• 한국측량학회지
• /
• 제26권3호
• /
• pp.219-225
• /
• 2008

원자력 발전소의 주변 지역은 해안지역이고 비교적 광범위하므로, 환경 변화를 감시하는데 많은 어려움이 있다. Landsat ETM+영상은 해상도가 30m 급이나 온도정보 추출에 있어 대기보정을 못하는 문제를 가지고 있다. MODIS 영상의 경우 2개의 적외선 밴드를 이용하여 대기보정된 비교적 적확한 온도를 추출할 수 있으나 해상도가 1km이다. 따라서, 두 위성영상의 자료를 이용한다면 대기보정된 고해상도의 온도자료를 추출할 수 있다. 본 연구에서는 대상지역의 Landsat ETM+영상에 대하여 기하보정을 수행하고, 방사휘도 및 온도를 산정한 후 MODIS영상을 이용하여 대기보정을 수행하였다. 그 결과 울진 원자력발전소 주변 연근해 지역과 온배수의 영향을 받지 않는 동쪽으로 5km 떨어진 동일 면적의 지역과 비교하여 보았을 때 약 $3.5^{\circ}C$ 높은 것을 알 수 있었다.

• 대한공간정보학회지
• /
• 제16권1호
• /
• pp.33-41
• /
• 2008

특정 기간 사이의 토지의 변화들을 파악하는 것은 매우 중요하다. 그러나, 토지를 변화 시킬 수 있는 요소들은 많이 존재할 수 있기 때문에 그러한 요인들을 규명하기란 쉽지 않다. 따라서 본 연구에서는 이러한 토지 변화 요인들을 정량적으로 사용하여 시뮬레이션을 수행하고자 하였다. CLUE-S 모델을 이용하여 사용한 자료는 1987년 Landsat TM 영상과 2001년 Landsat ETM+ 영상이며, 1987년부터 2010년까지 23년 동안의 토지 이용도를 시뮬레이션 하였다. 그 결과, 2001년 영상의 감독 분류 결과와 시뮬레이션을 수행한 2001년 결과 사이의 정확도는 93.69%가 나왔으며, 이러한 결과를 통해 미래의 토지 피복 현황도를 예측할 수 있었다.

• 대한공간정보학회지
• /
• 제21권3호
• /
• pp.63-71
• /
• 2013

본 연구에서는 산림 바이오매스와 식생지수의 상관성을 분석하기 위해 현장조사 자료, 위성영상과 LiDAR 자료를 이용하여 산정된 산림 바이오매스 분포도를 기준으로 고해상도 KOMPSAT-2 영상과 LANDSAT 영상을 이용하여 식생지수인 SR, NDVI, SAVI, LAI를 계산한 값과 비교하였다. 분석결과, 고해상도 KOMPSAT-2 영상의 식생지수가 LANDSAT 영상의 식생지수보다 침엽수의 상관성이 더 높게 나타났으며 활엽수의 경우는 LANDSAT 영상의 식생지수가 높은 상관성을 보였다. 식생지수 중에는 NDVI 값이 다른 지수에 비해 상관성이 높게 나타났다. 또한 STSAT-3 위성의 소형영상분광기(Compact Imaging Spectrometer, COMIS)와 유사 센서인 EO-1 위성의 Hyperion 영상을 이용하여 하이퍼스펙트럴 영상을 분석하고 바이오매스와 상관성이 상대적으로 높은 식생지수를 동일한 GSD 조건의 LANDSAT 위성의 식생지수와 비교하고 하이퍼스펙트럴 영상의 임상 추출에 대한 활용가능성을 분석하였다.

• 대한원격탐사학회지
• /
• 제23권6호
• /
• pp.529-536
• /
• 2007

불투수도는 도시화, 환경변화를 추정하기 위한 중요한 지수로서 도시 기후 변화, 홍수기철 도시 범람의 증가, 홍수 모델링에 영향 등 도시의 홍수 기상학과 수문학적인 변화와 매우 밀접한 관계가 있다. 본 연구에서는 안성지역 일대를 대상으로 하여 Landsat ETM+ 영상을 이용한 불투수도 작성을 시도하였다. 학습 및 검수자료는 고해상도 영상인 IKONOS 영상을 이용하였으며, Landsat ETM+ 영상에 대한 위성반사율을 이용하여 tasseled cap과 NDVI로 전환하고 다양한 변수들이 불투수도에 미치는 영향을 분석하였다. 그리고 Regression Tree 알고리즘에 따라 불투수도 추정식을 개발하여 지도화하였다.

• 대한원격탐사학회지
• /
• 제37권1호
• /
• pp.123-137
• /
• 2021

In this study, we performed cross calibration of KOMPSAT-3 AEISS imaging sensor with reference to normalized pixels in the Landsat 8 OLI scenes of homogenous ROI recorded by both sensors between January 2014 and December 2019 at the Libya 4 PICS. Cross calibration is using images from a stable and well-calibrated satellite sensor as references to harmonize measurements from other sensors and/or characterize other sensors. But cross calibration has two problems; RSR and temporal difference. The RSR of KOMPSAT-3 and Landsat 8 are similar at the blue and green bands. But the red and NIR bands have a large difference. So we calculate SBAF of each sensor. We compared the SBAF estimated from the TOA Radiance simulation with KOMPSAT-3 and Landsat 8, the results displayed a difference of about 2.07~2.92% and 0.96~1.21% in the VIS and NIR bands. Before SBAF, Reflectance and Radiance difference was 0.42~23.23%. Case of difference temporal, we simulated by 6S and Landsat 8 for alignment the same acquisition time. The SBAF-corrected cross calibration coefficients using KOMPSAT-3, 6S and simulated Landsat 8 compared to the initial cross calibration without correction demonstrated a percentage difference in the spectral bands of about 0.866~1.192%. KOMPSAT-3 maximum uncertainty was estimated at 3.26~3.89%; errors due to atmospheric condition minimized to less than 1% (via 6S); Maximum deviation of KOMPSAT-3 DN was less than 1%. As the result, the results affirm that SBAF and 6s simulation enhanced cross-calibration accuracy.

• 한국GIS학회:학술대회논문집
• /
• 한국GIS학회 2003년도 공동 춘계학술대회 논문집
• /
• pp.163-169
• /
• 2003

• 대한공간정보학회지
• /
• 제22권4호
• /
• pp.53-61
• /
• 2014

Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식생지수의 추출, 변화탐지 모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다. 본 연구에서는 Landsat OLI 위성과 기존의 토지피복지도를 활용하여 토지피복지도를 생성하고자 하였다. 이를 위해, 기존의 토지피복지도와 K-means 기법의 상관관계를 활용하여 훈련자료를 자동으로 생성하였으며, 생성된 훈련자료를 이용하여 각 클래스 별 분광 반사율 값을 추정하였다. 최종적으로, 반복적인 분광혼합분석을 통하여 각 클래스 별 점유 비율 영상과 토지피복지도를 생성하였다. 청주시 일대에 대한 토지피복지도와 Landsat OLI 위성영상을 활용한 실험을 수행하였으며, 감독분류 기법에 대한 결과 및 기존 토지피복지도와의 비교평가를 통하여 본 연구에서 제안된 기법이 수동으로 취득한 훈련자료가 없어도 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.

• 한국지리정보학회지
• /
• 제21권2호
• /
• pp.68-79
• /
• 2018

일반적으로 밝기온도는 대기온도와 밀접한 연관이 있으며, 밝기온도는 Landsat과 같은 지구관측위성의 열적외 센서를 활용하여 측정이 가능하다. Landsat-8 위성의 열적외 센서는 지표온도를 측정할 수 있는 두 개의 밴드 (Band 10과 Band 11)를 가지고 있다. 본 연구에서는 대한민국 서울지역의 기상관측센터에서 측정한 대기온도와 Band 10과 Band 11로부터 각각 측정한 밝기온도의 상관관계를 시기별(봄, 여름, 가을, 겨울)로 분석하였으며, 본 연구를 통해 다음과 같은 결과를 확인할 수 있었다. 첫째, 밝기온도와 대기온도의 상관관계는 봄, 가을, 겨울 및 여름 순으로 높았다. 둘째, 봄, 가을 및 겨울에서는 대기온도가 증가할수록 밝기온도도 증가하였으나, 여름에서는 대기온도가 증가할수록 밝기온도는 감소하였다. 셋째, Band 10을 활용하여 측정한 밝기온도가 Band 11을 활용하여 측정한 밝기온도에 비해 대기온도와 상관관계가 높았다.

• 대한원격탐사학회지
• /
• 제36권3호
• /
• pp.487-501
• /
• 2020

이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적외 10번 밴드(약 11 ㎛ 파장대)의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 심층신경망 모델을 최적화하여 지표면온도를 산출하였다. 이는 ASOS(Automated Synoptic Observing System)와의 선형관계식으로 편의보정을 수행하는 기존 방법에 비해 진보된 기법이다. ASOS 관측치와 시공간적으로 일치되는 1,728건의 자료를 비교한 결과, 계절별로 차이가 있기는 하지만 특히 봄, 가을에는 상당히 좋은 결과를 보였으며(CC=0.910~0.917, RMSE=3.245~3.365℃), 또한 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 향후 Landsat 5/7/8 자료의 장기시계열 빅데이터와 함께 추가적인 지표면변수를 활용하여 모델링 을 수행함으로써 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 고해상도 지표면온도 산출이 필요할 것이다.

• 한국지리정보학회지
• /
• 제19권2호
• /
• pp.98-106
• /
• 2016

원격탐사는 관찰하고자 하는 지역을 직접 방문하지 않고, 영상만으로도 적은 비용으로 짧은 시간 안에 대상지역을 연구하는데 있어 효율적인 기술이다. 본 연구에서는 가장 최근에 발사된 Landsat-8 OLI(Operational Land Imager) 영상을 이용하여 하천유역의 토지피복분류 정확도를 개선하는 방법을 제안하였다. 제안된 방법 중 첫 번째로 Landsat-8 OLI 영상을 이용하여 정규식생지수인 NDVI(Normalized Difference Vegetation Index)와 정규수분지수 NDWI(Normalized Difference Water Index)를 생성하였다. 두 번째로 원래의 영상에 생성된 NDVI와 NDWI 2개의 밴드를 Layer-Stacking하여 새로운 영상을 만들었다. 마지막으로 기존의 영상과 밴드조합을 적용한 새로운 영상에 각각 MLC(Maximum Likelihood Classification), SVM(Support Vector Machine)의 감독분류를 적용하였다. 하천피복분류를 할 때 정확도를 개선하는데 있어 그 의미가 있으며, 분류결과 MLC 분류방법을 적용하였을 때 약 8% 이상, SVM 분류방법을 적용하였을 때 약 1.6% 정도 개선되었다. 향후 다양한 영상과 밴드조합을 통한 연구가 이루어진다면 보다 나은 의사결정에 도움이 될 것으로 사료된다.