DOI QR코드

DOI QR Code

Detection for Region of Volcanic Ash Fall Deposits Using NIR Channels of the GOCI

GOCI 근적외선 채널을 활용한 화산재 퇴적지역 탐지

  • Sun, Jongsun (Earthquake and Volcano Research Division, Earthquake and Volcano Bureau, Korea Meteorological Administration) ;
  • Lee, Won-Jin (Earthquake and Volcano Research Division, Earthquake and Volcano Bureau, Korea Meteorological Administration) ;
  • Park, Sun-Cheon (Earthquake and Volcano Research Division, Earthquake and Volcano Bureau, Korea Meteorological Administration) ;
  • Lee, Duk Kee (Earthquake and Volcano Research Division, Earthquake and Volcano Bureau, Korea Meteorological Administration)
  • 선종선 (기상청 지진화산국 지진화산연구과) ;
  • 이원진 (기상청 지진화산국 지진화산연구과) ;
  • 박순천 (기상청 지진화산국 지진화산연구과) ;
  • 이덕기 (기상청 지진화산국 지진화산연구과)
  • Received : 2018.09.12
  • Accepted : 2018.11.23
  • Published : 2018.12.31

Abstract

The volcanic ash can spread out over hundreds of kilometers in case of large volcanic eruption. The deposition of volcanic ash may induce damages in urban area and transportation facilities. In order to respond volcanic hazard, it is necessary to estimate efficiently the diffusion area of volcanic ash. The purpose of this study is to compare in-situ volcanic deposition and satellite images of the volcanic eruption case. In this study, we used Near-Infrared (NIR) channels 7 and 8 of Geostationary Ocean Color Imager (GOCI) images for Mt. Aso eruption in 16:40 (UTC) on October 7, 2016. To estimate deposit area clearly, we applied Principal Component Analysis (PCA) and a series of morphology filtering (Eroded, Opening, Dilation, and Closing), respectively. In addition, we compared the field data from the Japan Meteorological Agency (JMA) report about Aso volcano eruption in 2016. From the results, we could extract volcanic ash deposition area of about $380km^2$. In the traditional method, ash deposition area was estimated by human activity such as direct measurement and hearsay evidence, which are inefficient and time consuming effort. Our results inferred that satellite imagery is one of the powerful tools for surface change mapping in case of large volcanic eruption.

대규모의 화산이 분출하면 화산재는 수 킬로미터 이상 퍼져 나갈 수 있고 도시 지역과 교통수단에 피해를 줄 수 있다. 이러한 화산 재해에 대응하기 위해서는 화산재의 확산 면적을 효율적으로 추정할 필요가 있다. 이 연구에서는 2016년 10월 7일 16시 40분(UTC) 일본의 아소산 분화의 관측 자료와 위성 영상의 분석 결과를 비교하였다. 정지궤도 천리안 위성 GOCI(Geostationary Ocean Color Imager) 센서의 근적외선(Near-Infrared) 채널로 주성분 분석과 임계값 설정 방법 및 일련의 형태학적 필터링(Eroded, Opening, Dilation, Closing)을 각각 적용하였다. 또한, 2016년 아소산 분화에 관한 일본 기상청(JMA)의 보고서에 명시된 현장 관측 자료를 비교하였다. 그 결과, 약 $380km^2$의 화산재 퇴적 지역을 위성영상으로 탐지하였다. 전통적인 방법에서의 화산재 퇴적 지역 탐지는 직접 측정 및 소문 증거와 같은 인간 활동에 의해 추정되었지만 이는 비효율적이며 시간소모적이다. 하지만 이 연구를 통해 분연주 높이가 높거나 분화지수가 큰 화산 분화의 피해 지역을 신속하게 추출할 수 있으며 지표 변화 분포도를 작성하여 화산 활동으로 인한 피해 정책 수립 등 다양한 방면으로 활용 가능하다.

Keywords

1. 서론

전 세계에는 지난 10,000년 이내에 활동한 기록이나 흔적이 있는 1,500여개의 활화산이 존재한다. 일본 규슈 지역의 기리시마야마(시라네), 아소산과 같은 활화산은 전조 증상 없이 분화지수(VEI, Volcanic ExplosivityIndex) 3 이상으로 분화를 할 수 있는 화산이다. 반경 400km내에 위치한 한반도는 기류에 의해 운반되는 화산재에 의해 교통장애, 항공장애, 제조업 피해 등 사회 전반적인 측면에 영향을 받을 수 있다. 화산 활동 감시는 직접적인 관측 및 방문이 어렵고 위험한 경우가 많아 관측 위험성이 있고 분화 직후 탐지 가능한 인공위성을 이용한 원격탐사 방법이 많이 사용되고 있다(Lee et al.,2014). 인공위성을 활용하여 화산재를 관측하는 여러 방법 중 밝기 온도 값 차이 즉, BTD(Bright Temperature Difference)를 이용한 관측법이 널리 사용된다. 이는 두 적외밴드의 차를 이용하여 화산재를 탐지한다(Krotkovet al., 1999). 하지만 열적외선 대역에서는 대기수분함량(water vapor)에 의한 흡수가 크게 나타나 화산재 구름의 BTD 신호가 감소하여 관측이 어려울 수 있다(Corradiniet al., 2008). 근적외선 파장대역을 사용하여 밴드의 차이로 화산재 구름을 탐지하는 방안(Ellord et al., 2003)도 있지만 야간이나 얇은 권운과 같은 특정 관측 조건에서 고정된 임계값 방법을 사용하기에는 신뢰성에 영향을 주는 문제가 생길 수 있다(Di Bello et al., 2004). GOCI 센서를 활용한 화산재 연구에는 화산 분화 입자 확산 모델인 HYSPLIT(Hybrid Single-Particle Lagrangian Integrated Trajectory)을 화산재 경로를 예측, 검증하는 방안으로 사용하였으나 예보된 기상장을 적용하여 실제 화산재가 확산하는 범위를 예측하기 어려운 한계점이 있다(Choi et al., 2017). 현재까지는 화산재 구름의 실시간 탐지(Robert et al., 2002; Picchiani et al., 2011) 또는 화산재 확산 경로 예측(Miller and Casadevall, 2000)과 같은 대기 중 화산재 관련 연구는 많이 진행되어 왔지만 지표면에 퇴적된 화산분출물 영역을 위성영상으로 탐지한 연구는 미비한 실정이다. 지표면에 퇴적된 화산재 퇴적량을 조사할 때는 주로 직접 측정하거나 소문 증거와 같은 인간 활동에 의해 추정되었지만 이는 넓은 지역을 직접 관측하는데 상당한 시간과 비용이 소용된다. 위성영상을 활용한다면 한번에 관측할 수 있는 지역의 범위가 증가하고 변화탐지 기법을 통해 효과적으로 탐지 가능한 장점이 있다. 또한, 기존 기상위성은 해상도가 낮기 때문에 화산재 구름 관측만 주로 활용되었지만 GOCI 센서는 해상도가 높기 때문에 퇴적물 연구에도 활용할 수 있다. 따라서 화산 분화의 피해지역을 산정하고 대응하기 위하여 위성자료를 활용하여 화산재 퇴적 지역을 검출하는 안에대한 연구가 필요하다. 이 연구에서는 천리안위성 GOCI 센서의 근적외선 채널을 이용하여 화산재퇴적 지역을 효과적으로 탐지하는 방법을 연구하였다. 

2. 연구지역 및 자료

1) 연구지역

아소산은 일본 남부지역의 규슈 중앙부 구마모토현에 위치하고 있으며(33°43′N, 131°05′E), 고도는 1592 m로 네코(Neko), 타카(Taka), 나카다케(Nakadake 또는 NakaDake), 에보시(Eboshi), 키시마(Kishima) 총 5개의 화구로 형성되어 있다. 아소산 관련 기록에 의하면 864년 11월에 화산폭발지수(Volcanic Explosivity Index, VEI) 3으로 첫 분화하였으며 가장 최근 분화는 2016년 10월 7일 분화(VEI 3)로 현재까지 약 150여회의 분화이력을 가지고 있다(Global Volcanism Program, 2013). 1979년 중반에서 1980년 초반까지 빈번하게 분출하였으며 많은 양의 화산재와 가스가 분출되어 광범위한 지역으로 퍼졌다(Kanda et al., 2008). 아소산 서부에 위치한 나카다케(Nakadake 또는 Naka-Dake) 분화구는 1993년 이후 현재까지 7번 이상 분화하여 활발한 활동을 하고 있다. 칼데라 중심에서는 연평균 1.2 cm의 침강이 관측되어 지하에 다양한 형태의 마그마 소스가 있는 것으로 예측된다(Nobile etal., 2014). 가장 최근 분화인 2016년 10월 7일 분화에서는 11 km까지 분연주 높이가 관측되었고 북동부 방향으로 10 km 떨어진 도심 지역에 화산재가 덮여 피해가 발생하였다.

OGCSBN_2018_v34n6_4_1519_f0001.png 이미지

Fig. 1. GOCI RGB imagery of October 10, 2016 after Mt. Aso eruption on October 7.

2) 자료

우리나라 최초의 정지궤도 위성인 천리안위성(Communication, Ocean and Meteorological Satellite, COMS)은 36,000 km 상공에서 동일한 지역을 촬영하여 분화한 화산재의 이동방향이나 지표면에 화산분출물이 퇴적된 지역을 탐지할 수 있다. 특히, 해양관측위성 기반의 Geostationary Ocean Color Imager(GOCI) 센서는 하루에 8장씩 0시부터 7시(UTC)까지 한 시간 단위로 촬영되고 시간별 기상 상태에 따라 위성영상을 선택할 수 있어서 화산 분화 후에 관측이 용이하며 시간해상도가 높아 정기적인 관측자료를 이용한 관측이 가능하다. 이 연구에서는 2016년 10월 7일 16:40(UTS) 분화 이후 촬영된 2016년 10월 10일, 분화 전인 2015년 10월 7일 14시 영상을 활용하였다. 해양위성센터(Korea Ocean Satellite Center, KOSC)에서 자료를 취득하였으며(https://kosc.kiost.ac.kr/), GOCI 채널의 특성은 able 1과 같다.

Table 1. Characteristics of GOCI spectral bands (Ryu et al., 2012)

OGCSBN_2018_v34n6_4_1519_t0001.png 이미지

화산 분화 시에는 이산화황, 이산화탄소, 수증기 등의 화산가스와 화산분출물이 함께 분출되어 지표면에 퇴적되거나 대기에 방출된다. 지표면에 화산재가 퇴적된 경우에는 분화 이전과 분화 이후의 위성영상에서 지표면의 반사도 값의 차이가 나타날 수 있다. GOCI 영상의 분광대역 별로 화산재가 퇴적된 지역의 반사도 값을 Fig. 2에 도시하였다. 분화 이전과 이후의 차이가 가장 크게 나타나는 7, 8번 밴드의 근적외선 파장대역이 사용되었다.

OGCSBN_2018_v34n6_4_1519_f0002.png 이미지

Fig. 2. Spectral profile of band 1 to 8

근적외선 파장대역은 유문암, 안산암, 현무암과 같은 화산암석을 구성하는 규산염 성분을 흡수하여 지표면을 광학적 특징으로 구분할 수 있어 영상의 밝기값(Brightness Temperature)으로 화산재를 탐지할 수 있다(Shi and Wang, 2011; Ishimoto et al., 2016). 분화 이후 화산재가 퇴적된 위성영상(2016년 10월 10일 14시)과 분화 이전 영상을 비교하기 위해 계절적 영향이 유사한 2015년 10월 7일 14시 영상의 8번 밴드를 활용하였다(Fig. 3).

OGCSBN_2018_v34n6_4_1519_f0003.png 이미지

Fig. 3. GOCI band 8 images before (October 7, 2015), and after (October 10, 2016) ASO volcano eruption.

도쿄화산재주의보센터(VolcanicAshAdvisoriesCenter,VAAC)의 화산재 주의보 전문에 의하면 아소산은 분연주 높이 11,100 m로 분화하여 북동 방향으로 40 kt의 속도로 화산재가 이동할 것으로 예보되었으며 분화 이후의 GOCI 영상에서 북동 방향으로 화산재가 지표면에 퇴적된 것을 육안으로 확인하였다. 또한 위성영상으로 탐지된 화산재 퇴적영역과 관측 자료를 비교하기 위해 후쿠오카 관구 기상대 지역 화산 감시·경보센터에서 보고한 아소산의 화산활동 자료(阿蘇山火山活動解解說資料)를 활용하였다. 보고자료는 일본 국토지리원, 교토대학, 규슈대학, 방재과학기술연구소, 아소산 화산 박물관의 데이터를 이용하여 작성되었고 일본 기상청 홈페이지에서 확인할 수 있다(Japan Meteorological Agency,2016). 일본 기상청의 관측 보고서에는 화산분출물의 퇴적영역이 Fig. 4와 같이 100 g/m2 이상인 지역, 10 g/m2 이상 100 g/m2 이하 그리고 0 g/m2 이상 10 g/m2 미만의 구역으로 구분하였지만 위성영상과 육안분석을 바탕으로 100 g/m2 이상 퇴적된 지역만 비교하였다

OGCSBN_2018_v34n6_4_1519_f0004.png 이미지

Fig. 4. Map of volcanic ash deposition area modified from JMA report (Japan Meteorological Agency,2016).

3. 연구방법

화산 분화 후 지표면에 퇴적된 화산 분출물 영역을 탐지하기 위해 변화탐지기법을 사용하였다. 변화탐지 기법은 시간에 따른 위성영상의 분광적 특성의 차이점을 식별하는 과정으로 다양한 응용 분야에 활용되고 있다(Kusetogullari and Yavariabdi, 2018). 원격탐사 분야에서 변화탐지 기법은 변경되거나 변경되지 않은 픽셀을 구분하기 위해 활용하며 자료의 상태에 따라 감독 또는 무감독 분류로 진행할 수 있다. 감독분류는 학습되는 방법에 기반을 두고 분류 과정에 적합한 트레이닝 자료가 필요하다는 제한점이 있다(Celik, 2009). 따라서, 이 연구에서는 분화 이전과 이후의 위성영상에 무감독 변화탐지를 위한 주성분 분석(PCA)과 영상 차분에 의한 통계적 임계값 설정 방법(Statistic threshold method)을 적용하였다. 또한 각 산출된 결과에 필터링 기법을 적용하여 퇴적 영역을 분류하였다. 먼저 Dilation과 Erosion 필터링을 수행한 후 Closing과 Opening 필터링 기법을 다음 단계로 진행하였다(Raja et al., 2002). 이러한 형태학적 필터링(Morphological Filtering)을 적용한 경우와 적용하지 않은 경우를 비교하여 가장 효율적인 화산재 퇴적 지역 탐지 기법을 확인하였다. 연구 흐름도는 Fig. 5에 나타낸 것과 같다.

OGCSBN_2018_v34n6_4_1519_f0005.png 이미지

Fig. 5. Flow chart of the processing adopted in this study. PCA and Statistic threshold method are used depending on the processing methods. Then, morphological filtering (Eroded, Opening, Dilation, and Closing) is processed when filtering is Next, it depends on whether filtering is applied.

1) 전처리 과정

연구에서 사용된 GOCI L1B radiance 자료를 반사도로 변환하기 위해 KOSC에서 개발한 GOCI Data Processing System(GDPS)을 활용하였다. 대기보정 도구로는 ENVIFLAASH(Fast Line-of-sightAtmosphericAnalysis of Spectral Hypercubes)를 사용하였다(Shin et al., 2014). 에어로졸 모델은 rural 모델을 사용하였으며 대기모델은 화산 분화 시기인 10월에 맞는 U.S. standard model로 입력하였다. 또한 연구 지역인 아소산 주변 지표 신호만을 관측하기 위해 구름 및 바다 지역을 스킹(masking)하였다. 구름 및 바다 마스킹 알고리즘은 KOSC에서 제공하는 GDPS를 사용하였으며, 추가적으로 Otsu 알고리즘(Otsu, 1979)을 이용하여 히스토그램의 경계지점을 통해 획득한 임계값으로 구름 영역을 마스킹하였다.

2) 변화탐지를 위한 PCA 적용

변화탐지를 위한 주성분 분석은 다중 스펙트럼의 원격탐사 영상 전처리에 일반적으로 사용된다(Singh,1989). 주성분 분석은 데이터의 패턴을 찾는 방법 중 하나로 영상에서 의미 있는 축을 찾는 과정이라고 할 수 있다. 이 연구에서는 GOCI 근적외선 대역인 밴드 7, 8번에 PCA를 적용하여 화산재 퇴적 지역 탐지 결과를 산출하였다. ENVI transform 툴을 이용하여 PC 축 회전(forward PC rotation)을 수행한 결과 PC1축의 결과와 PC2의 결과를 각각 획득할 수 있다(Fig. 6). 상관관계가 높은 변수가 PC1축을 대표할 수 있으며 영상의 밝기 값에 의해 화산재 성분이 Fig. 6(b)의 PC2축 보다 Fig. 6(a)의 PC1축에서 뚜렷하게 나타났다.

OGCSBN_2018_v34n6_4_1519_f0006.png 이미지

Fig. 6. The processed imageries of PCA. Principal components were analysed by forward PC rotation of the ENVI transform in 7 and 8 bands before and after volcanic eruption. (a) PC1, and (b) PC2.

3) 변화탐지를 위한 Statistic threshold method 적용

임계값을 이용한 영상 분류법은 하나의 영상에 하나의 임계값을 적용하는 global thresholding 기법과 같은 영상 내에서 영역별로 서로 다른 임계값을 적용하는 local thresholding 기법으로 나뉜다(Leedham et al., 2003). 주로 하나의 영상에서 배경 객체와 목표 객체를 구별하기 위해서는 단일 임계값을 사용하여 구분할 수 있다(Senthilkumaran and Vaithegi, 2016). 이 연구에서는 배경객체인 지표면과 목표 객체인 화산재 퇴적 지역을 분류하기 위해 GOCI 근적외선 대역인 8번 밴드를 사용하여 화산 분화 전과 후의 차분 영상(Difference map)에 통계적 임계값 설정 방법(Statistic threshold method)을 적용하였다. 육안으로는 화산재 퇴적 지역의 존재만 확인할 뿐 분류하기 어렵지만 영상에서 변화탐지 기법을 통해 변화 지역을 탐지할 수 있다. Fig. 7(a)와 (c)는 화산 분화 후 GOCI 영상에서 대기보정과 같은 전처리가 완료된 밴드 8 반사도 영상과 히스토그램이고 Fig. 7(b)와 (d)는 분화 이전과 이후 영상을 차분한 결과와 히스토그램이다. 각각의 히스토그램을 확인해보면 Fig. 7(c)의 경우 반사도 값으로 화산재 퇴적지역을 분류하기 어렵고, Fig.7d)의 경우에는 영 차분 후 0부터 11까지의 변화 단계에 따라 픽셀 값이 구분됨을 확인 할 수 있다.

OGCSBN_2018_v34n6_4_1519_f0007.png 이미지

Fig. 7. The change detection processed by the difference map. (a) The band 8 of the pre-processed GOCI imagery, and (b) the image difference map before and after the ASO volcano eruption. (C) and (d) are histograms of each image.in 7 and 8 bands before and after volcanic eruption. (a) PC1, and (b) PC2.

4) K-means clustering

화산 분화로 인해 지표면에 퇴적된 화산재 영역을 위성영상에서 분류하기 위해서는 정의되지 않은 속성 값을 자동 분류하여 클러스터링 하는 과정이 필요하다. 영상 분할(segmentation)은 영상 및 비디오 또는 컴퓨터 응용프로그램에서 사용되는 기본적인 프로세스로 영상을 별도의 영역으로 분리하거나 분할하여 주로 사용된다(Senthilkumaran and Vaithegi, 2016). 이 연구에서 사용된 K-means 클러스터링은 무감독 분류의 기본 알고리즘으로 주로 패턴인식, 데이터 마이닝, 영상 처리와 같이 데이터 분석 시 사용되며 유사 스펙트럼 대역에서의 객체를 분석하는 원격 탐사 분야에 유용하다(Lv et al.,2010). 지표 성분을 알 수 없는 위성영상에서 화산재를 분류하기 위해 상용프로그램인 ENVI를 사용하여 3개의 속성 클래스와 5%의 오차 비율로 파라미터를 지정하였다. 그 결과에 형태학적 필터링을 적용한 결과와 적용하지 않은 결과에 클러스터링을 적용하여 클래스별로 분류하였다. 최종적으로 분류된 클래스를 통해 화산재 퇴적 지역을 검출하고 현장 관측 자료와 일치하는 비율과 화산재가 퇴적되지 않은 지역에서 화산재로 오탐지된 비율을 추출하였다.

4. 연구결과

아소산 분화로 지표면에 퇴적된 화산재 지역을 탐지한 결과로 주성분 분석의 클러스터링된 경우와 형태학적 필터링 적용 결과, 통계적 임계값 설정 방법으로 산출한 결과의 클러스터링 결과와 이에 형태학적 필터링을 적용한 결과를 Fig. 8에 나타내었다. 각 영상의 속성값에 따라 클래스가 자동으로 분류되었으며 Fig. 8(c)의 경우에만 2개의 클래스로 분류되었고 나머지는 모두 3개의 클래스로 구분되었다

OGCSBN_2018_v34n6_4_1519_f0008.png 이미지

Fig. 8. The result of unsupervised classification after volcanic ash detection by processed imageries. (a) Applying PCA, (b) Morphological filtering after applying PCA, (c) Applying statistic threshold method, (d) Morphogical filtering after statistic threshold method, and the solid line shows a range of over 100 g/m2 of the JMA report.

각 클래스의 정확한 속성 정보는 알 수 없지만 위성영상의 밝기 값은 지표 성분에 따라 차이가 나타나고 이를 기반으로 적용된 프로세스와 필터링 등의 과정을 거치면서 지표 성분이 단순해지며 차이가 나는 부분은 더욱 극대화된다. 이를 바탕으로 현장 관측결과와 비교했을 때 클래스 3의 영역이 화산재의 분포 지역과 가장 유사하였다. 따라서 Fig. 8의 각 그림 중 클래스 3의 영역과 현장 관측 자료의 화산분출물 100 g/m2 이상인 영역을 비교하였으며 일치율을 통계적으로 추출하였다. 화산재가 퇴적된 지역과 화산재가 퇴적되지 않은 지역에 화산재로 탐지된 오차율을 Table 2에 표기하였다.

Table 2. Detection rate of volcanic ash deposition and non-deposited region (unit: %)

OGCSBN_2018_v34n6_4_1519_t0002.png 이미지

형태학적 필터링을 적용하지 않은 경우 주성분 분석은 81.71%(Fig. 8(a)), 통계적 임계값 설정 방법은 93.09%(Fig. 8(c))로 나타났으며 필터링을 적용한 경우 주성분 분석 결과 78.13%(Fig. 8(b)), 통계적 임계값 설정 방법은 84.01%(Fig. 8(d))로 탐지되었다. 따라서 이 연구에서 근적외선 파장대역의 위성영상을 활용하여 화산재가 지표면에 퇴적된 영역을 탐지하기 위해서는 주성분 분석보다 통계적 임계값 설정 방법이 더 높은 일치율로 탐지 되었다. 하지만 형태학적 필터링을 적용하지 않은 경우에 화산재가 퇴적되지 않은 지역에서 화산재로 오탐지된 비율이 40%이상으로 나타났다. 반면, 필터링을 적용한 경우에는 화산재 퇴적 지역 외의 화산재 오탐지 비율은 약 4%로 오차가 35%이상 감소하였다. 또한 주성분 분석을 진행한 경우에도 필터링을 적용하면 약 4% 정도 화산재 탐지 비율이 감소하였지만 오탐지 비율은 약 6% 감소하였다. 결과적으로 화산재 퇴적 지역 탐지를 위해서 화산 분화 이전과 이후의 위성영상을 활용하여 통계적 임계값 설정 방법과 형태학적 필터링을 함께 적용한 결과(Fig. 8(d))가 현장 관측 결과와 가장 일치율이 높게 나타났으며 약 380 km2의 화산재 퇴적 지역을 탐지하였다.

5. 결론 및 토의

이 연구에서는 2016년 일본 규슈지방의 아소산이 분 연주 높이 11 km(VEI 3)로 분화한 건의 피해지역을 탐지하는데 위성영상을 활용하였다. 위성영상을 활용한 화산재 연구에는 여전히 한계점이 존재한다. 우선 실시간으로 분화한 화산재 구름을 탐지하거나 기류에 따른 화산재 확산 경로를 예측하는 것이 주를 이루는데 이러한 경우에는 분화 시기의 대기 영향을 많이 받는다. 지표면의화산재 퇴적 지역탐지는 분화 후 구름의 영향이 적은 날을 선택할 수 있으며 상대적으로 대기보정의 오차율을 줄일 수 있다. 하지만 영상으로 산출한 결과를 검증하기 위해서는 실측 자료가 필요하며 이 연구에서는 일본기상청의 관측 보고서를 활용하였지만 국외 다른 화산의 경우 관측 자료를 획득하기 어려운 한계가 있다. 또한 영상 처리 과정에서 화산재 퇴적 지역만을 구별하기 위해 형태학적 필터링을 적용하는데 보통 전체 영상에서 하나의 임계값을 찾기 어렵고 경험적으로 결정한다면 분화한 후의 영상이 달라지기 때문에 매번 재분석해야 하는 한계점이 있다(Lefevre and Weber, 2007). 이와 같은 여러 한계점에도 불구하고 위성영상을 활용한 화산재퇴적지역 탐지는 화산 분화 시 화산분출물로 인한 재난지역을 선포하거나 광대한 피해면적을 산출하기 위해서는 필요한 원격탐사 활용 기법 중 하나이다. 이를 통해 접근이 위험한 활화산 지대뿐 아니라 화산 분화 전·후로 그 주변을 효과적으로 모니터링하는 체계를 마련할 수 있을 것이다.

신속한 정보 제공을 위해서는 화산재 확산 영역 및 화산재 퇴적 영역이 실시간으로 산출되어야 한다. 따라서 추후에는 위성영상뿐만 아니라 도쿄 화산재주의보센터에서 활용하고 있는 RATM(Regional Atmospheric Transport Model) 기반의 화산재 낙하 예측(Volcanic Ash Fall Forecast, VAFF) 시스템과 함께 활용할 수 있도록 화산재 확산 모델 개발 연구도 필요할 것으로 판단된다.

사사

이 연구는 기상청 “수치예보·지진 업무 지원 및 활용연구” 과제의 일환으로 수행되었습니다.

References

  1. Celik, T., 2009. Unsupervised change detection in satellite images using principal component analysis and k-means clustering, IEEE Geoscience and Remote Sensing Letters, 6(4): 772-776. https://doi.org/10.1109/LGRS.2009.2025059
  2. Choi, Y. H., W. J. Lee, S. C. Park, J. Sun, and D. K. Lee, 2017. Retrieving Volcanic Ash Information Using COMS Satellite (MI) and Landsat-8 (OLI, TIRS) Satellite Imagery: A Case Study of Sakurajima Volcano, Korean Journal of Remote Sensing, 33(5): 587-598 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.1.11
  3. Corradini, S., C. Spinetti, E. Carboni, C. Tirelli, M.F. Buongiorno, S. Pugnaghi, and G. Gangale, 2008. Mt.Etna tropospheric ash retrieval and sensitivity analysis using moderate resolution imaging spectroradiometer measurements, Journal of Application Remote Sensing, 2(1): 023500.
  4. Di Bello, G., C. Filizzola, T. Lacava, F. Marchese, N. Pergola, C. Pietrapertosa, S. Piscitelli, I. Scaffidi, and V. Tramutoli, 2004. Robust satellite techniques for volcanic and seismic hazards monitoring, Annals of Geophysics, 47(1).
  5. Ellrod, G. P., B. H. Connell, and D. W. Hillger, 2003. Improved detection of airborne volcanic ash using multispectral infrared satellite data, Journal of Geophysical Research: Atmospheres, 108: D12.
  6. Global Volcanism Program(GVP), 2013. The Smithsonian Institution's Global Volcanism Program (GVP), http://volcano.si.edu/, Accessed on Oct. 12, 2018.
  7. Ishimoto, H., K. Masuda, K. Fukui, T. Shimbori, T. Inazawa, H. Tuchiyama, K. Ishii, and T. Sakurai, 2016. Estimation of the refractive index of volcanic ash from satellite infrared sounder data, Remote sensing of environment, 174: 165-180. https://doi.org/10.1016/j.rse.2015.12.009
  8. Japan Meteorological Agency (JMA), 2016. Volcanic activity explanation material, http://www.jmanet. go.jp/fukuoka/, Accessed on Oct. 12, 2018.
  9. Kanda, W., Y. Tanaka, M. Utsugi, S. Takakura, T. Hashimoto, and H. Inoue, 2008. A preparation zone for volcanic explosions beneath Nakadake crater, Aso volcano, as inferred from magnetotelluric surveys, Journal of Volcanology and Geothermal Research, 178(1): 32-45. https://doi.org/10.1016/j.jvolgeores.2008.01.022
  10. Korea Ocean Satellite Center (KOSC), 2015. Data Access, http://kosc.kiost.ac.kr/, Accessed on Oct. 11, 2018.
  11. Krotkov, N.A., O. Torres, C. Seftor, A.J. Krueger, A. Kortinski, W.I. Rose, G.J.S. Bluth, D. Schneider, and S.J. Schaefer, 1999. Comparison of TOMS and AVHRR vocanic ash retrievals from the August 1992 eruption of Mt.Spurr, Geophysical Research Letters, 26(4): 455-458. https://doi.org/10.1029/1998GL900278
  12. Kusetogullari, H. and A. Yavariabdi, 2018. Unsupervised Change Detection in Landsat Images with Atmospheric Artifacts: A Fuzzy Multiobjective Approach, Mathematical Problems in Engineering, 2018: 7274141.
  13. Lee, S. K., G. H. Ryu, E. H. Hwang, J. K. Choi, and C. W. Lee, 2014. Predicting the extent of the volcanic ash dispersion using GOCI image and HYSPLIT model-A case study of the 17 Sep, 2013 eruption in SAKURAJIMA volcano, Korean Journal of Remote Sensing, 30(2): 303-314 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.2.12
  14. Leedham, G., C. Yan, K. Takru, J. H. N. Tan, and L. Mian, 2003. Comparison of some thresholding algorithms for text/background segmentation in difficult document images, Proc. of 2003 The 7th International Conference on Document Analysis and Recognition (ICDAR'03), Edinburgh, Scotland, Aug. 3-6, vol. 2, pp. 589-864.
  15. Lefevre, S. and J. Weber, 2007. Automatic building extraction in VHR images using advanced morphological operators, Proc. of IEEE/ISPRS Joint Workshop Remote Sensing and Data Fusion over Urban Areas, Paris, Apr. 11-13, pp. 1-5.
  16. Lv, Z., Y. Hu, H. Zhong, J. Wu, B. Li, and H. Zhao, 2010. Parallel K-means clustering of remote sensing images based on MapReduce, Proc. of International Conference on Web Information Systems and Mining (WISM '10), Berlin, Heidelberg, Oct. 23-24, pp. 162-170.
  17. Miller, T.P. and T.J. Casadevall, 2000. Volcanic Ash Hazards to Aviation, In: Sigurdsson, H., Houghton, B.F., McNutt, S.R., Rymer, H., Stix, J. (Eds.), Encyclopedia of Volcanoes, Academic Press, San Diego, USA, pp. 915-930.
  18. Nobile, A., S. Pepe, J. Ruch, D. Trippanera, F. Casu, R. Castaldo, P. Tizzani, Y. Aoki, N. Geshi, V. Acocella, E. Sansosti, V. Siniscalchi, S. Borgstrom, and S. Zoffoli, 2014. Caldera deformation in Kyushu Island (SW Japan) through InSAR data, Proc. of European Geosciences Union (EGU) General Assembly 2014, Vienna, Apr. 27-May 2, vol. 16.
  19. Otsu, N., 1979. A threshold selection method from gray level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66. https://doi.org/10.1109/TSMC.1979.4310076
  20. Picchiani, M., M. Chini, S. Corradini, L. Merucci, P. Sellitto, F. Del Frate, and S. Stramondo, 2011. Volcanic ash detection and retrievals using MODIS data by means of neural networks, Atmospheric Measurement Techniques, 4: 2619-2631. https://doi.org/10.5194/amt-4-2619-2011
  21. Raja, J., B. Muralikrishnan, and S. Fu, 2002. Recent advances in separation of roughness, waviness and form, Precision Engineering, 26(2): 222-235. https://doi.org/10.1016/S0141-6359(02)00103-4
  22. Robert, W., F. Luke, G. Harold, H. Andrew, and P. Eric, 2002. Automated volcanic eruption detection using MODIS, Remote Sensing of Environment, 82: 135-155. https://doi.org/10.1016/S0034-4257(02)00030-5
  23. Ryu, J. H., H. J. Han, S. Cho, Y. J. Park, and Y. H. Ahn, 2012. Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS), Ocean Science Journal, 47(3): 223-233. https://doi.org/10.1007/s12601-012-0024-4
  24. Senthilkumaran, N. and S. Vaithegi, 2016. Image segmentation by using thresholding techniques for medical images, Computer Science & Engineering: An International Journal, 6(1): 1-13. https://doi.org/10.5121/cseij.2016.6101
  25. Shi, W. and M. Wang, 2011. Satellite observations of environmental changes from the Tonga volcano eruption in the southern tropical Pacific, International Journal of Remote Sensing, 32(20): 5785-5796. https://doi.org/10.1080/01431161.2010.507679
  26. Shin, J. S., W. Park, and J. S. Won, 2014. A Study of Tasseled Cap Transformation Coefficient for the Geostationary Ocean Color Imager (GOCI), Korean Journal of Remote Sensing, 30(2): 275-292 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.2.10
  27. Singh, A., 1989. Review article digital change detection techniques using remotely-sensed data, International Journal of Remote Sensing, 10(6): 989-1003. https://doi.org/10.1080/01431168908903939

Cited by

  1. 다목적실용위성 영상 활용 vol.37, pp.6, 2021, https://doi.org/10.7780/kjrs.2021.37.6.3.1