수는 잎이 고사하고 드러나는 멀칭비닐의 영향으로 약해 피해를 해석하기에 어려움이 있었다. 제초제 살포 후 서로 다른 공간 규모에서 관측된 식생지수의 감소율 차이는 구조적 식생지수의 경우 평균적으로 2.3%로 나타났으며, 정규화 식생지수의 경우 1.3~4.1%의 분포를 보였다. 비록 생리적 식생지수가 작물 스트레스에 민감하다고 알려졌지만, 노지작물의 경우 작물 스트레스 종류와 재배 환경에 따라 적합한 식생지수를 활용하여야 한다는 것, 공간 규모에 따른 오차를 최소화하기 위해서는 정규화 식생지수를 활용해야 한다는 것을 확인하였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.1135-1147
• /
• 2021

고해상도 위성영상의 기하보정을 위해 촬영 당시의 위성 센서와 지표면과의 기하학적 관계를 복원하는 센서모델링 과정이 필요하다. 이를 위해 일반적으로 고해상도 위성은 RPC (Rational Polynomial Coefficient) 정보를 제공하고 있지만, 제공 RPC는 위성 센서의 위치와 자세 등에 의해 발생하는 기하왜곡을 포함하고 있다. 이러한 RPC 오차를 보정하기 위해 일반적으로 지상기준점(Ground Control Points)을 활용한다. 지상기준점을 수집하는 대표적인 방법으로 현장 측량을 통해 지상좌표를 취득하지만, 이는 위성영상의 품질이나 촬영 시기에 따른 토지피복의 변화, 기복변위 등으로 위성영상 내에서 지상기준점을 판독하기에 어려운 문제가 있다. 이에 최근에는 다양한 센서로부터 취득된 영상지도를 참조자료로 이용하여, 영상정합 기법을 통해 지상기준점 수집을 자동화할 수 있다. 본 연구에서는 무인항공기 영상을 활용하여 추출된 정합점을 통해 KOMPSAT-3A 위성영상의 RPC를 보정하고자 한다. 무인항공기 영상과 KOMPSAT-3A 위성영상의 정합점 추출을 위한 전처리 방법을 제안하고, 대표적인 특징기반 정합기법(Feature-based matching method)과 영역기반 정합기법(Area-based matching method)인 SURF (Speeded-Up Robust Features)와 위상상관(Phase Correlation) 기법을 각각 적용하여 추출된 정합점의 특성을 비교하였다. 각 기법을 통해 추출된 정합점을 활용하여 RPC 보정계수를 산출한 후, GNSS (Global Navigation Satellite System) 측량을 통해 직접 취득한 검사점에 적용하여 KOMPSAT-3A의 기하품질을 향상하였다. 제안기법의 성능 및 활용성 검증을 위해 GCP를 이용하여 보정한 결과와 비교하여 분석하였다. GCP 기반 보정 방법은 제공 RPC보다 Sample은 2.14 pixel, Line은 5.43 pixel 만큼 개선된 보정 정확도를 보였다. 그리고 SURF와 위상상관 기법을 활용한 제안기법은 제공 RPC보다 각각 Sample은 0.83 pixel, 1.49 pixel만큼 보정되었으며, Line은 4.81 pixel, 5.19 pixel만큼 개선되었다. 이를 통해 GCP 기반 위성영상 RPC 보정 방법의 대안으로 무인항공기 영상이 활용될 수 있음을 확인하였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.1043-1059
• /
• 2021

식량자원의 확보와 환경생태계에 매우 중요한 요소인 산림과 농경지는 정기적인 모니터링이 요구된다. 농림 위성 영상 자료는 우리나라의 기존 산림 및 농경지 모니터링 방법의 보완재로 효과적으로 활용될 것으로 예상되고 있다. 농림위성의 발사 이전에 사전연구로써 목표 수직기하정확도 산정을 위해 수치표고모델 분석을 수행하였다. 특히 농림위성의 주요 관심 지역인 우리나라 산악지역과 농경지의 특성을 고려하여, 경사도와 식생에 따른 분석을 수행하였다. 공주, 제주 그리고 삼척 지역에 대하여 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model를 가을과 겨울에 촬영한 드론 LiDAR 수치표면모델 그리고 국토지리정보원 5 m 수치지형모델을 기준으로 평균 상대오차를 비교했다. 그 결과 Shuttle radar topography mission digital elevation model은 8.35, 8.19, 그리고 7.49 m의 상대오차를 나타냈으며, Copernicus digital elevation model는 각각 5.65, 6.73, 그리고 7.39 m의 상대 고도 오차를 나타냈다. 남한 전체에 대하여 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model를 국토지리정보원 5 m 수치지형모델을 기준으로 지형 경사에 따른 상대 고도 오차를 나타냈다. 그 결과 경사도 0°~5° 사이에서 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model의 상대 고도 오차는 각각 약 3.62와 2.52 m로 Shuttle radar topography mission digital elevation model의 오차가 더 큰 것으로 산출되었다. 하지만 경사도가 증가함에 따라 이러한 양상은 반전되어 경사도 35° 이상에서는 각각 10.16, 그리고 11.62 m 로 Copernicus digital elevation model의 상대오차가 더 크게 나타났다.

• 대한원격탐사학회지
• /
• 제37권5_3호
• /
• pp.1447-1460
• /
• 2021

도시화에 따른 인공피복의 증가는 도시지역의 온도가 주변 교외지역보다 높아지는 UHI (Urban Heat Island; UHI) 현상을 야기한다. 국지기후대(Local Climate Zone; LCZ)는 빌딩의 기하학적 구조와 피복특성에 따라 도시를 분류하는 체계로, UHI 분석을 위해 제안되어 현재 다양한 도시기후 연구에 활용되고 있다. 본 연구는 합성곱신경망(Convolutional Neural Network)과 Landsat 8 위성영상을 이용하여 수원시와 대구광역시의 LCZ 분류모델을 구축하였고, LCZ 지도와 Landsat 8 지표면온도(Land Surface Temperature; LST)를 이용하여 도시 구조적 특성에 따른 LST와 Surface UHI (SUHI) 강도를 분석하였다. LCZ 분류모델은 수원시와 대구광역시에 대해 각각 87.9%와 81.7%의 높은 분류 정확도를 보였다. 대구가 수원보다 전반적으로 모든 LCZ 클래스에서 LST가 높게 나타났으며 건물이 밀집할수록, 건물의 높이가 낮을수록 LST가 증가하는 공통점을 보였다. SUHI 강도는 두 도시 모두 여름철에 가장 강한 값을 가지고 봄과 가을에도 일부 LCZ 클래스를 제외하고 양의 SUHI 강도가 나타났지만 겨울에는 다수의 LCZ 클래스에서 음의 값이 나타났다. 이는 UHI가 여름철에 가장 강하게 나타나며, 겨울에는 일부 도시지역이 교외지역보다 더 차가운 현상이 나타나기도 함을 의미한다. 본 연구는 우리나라 UHI 분석에 있어 LCZ 분류체계의 활용가능성을 확인하였고, 향후 도시기후 분석 및 기후변화 대응 전략수립에 있어 도시의 구조적 특성을 고려하는데 기초자료로 활용될 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제37권5_3호
• /
• pp.1475-1490
• /
• 2021

SAR 이미지의 통계적 특징을 이용하여 유류오염영역을 특정하는 방법은 분류규칙이 복잡하고 이상값에 의한 영향을 많이 받는다는 한계가 있어, 최근 인공신경망을 기반으로 유류오염영역을 특정하는 연구가 활발히 이루어지고 있다. 하지만, 다양한 유류오염 사례에 대해 모델의 탐지 성능 및 특성을 평가한 연구는 부족하였다. 따라서, 본 연구에서는 기본적인 구조의 CNN인 Simple CNN과 픽셀 단위의 영상 분할이 가능한 U-net을 이용하여, CNN의 구조와, 유류오염의 분포특성에 따른 모델의 탐지성능차이가 존재하는지 분석하였다. 연구결과, 축소경로만 존재하는Simple CNN과 축소경로와 확장경로가 모두 존재하는U-net의 F1 score는 86.24%와 91.44%로 나타나, 두 모델 모두 비교적 높은 탐지 정확도를 보여주었지만, U-net의 탐지성능이 더 높은 것으로 나타났다. 또한 다양한 유류오염 사례에 따른 모델의 성능 비교를 위해, 유류오염의 공간적 분포특성(유류오염 주변의 육지의 분포)과 선명도(유출된 기름과 해수의 경계면이 뚜렷한 정도)를 기준으로, 유류오염 발생사례를 4가지 유형으로 구분하여 탐지 정확도를 평가하였다. Simple CNN은 각각의 유형에 대해 F1 score가 85.71%, 87.43%, 86.50%, 85.86% 로 유형별 최대 편차가 1.71%인 것으로 나타났으며, U-net은 동일한 지표에 대해 89.77%, 92.27%, 92.59%, 92.66%의 F1 score를 보여 최대 편차가 2.90% 로 두 CNN모델 모두 유류오염 분포특성에 따른 수치상 탐지성능의 차이는 크지 않은 것으로 나타났다. 하지만 모든 유류오염 유형에서 Simple CNN은 오염영역을 과대탐지 하는 경향을, U-net은 과소탐지 하는 경향을 보여, 모델의 구조와 유류오염의 유형에 따라 서로 다른 탐지 특성을 가진다는 것을 확인하였고, 이러한 특성은 유류오염과 해수의 경계면이 뚜렷하지 않은 경우 더 두드러지게 나타났다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.989-998
• /
• 2021

구름의 영향을 크게 받는 광학위성영상의 활용에 있어 일정 주기 합성은 구름의 영향을 최소화할 수 있는 유용한 방법이다. 최근 주기 합성 시 구름과 구름 그림자 정보가 직접 입력되어 일정 주기 시 두 인자의 영향을 가장 덜 받는 최적의 화소를 선택하는 기법이 제시되었다. 최적의 합성 결과를 도출하기 위해서는 구름과 구름 그림자의 정확한 추출이 필수적이다. 또한 농작물과 같이 분광정보가 중요한 대상의 경우 주기 합성 시 분광정보의 손실이 최소화되어야 한다. 본 연구에서는 구름과 구름 그림자의 높은 탐지정확도를 유지하면서 분광정보의 손실이 적은 탐지 기법을 도출하기 위해, 강원도 고랭지 배추밭을 대상으로 두 분광척도(Haze Optimized Tranformation; HOT, MeanVis)를 이용한 방법과 Sentinel-2A/B에서 제공되는 구름 정보를 비교 분석하였다. 2019년~2021년까지 자료를 분석한 결과 Sentinel-2A/B위성의 구름 정보는 F1값이 0.91인 탐지 정확도를 보이나, 밝은 인공물이 구름으로 오탐지되었다. 이에 비해 HOT에 임계치(=0.05)를 적용해 획득한 구름 탐지 결과는 상대적으로 낮은 탐지 정확도(F1=0.72)를 보였으나, 오탐지가 적어 분광정보의 손실을 최소화하였다. 구름 그림자의 경우, Sentinel-2A/B 부가 레이어에서는 최소한의 그림자만이 탐지된 결과를 볼 수 있었으나, MeanVis에 임계치(= 0.015)를 적용했을 시 지형적으로 발생한 그림자와 구별 가능한 구름 그림자만을 탐지할 수 있었다. 분광척도 기반 구름 및 그림자 정보를 입력해 안정된 월별 합성된 식생지수결과를 획득하였으며, 향후 Sentinel-2A/B의 높은 정확도의 구름 정보를 주기 합성에 입력해 비교할 예정이다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.903-916
• /
• 2021

지형은 고도, 경사, 측면으로 설명되는 지표면의 물리적인 모양을 나타내는 것으로 지형적 조건에 따라 에너지의 이동이 결정된다. 이것은 태양 에너지를 얼마나 많이 받을지, 바람이나 비가 얼마나 많은 영향을 미칠지 등에 대한 중요한 결정 요인들로 지표면 상에 존재하는 모든 생물, 특히 산림 식생의 입지 환경에 큰 영향을 준다. 도서지역 산림과 같이 자연적으로 형성된 지형 인자가 산림 식생의 생태환경을 결정하는 요인이 될 때 보다 정확한 지형 인자들의 계산은 도서산림의 입지환경을 이해하는데 매우 중요하다. 최근에는 연구자, 학교, 산업 및 정부를 위해 수많은 무료오픈소스 소프트웨어 지리정보시스템 프로그램(Free Open Source Software Geographic Information Systems, FOSS GIS)들이 이러한 지형인자들을 보다 정확하게 계산하기 위해 다양한 알고리즘을 적용하고 있다. FOSS GIS 프로그램은 사용자 요구에 맞게 수정이 가능한 유연한 알고리즘을 제공한다. 이와 같은 수요에 맞춰 이 연구에서는 지형 분석이 특히 중요한 도서지역 산림을 대상으로 하여 FOSS GIS 프로그램들의 지형인자 계산 결과값을 비교해 보고 향후 지역 생태 연구에 있어 지형 인자 계산 방법을 결정할 때 그 기준을 마련하고자 한다. 연구 지역은 전라남도 도서 지역을 대상으로 하였고 FOSS GIS 프로그램 중 가장 널리 사용되는 GRASS GIS와 SAGA GIS로 처리하였다. 입지환경에 있어 가장 널리 사용되는 설명인자인 경사도와 TWI(Topographical Wetness Index) 지도를 각 FOSS GIS 프로그램으로 생성하고 그 차이를 분석하여 각 FOSS GIS 프로그램의 장단점을 토의하였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.959-974
• /
• 2021

Forel-Ule Index (FUI)는 자연에 존재하는 담수 및 해수의 색을 남색부터 고동색까지 21 가지의 등급으로 구분하는 지표이다. FUI는 여러 선행연구에서 수계의 부영양화 지수, 수질인자, 광 특성 등과 연관 지어 분석되었으며, 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 본 연구에서는 500 m의 높은 공간해상도를 가지는 정지궤도 해양위성해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 Random Forest (RF) 기계학습 기법을 활용하여 Ocean Colour-Climate Change Initiative(OC-CCI) 기반의 4 km FUI 자료를 공간 상세화 시켰다. 이를 활용하여 우리나라 연안 해역에 대한 수질인자와의 상관관계와 주요 해역에 대한 FUI의 공간적 분포 및 계절별 특성 변화를 분석하였다. 검증 결과 RF 기법으로 추정한 RF FUI는 결정계수(R²)=0.81, 평균 제곱근 오차(Root Mean Square Error; RMSE)=0.7784로, Pitarch의 OC-CCI FUI 알고리즘을 적용하여 계산한 GOCI FUI 추정 정확도(R²=0.72, RMSE=0.9708) 대비 향상된 결과를 보였다. RF FUI는 총 질소(Total Nitrogen), 총 인(Total Phosphorus), 클로로필-a(Chlorophyll-a), 총 부유물질(Total Suspended Solids), 투명도(Secchi Disk Depth)를 포함하는 5가지 수질인자와 각각 0.87, 0.88, 0.97, 0.65, -0.98의 상관계수로 강한 상관성을 보였다. 산출된 FUI의 시간적 패턴 역시 여러 수질인자와의 물리적 관계를 반영하며 유의미한 계절적 패턴의 변화를 보였다. 본 연구의 결과로 한반도 연안 수질 관리에서 고해상도 FUI의 활용 가능성을 제시하였다.

• 대한원격탐사학회지
• /
• 제37권5_2호
• /
• pp.1259-1268
• /
• 2021

'천리안 해양위성 2호(2nd Geostationary Ocean Color Imager: GOCI-II)는 천리안 해양위성 1호(GOCI)의 후속위성으로 1개의 근자외 채널(380 nm), 8개의 가시광 채널(412, 443, 490, 510, 555, 620, 660, 680 nm), 3개의 근적외 채널(709, 745, 865 nm)의 총 12개 파장대에서 다분광 관측을 하며, 1시간 간격의 시간 해상도로 한반도 주변 동북아 해양, 1일 간격으로 반구(full disk)영역의 해양 환경 자료를 생산한다. 해색 자료처리의 첫 단계로 대기 상층 복사휘도에서 해수표면 반사도를 계산하는 대기보정을 수행하며, GOCI-II의 표준 대기보정은 GOCI 대기보정 방법에 이론적인 기반을 두고 있으며, GOCI-II에 새로 추가된 밴드 중 620, 709 nm를 이용하여 탁도가 높은 해역에서의 대기보정 성능을 향상시켰다. 본 연구에서는 GOCI-II 지상국 시스템에 구현 되어있는 대기보정 알고리즘을 우선 소개하고, 현장 측정 원격반사도 자료를 이용하여 초기단계 검증을 수행하였다. 검증은 1차적으로 대양에서 수집된 현장 자료와의 비교를 통해 수행하였으며 여기서의 대기보정 정확도는 대양 대기보정 정확도 요구범위인 청색 파장대 오차율 5% 이내의 범위를 만족시켰다. 그러나 연안의 해양관측타워에 설치된 무인 관측장비인 AERONET-OC로 수집된 원격반사도 자료를 이용한 추가적인 검증결과에서는 대양과 달리 높은 오차율을 보여주었다. 연안에서의 대기보정 정확도는 추후 추가적인 근적외 파장대 대리교정을 통해 보완이 가능할 것으로 보이며, 지속적인 검보정 활동을 통해 수집된 현장자료들을 이용할 경우 연안뿐 아니라 전체적인 대기보정 성능 향상이 가능할 것으로 기대된다. 이후 검보정 활동을 통해 개선된 대기보정은 주기적으로 GOCI-II 지상국 시스템에 반영하여 재처리 및 재 배포를 수행할 예정이다.

• 대한원격탐사학회지
• /
• 제37권5_2호
• /
• pp.1295-1305
• /
• 2021

연안 및 대양의 효과적인 모니터링을 위해 여러 연구 분야에서 고품질의 위성 기반 해색 산출물들이 요구 있으며 이를 위해서는 정확한 대기 효과의 보정이 필수적이다. 현재 Geostationary Ocean ColorImage (GOCI)-II 지상시스템에서는 수증기 및 오존 등에 의한 가스 흡광 보정을 수행하기 위해 European Centre for Medium-Range Weather Forecasts (ECMWF) 또는 National Centers for Environmental Prediction (NCEP) 기상장 자료를 사용하고 있다. 이 과정에서 기상장 자료의 낮은 시공간해상도로 인해 오차가 발생할 수 있다. 따라서 본 연구에서는 복사 전달 모델 모의를 통해 개발된 GOCI-II의 수증기 흡광 보정 모델 및 GeoKompsat (GK)-2A/Advanced Meteorological Imager (AMI)의 가강수량 자료를 이용하여 수증기 흡광 효과를 보정하고 이에 따른 영향력을 분석하였다. 개발된 수증기 흡광 보정 모델 적용 유무에 따른 오차는 수증기의 영향이 적은 620 nm와 680 nm의 대기 상한 반사도에서 최대 1.3%와 0.27%로 적은 오차를 보였다. 그러나 수증기 흡광의 경향이 큰 709 nm 채널의 경우 태양 천정각 및 가강수량에 따라 6~15%의 큰 오차를 나타냈다. 레일리 보정 반사도에서는 대기 상한 반사도에서 발생한 오차가 크게 증폭되어 태양 천정각에 따라 GOCI-II의 각 밴드(620~865 nm) 별로 1.46~4.98, 7.53~19.53, 0.25~0.64, 14.74~40.5, 8.2~18.56, 5.7~11.9%의 큰 오차를 보이고 있다. 이는 수증기 흡광 보정이 해색 산출물의 정확도와 안정성에 큰 영향을 미칠 수 있다는 것을 의미하며, 향후 시공간 해상도가 높은 GK-2A/AMI와의 융합을 통해 GOCI-II 해색 산출물의 정확도 향상이 가능함을 시사한다.