• 한국작물학회지
• /
• 제66권2호
• /
• pp.105-111
• /
• 2021

해마다, 강한 바람을 동반한 태풍 및 집중호우로 인해 벼도복이 발생하고 있으며, 이삭이 여무는 등숙기에 도복으로 인한 수발아와 관련된 피해를 발생시키고 있다. 따라서,신속한 피해 대응을 위해 신속한 벼 도복 피해 면적 산정은 필수적이다. 벼 도복과 관련된 이미지들은 도복이 발생된 김제, 부안, 군산일대에서 드론을 이용하여 수집하였고, 수집한 이미지들을 128 × 128 픽셀로 분할하였다. 벼 도복을 예측하기 위해 이미지 기반 딥 러닝 모델인 CNN을 이용하였다. 분할한 이미지들은 도복 이미지(lodging)와 정상 이미지(non-lodging) 2가지로 라벨로 분류하였고, 자료들은 학습을 위한 training-set과 검증을 위한 vali-se을 8:2의 비율로 구분하였다. CNN의 층을 간단하게 구성하여, 3개의 optimizer (Adam, Rmsprop, and SGD)로 모델을 학습하였다. 벼 도복 면적 평가는 training-set과 vali-set에 포함되지 않은 자료를 이용하였으며, 이미지들을 methshape 프로그램으로 전체 농지로 결합하여 총 3개의 농지를 평가하였다. 도복 면적 추정은 필지 전체의 이미지를 모델의 학습 입력 크기(128 × 128)로 분할하여 학습된 CNN 모델로 각각 예측한 후, 전체 분할 이미지 개수 대비 도복 이미지 개수의 비율을 전체 농지의 면적에 곱하여 산정하였다. training-set과 vali-set에 대한 학습 결과, 3개의 optimizer 모두 학습이 진행됨에 따라 정확도가 높아졌으며, 0.919 이상의 높은 정확도를 보였다. 평가를 위한 3개의 농지에 대한 결과는 모든 optimizer에서 높은 정확도를 보였으며, Adam이 가장 높은 정확도를 보였다(RMSE: 52.80 m², NRMSE: 2.73%). 따라서 딥 러닝을 이용하여 신속하게 벼 도복 면적을 추정할 수 있을 것으로 예상된다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1125-1139
• /
• 2022

무인항공기에 부착된 위성 항법 시스템/관성 측정 센서(global positioning system/inertial measurement unit, GPS/IMU)와 관측 센서 사이에는 물리적인 위치와 자세 오차가 존재한다. 해당 물리 오프셋으로 인해, 관측 데이터는 비행 방향에 따라 서로 위치가 어긋나는 이격 오차가 발생한다. 특히나, 다중 센서를 활용하여 데이터를 취득하는 다중 센서 무인항공기의 경우, 관측 센서가 변경될 때마다 고액의 비용을 지불하고 외산 소프트웨어 의존하여 물리 오프셋을 조정하고 있는 실정이다. 본 연구에서는 다중 센서에 적용 가능한 초기 센서 모델식을 수립하고 물리 오프셋 추정 방법을 제안한다. 제안된 방안은 크게 3가지 단계로 구성된다. 먼저, 직접지리 참조를 위한 회전 행렬 정의 및 초기 센서 모델식을 수립한다. 다음으로, 지상기준점과 관측 센서에서 취득된 데이터 간의 대응점을 추출하여 물리 오프셋 추정을 위한 관측방정식을 수립한다. 마지막으로, 관측 자료를 기반으로 물리 오프셋을 추정하고, 추정된 파라미터를 초기 센서 모델식에 적용한다. 전주, 인천, 알래스카, 노르웨이 지역에서 취득된 데이터셋에 적용한 결과, 4개 지역 모두 물리 오프셋 적용 전에 발생되던 영상 접합부의 이격 오차가 물리 오프셋을 적용 후 제거되는 것을 확인했다. 인천 지역의 지상기준점 대비 절대 위치 정확도를 분석한 결과, 초분광 영상의 경우, X, Y 방향으로 약 0.12 m 위치 편차를 보였으며, 라이다 포인트 클라우드의 경우 약 0.03 m의 위치 편차를 보여줬다. 더 나아가 영상 내 특징점에 대하여 초분광, 라이다 데이터의 상대 위치 정확도를 분석한 결과, 센서 데이터 간의 위치 편차가 약 0.07 m인 것을 확인했다. 따라서, 제안된 물리 오프셋 추정 및 적용을 통해 별도 기준점 없이 정밀한 데이터 매핑이 가능한 직접 지리 참조가 가능하다는 것을 확인했으며, 다중 센서를 부착한 무인항공기에서 취득된 센서 데이터 간의 융합 가능성에 대해 확인하였다. 본 연구를 통해 독자적인 물리 파라미터 추정 기술 보유를 통한 경제적 비용 절감 효과 및 관측 조건에 따른 유연한 다중 센서 플랫폼 시스템 운용을 기대한다.

• 대한원격탐사학회지
• /
• 제38권6_2호
• /
• pp.1723-1735
• /
• 2022

산사태는 가장 널리 퍼진 자연재해 중 하나로 인명 및 재산피해 뿐만 아니라 범 국가적 차원의 피해를 유발할 수 있기 때문에 효과적인 예측 및 예방이 필수적이다. 높은 정확도를 갖는 산사태 취약성도를 제작하려는 연구는 꾸준히 진행되고 있으며 다양한 모델이 산사태 취약성 분석에 적용되어 왔다. 빈도비 모델, logistic regression 모델, ensembles 모델, 인공신경망 등의 모델과 같이 픽셀기반 머신러닝 모델들이 주로 적용되어 왔고 최근 연구에서는 커널기반의 합성곱신경망 기법이 효과적이라는 사실과 함께 입력자료의 공간적 특성이 산사태 취약성 매핑의 정확도에 중요한 영향을 미친다는 사실이 알려졌다. 이러한 이유로 본 연구에서는 픽셀기반 deep neural network (DNN) 모델과 패치기반 convolutional neural network (CNN) 모델을 이용하여 산사태 취약성을 분석하는 것을 목적으로 한다. 연구지역은 산사태 발생 빈도가 높고 피해가 큰 인제, 강릉, 평창을 포함한 강원도 지역으로 설정하였고, 산사태 관련인자로는 경사도, 곡률, 하천강도지수, 지형습윤지수, 지형위치 지수, 임상경급, 임상영급, 암상, 토지이용, 유효토심, 토양모재, 선구조 밀도, 단층 밀도, 정규식생지수, 정규수분지수의 15개 데이터를 이용하였다. 데이터 전처리 과정을 통해 산사태관련인자를 공간데이터베이스로 구축하였으며 DNN, CNN 모델을 이용하여 산사태 취약성도를 작성하였다. 정량적인 지표를 통해 모델과 산사태 취약성도에 대한 검증을 진행하였으며 검증결과 패치기반의 CNN 모델에서 픽셀기반의 DNN 모델에 비해 3.4% 향상된 성능을 보였다. 본 연구의 결과는 산사태를 예측하는데 사용될 수 있고 토지 이용 정책 및 산사태 관리에 관한 정책 수립에 있어 기초자료 역할을 할 수 있을 것으로 기대된다.

• 한국지구과학회지
• /
• 제43권5호
• /
• pp.604-617
• /
• 2022

해수면온도는 해양-대기의 현상을 이해하고 기후변화를 예측하기 위해 사용되는 중요한 변수이다. 마이크로파 영역의 인공위성 원격탐사는 구름과 강수와 같은 기상현상 위성 관측 측기의 경로에 존재하더라도 해수면온도 획득을 가능하게 한다. 따라서 마이크로파 해수면온도의 높은 활용도를 고려하면 위성 해수면온도를 정확도를 지속적으로 검증하고 오차 특성을 분석할 필요가 있다. 본 연구에서는 2014년 3월부터 2021년 12월까지 약 8년 동안 Global Precipitation Measurement (GPM)/GPM Microwave Imager (GMI) 마이크로파 해수면온도의 정확도를 표층 뜰개 부이 수온 자료를 사용하여 검증하였다. GMI 해수면온도는 실측 해수면온도에 비해 0.09 K의 편차와 0.97 K의 평균 제곱근 오차를 보였고, 이는 기존 연구 결과에 비해 다소 높게 나타났다. 이외에도 GMI 해수면 온도의 오차 특성은 위도, 연안과의 거리, 해상풍 및 수증기량과 같은 환경적 요인과 관련성이 있다. 오차는 육지에서 300 km 이내의 거리에서 해안 지역에 가까운 지역과 고위도 지역에서 증가하는 경향이 있다. 또한 낮에는 약한 풍속(<6 m s^-1), 밤에는 강한 풍속(>10 m s^-1) 범위에서 상대적으로 높은 오차가 나타났다. 대기 수증기는 30 mm 미만의 매우 낮은 범위 또는 60 mm보다 큰 매우 높은 범위에서 높은 해수면온도 차이에 기여했다. 이러한 오차들은 저수온에서 GMI 자료의 정확도가 떨어지는 기존 연구와 일치하며, 연안으로부터의 거리, 풍속, 수증기량에 의한 오차의 경우 육지와 해양의 방사율 차이 및 바람에 의한 해수면 거칠기 변화, 수증기의 마이크로파 대기 흡수에서 기인하는 것으로 추정된다. 이는 한반도 주변해에서 마이크로파 위성 계산 SST를 보다 광범위하게 활용하기 위해서는 GMI 해수면온도 오차의 특성에 대한 이해가 필요함을 시사한다.

• 대한원격탐사학회지
• /
• 제38권5_2호
• /
• pp.707-723
• /
• 2022

위성기반 해수면온도는 광역 모니터링이 가능한 장점이 있지만, 다양한 환경적 그리고 기계적 이유로 인한 시공간적 자료공백이 발생한다. 자료공백으로 인한 활용성의 한계가 있으므로, 공백이 없는 자료 생산이 필수적이다. 따라서 본 연구에서는 한반도 주변 해역에 대해 극궤도와 정지궤도 위성에서 생산되는 해수면온도 자료를 두 단계의 기계학습을 통해 융합하여 4 km의 공간해상도를 가지는 일별 해수면온도 합성장을 만들었다. 첫번째 복원 단계에서는 Data INterpolate Convolutional AutoEncoder (DINCAE) 모델을 이용하여 다종 위성기반 해수면온도 자료를 합성하여 복원하였고, 두번째 보정 단계에서는 복원된 해수면온도 자료를 현장관측자료에 맞춰 Light Gradient Boosting Machine (LGBM) 모델로 학습시켜 최종적인 일별 해수면온도 합성장을 만들었다. 개발된 모델의 검증을 위해 복원 단계에서 무작위 50일의 자료 중 일부분을 제거하여 복원한 뒤 제거된 영역에 대해 검증하였으며, 보정 단계에서는 Leave One Year Out Cross Validation (LOYOCV) 기법을 이용하여 현장자료와의 정확도를 검증하였다. DINCAE 모델의 해수면온도 복원 결과는 상당히 높은 정확도(R²=0.98, bias=0.27℃, RMSE=0.97℃, MAE=0.73℃)를 보였다. 두번째 단계의 LGBM 보정 모델의 정확도 개선은 표층 뜰개 부이와 계류형 부이 현장자료와의 비교에서 모두 상당한 향상(RMSE=∆0.21-0.29℃, rRMSE=∆0.91-1.65%, MAE=∆0.17-0.24℃)을 보여주었다. 특히, 모든 현장 자료를 이용한 보정 모델의 표층 뜰개 부이와의 정확도는 동일한 현장 자료가 동화된 기존 해수면온도 합성장보다 나은 정확도를 보였다. 또한 LGBM 보정 모델은 랜덤포레스트(random forest)를 사용한 선행연구에서 보고된 과적합의 문제를 상당부분 해결하였다. 보정된 해수면온도는 기존의 초고해상도 해수면온도 합성장들과 유사한 수준으로 수온 전선과 와동 등의 중규모 해양현상을 뚜렷하게 모의하였다. 본 연구는 다종위성 자료와 기계학습 기법을 사용해 시공간적 공백 없는 고해상도 해수면온도 합성장 제작 방법을 제시하였다는 점에서 가치가 있다.

• 대한원격탐사학회지
• /
• 제38권5_2호
• /
• pp.747-763
• /
• 2022

해양 염분은 전 지구 규모에서 해수 순환에 영향을 미칠 뿐만 아니라, 연·근해 지역 저염분수가 어족자원 및 수산업에 피해를 줄 수 있는 등 해양 식생환경의 변화를 줄 수 있다. 해수의 표면 특성인 sea surface salinity (SSS)에 따라 마이크로웨이브 영역의 방사율이 달라지며, 이를 통해 Soil Moisture Active Passive (SMAP) 등 위성 센서를 활용한 SSS 산출물이 제공되고 있다. 하지만 마이크로파 위성 센서 기반의 SSS 산출물은 낮은 시공간해상도로 자료를 생산하며, 연안지역과 고위도 지역에서 정확도가 낮다. 이러한 이유로 연·근해 지역 SSS의 상세한 시공간적 변화를 관측하기에는 적합하지 않다. 본 연구에서는 Jang et al. (2022)에서 제시한 기계학습 기반의 개선된 SMAP SSS (SMAP SSS (Jang))를 참조자료로 활용하여, 정지궤도해색센서(Geostationary Ocean Color Imager, GOCI) 영상으로부터 고해상도 SSS를 추정하는 Light Gradient Boosting Machine (LGBM) 기반의 모델을 개발하였다. 3가지 입력변수 조합을 테스트하였고, Multi-scale Ultra-high Resolution Sea Surface Temperature (SST) 자료가 추가된 scheme 3가 가장 높은 정확도를 보였다(R² = 0.60, RMSE = 0.91 psu). 이를 바탕으로 본 연구영역에서 SST가 SSS 모의에 효과적인 환경변수로 작용함을 보였다. 본 연구에서 제시한 LGBM 기반의 GOCI SSS는 SMAP SSS (Jang)와 비슷한 시공간적 패턴을 보였지만, 더 높은 공간해상도를 바탕으로 SSS의 보다 상세한 공간적 분포와 더불어 SMAP SSS (Jang)에서 산출하지 않는 연안 지역의 정보까지 모의하였다. 또한, 중국 남방지역에 대홍수가 발생하였던 2020년 8월을 대상으로 양자강 유출수(Changjiang Diluted Water)의 거동을 분석한 결과, GOCI SSS는 한국 해양수산연구원의 보도자료와 비교하여 일관성 있는 시공간적 변화를 보였다. 본 연구의 결과로 연안 지역의 저염수 뿐 아니라, 원해 지역에서 광학위성 신호를 활용한 고해상도 SSS 산출의 가능성을 제시하였다.

• 한국지구과학회지
• /
• 제43권3호
• /
• pp.367-385
• /
• 2022

본 연구는 영국기상청에서 개발된 지역기후모델 Hadley Centre Global Environmental Model version 3 regional climate model (HadGEM3-RA)로부터 모의된 동아시아 지역의 기온과 강수 결과를 평가하였다. HadGEM3-RA는 Coordinated Regional climate Downscaling Experiment-East Asia (CORDEX-EA) Phase II 영역에서 15년 (2000-2014년) 모의되었다. 동아시아 여름 몬순에 의한 HadGEM3-RA 강수대 분포는 Asian Precipitation Highly Resolved Observational Data Integration Towards Evaluation of water resources (APHRODITE) 자료와 잘 일치한다. 그러나, 동남아시아 강수는 과대 모의하며 남한에서는 과소 모의한다. 특히 모의된 여름철 강수량과 APHRODITE 강수량은 남한지역에서 가장 낮은 상관 계수와 가장 큰 오차크기(RMSE)를 보인다. 동아시아 기온 예측은 과소 모의하며 겨울철 오차가 가장 크다. 남한 기온 예측은 봄 동안 가장 큰 과소 모의 오차를 나타냈다. 국지적 예측성을 평가하기 위하여 서울기상관측소 ASOS 자료와 비교한 기온과 강수의 시계열은 여름철 강수와 겨울철 기온이 과소 모의하는 공간 평균된 검증 결과와 유사하였다. 특히 여름철 강수량 증가시 과소 모의 오차가 증가하였다. 겨울철 기온은 저온에서는 과소 모의하나 고온은 과대 모의하는 경향이 나타났다. 극한기후지수 비교 결과는 폭염은 과대 모의하여, 집중호우는 과소 모의하는 오차가 나타났다. 수평해상도25km로 모의된 HadGEM3-RA는 중규모 대류계와 지형성 강수 예측에서 한계를 보였다. 본 연구는 지역기후모델 예측성 개선을 위한 초기 자료 개선, 해상도 향상, 물리 과정의 개선이 필요함을 지시한다.

• 한국농림기상학회지
• /
• 제25권1호
• /
• pp.28-36
• /
• 2023

일사량은 작물 생산성 평가를 위한 작물 생육 모델의 주요 입력 변수 중 하나로 사용되지만 관측이 어려워 다른 기상 변수들에 비해 관측값의 확보가 어렵다. 천리안 2A호와 히마와리 8호 위성 일사량 자료가 제공되기 시작하면서, 작물 생육과 태양광 발전을 결합한 영농형 태양광 시설 하에서의 작물 생산성 평가를 위한 일사량 자료를 확보하기 용이해졌다. 본 연구의 목적은 이들 인공위성 일사량 자료의 신뢰도를 비교하는 것이다. 이를 위해 2020년 5월부터 10월까지 인공위성 일사량 자료를 수집하여 일별 일사량의 평균 제곱근 편차(RMSE)와 정규 평균 제곱근 편차(NRMSE)를 계산하였다. 인공위성 일사량 자료가 작물 생육 모의 결과의 신뢰도에 미치는 영향을 파악하기 위해 연구기간 동안의 일사량 누적값을 비교하였다. 본 연구의 결과 히마와리 8호 일사량 자료가 천리안 2A호 일사량 자료보다 RMSE와 NRMSE가 작은 것으로 나타났다. 누적 일사량을 비교한 결과에서도 히마와리 8호 일사량 자료 누적값이 천리안 2A호 일사량 자료 누적값보다 오차가 작았다. 본 연구의 결과는 작물 생산성 평가에 히마와리 8호 일사량 자료를 사용하는 것이 천리안 2A호 일사량 자료를 사용하는 것보다 불확도를 줄일 수 있다는 것을 시사한다. 후속 연구에서 히마와리 8호 일사량 자료를 사용한 영농형 태양광 시설 하에서의 작물 생산성 및 태양광 발전량에 대한 분석이 이루어져야 할 것이다.

• 한국수자원학회논문집
• /
• 제56권3호
• /
• pp.195-210
• /
• 2023

국내 대하천은 2010년 대규모 정비사업 이후 자연적 안정화를 위한 추가 재퇴적 및 침식이 진행 중에 있어 정밀 하상 모니터링이 요구되고 있다. 초분광수심법은 저수심의 고해상도 하천 수심측정 측면에서 종래의 접촉식 수심측정 기법을 대체하거나 보완할 수 있는 방법으로 각광을 받기 시작하였다. 본 연구는 초분광수심법에서 대표적인 최적밴드비기법을 소개하고 국내 대하천인 낙동강과 황강 합류부에서 평수기 전형적인 탁도조건에서 초분광수심법을 적용하여 수심맵을 산정하여 국내 하천으로의 적용성을 평가하였다. 이를 위해 수심영역별 최적밴드비기법으로 도출되는 상관도와 평균제곱근오차를 적용하여 최대측정가능수심을 산정하였고 최대추정가능수심 이상은 관계식 구축 시와 수심맵 산정 시 제외시켰다. 그리고 수심과 최적밴드비 관계(d-X)에 비선형성을 검토하여 적용하였다. 국내 대하천인 낙동강-황강 합류부에 적용한 결과는 다음과 같다. 첫째, 초분광수심법은 주로 저수심부에서 정밀한 수심맵을 효율적으로 산정할 수 있음을 보여주었고 최대측정가능수심은 통상적 탁도에서 낙동강의 경우 2.5 m로 나타났고, 탁도가 높은 지류의 경우 1.25 m로 나타났다. 둘째, 최대측정가능수심은 초분광수심법 하상 도출 시 다양한 시나리오의 배제수심을 고려하여 산정 및 적용되어야 하고, 이때 최적밴드비기법 적용 시 평균제곱근오차가 기존의 상관도 방식에 비해 최대측정가능수심 산정에 우수하였다. 셋째, 황강 합류부의 탁도가 높아 측정가능수심이 인근 낙동강에 비해 절반으로 낮아져 초분광수심법은 탁도가 높은 환경일 경우 한계가 있음을 확인하였다.

• 한국농림기상학회지
• /
• 제25권4호
• /
• pp.427-435
• /
• 2023

이상기상으로 인한 봄꽃 개화 시기의 변화는 식물의 생장기간 뿐 아니라 생물계절을 포함한 생태계의 모든 측면에 영향을 미친다. 따라서 봄꽃 개화 시기를 예측하는 것은 산림 생태계의 효과적인 관리에 필수적이다. 본 연구에서는 464곳의 산림에서 수집된 날씨정보를 기반으로 대한민국 산림의 대표적인 5가지 수종(미선나무, 아까시나무, 철쭉, 산철쭉, 마가목)의 2023년 개화 시기를 예측하기 위해 과정 기반 모형을 사용하였다. 이를 위해 28개 지역의 9년간(2009-2017) 개화 시기 자료를 활용하여 모형을 개발하였다. 개화 시기는 식물의 세 개 이상의 위치에서 처음으로 꽃이 피는 것을 기준으로 측정되었다. 본 연구에서는 STDD와 GDD 과정 기반 모형을 사용하여 개화 시기를 예측하였으며, 두 모형 모두 일반적으로 우수한 성능을 보였다. 과정 기반 모형의 주요 입력변수인 날씨 자료는 산악기상관측시스템과 기상청에서 제공하는 기온 정보를 융합하여 1km의 공간 해상도로 일 단위 기온 자료를 생성하였다. 지역별 보정 계수를 생산하고 적용하기 위해 랜덤포레스트 기계 학습을 활용하여 STDD와 GDD 모형을 기반으로 예측 정확도를 개선하였다. 결과적으로 보정 계수가 적용될 때 대부분의 수종에서 개화 시기의 예측 오차가 작았으며, 특히, 미선나무, 아까시나무, 철쭉에서 평균제곱근오차가 각각 1.2, 0.6, 1.2일로 매우 낮았다. 모형 성능을 평가하기 위해 10회의 무작위 샘플링 테스트를 실시하고, 최적의 결정계수 값을 가진 모형을 선택하여 모형의 성능을 평가하였다. 그 결과, 마가목을 제외한 모든 수종에서 보정 계수가 적용된 모형에서 결정계수가 최소 0.07에서 최대 0.7 증가하였으며 최종적으로 75%에서 90%의 설명력을 가졌다. 이를 기반으로 수종별 보정 계수를 산출하였으며, 1km 해상도의 전국 단위 개화시기예측 지도를 제작하였다. 본 연구는 식물의 계절 변화에 대한 자료로 활용될 것으로 예상되며, 수종 및 지역별로 개화 시기를 상세히 설명하여 기후 변화로 인한 계절 변화를 연구하는 데에 유용할 것으로 기대된다. 또한 우리나라 산림의 주요 수종에 대한 정확도 높은 개화 시기 예측 서비스는 산림 방문객들의 산림 경험 만족도를 크게 높일 수 있으며, 양봉업 등 임업 종사자들의 경제적 향상에 기여할 것으로 기대된다.