위성 고도계는 30년 동안 지속적으로 전 지구 대양에서 해수면고도를 관측하고 있으며, 전 지구 평균 해수면의 상승에 대한 명확한 근거를 제시하였다. 지역적인 해역에서 해수면고도의 시공간 변동성을 연구하기 위해서는 정확한 관측 자료가 필수적으로 요구된다. 본 연구에서는 외해에 위치한 이어도 해양과학기지 관측자료를 활용하여 인공위성(Envisat, Jason-1, Jason-2, SARAL, Jason-3, Sentinel-3A/B) 고도계 관측 해수면고도를 비교 검증하였다. 위성별 해수면고도 편차와 평균제곱근오차는 각각 1.58-4.69 cm와 6.33-9.67 cm를 나타냈다. 위성-이어도 일치점 거리가 멀어질수록 위성 해수면고도 관측 오차가 현저히 증폭되었다. 이어도 해양과학기지 관측 해수면고도를 조석 주기에 대해 조화분해 하였으며 대기압 자료를 활용하여 역기압효과를 계산하여 위성 고도계 자료의 조석 및 대기 효과 보정을 검증하였다. 한반도 주변 해역에서 위성 해수면고도 자료의 정확한 조석 보정을 위해서는 위성에 활용되는 조석 자료의 정확도 향상이 필요함을 확인하였다.

고밀도 도심지의 열섬현상이 도시 기온을 더 높이고 있으며 이로부터 대기오염 악화, 냉방 에너지 소비 증가 및 온실가스 배출 증대와 같은 부정적 영향들이 발생한다. 녹지의 추가 확보가 어려운 도시 환경에서 옥상녹화는 효율적인 온실가스 감축 전략이다. 본 연구에서는 열섬현상 현황 분석에서 더 나아가 고해상도 위성자료 및 공간정보를 활용하여 연구 지역 내 옥상녹화 가용면적 산정 후 옥상녹화가 가져오는 온도 분포 예측을 통한 열섬현상 완화도 및 이산화탄소 흡수량 평가를 수행하였다. 이를 위해 WorldView-2 위성자료를 활용하여 부산시 도시열섬 지역의 기존 토지피복을 분류하고 머신러닝 기법을 적용하여 옥상녹화 전 후 온도 분포 예측 모델을 개발하였다. 옥상녹화 면적 변화에 따른 열섬현상 완화도를 평가하기 위해 랜덤포레스트 기법을 통해 온도가 종속변수인 온도 분포 예측모델을 구축하였고, 이 과정에서 랜덤포레스트 모델의 훈련자료로 사용될 고해상도 지표 온도 도출을 위해 Google Earth Engine을 활용하여 Landsat-8과 Sentinel-2 위성자료를 융합하는 다중회귀모델을 적용하였다. 또한, 옥상녹화용 초본식생별 이산화탄소 흡수량을 기반으로 녹화 면적에 따른 이산화탄소 흡수량을 평가하였다. 연구 결과를 통해 개발된 위성자료 활용 도시 열섬현상 평가 및 랜덤포레스트 모델 기반 온도 분포 예측 기술은 도시열섬 취약 지역에 확대 적용이 가능할 것으로 기대된다.

함경북도 무산군에 위치한 무산 광산은 한반도의 대표적인 노천 철 광산으로 1935년부터 본격적인 채광이 이루어졌다. 본 연구에서는 지난 백 여년 동안 무산 광산 지역에서 발생한 채광량 및 적치량을 지형 고도의 변화를 통해 추정하고자 하였다. 광산의 부피 변화를 계산하기 위해 1918년에 발행된 1:200,000 축척의 조선 제3차 지형도를 디지타이징(digitizing)하여 digital elevation model (DEM)화한후, Shuttle Radar Topography Mission (SRTM) DEM (2000) 및 Copernicus DEM (2011-2015)과 비교하였다. 구해진 부피 변화에 철광석과 폐석의 밀도와 공극률을 가정하여 질량으로 환산한 결과, 백 년 동안 약 13억 7천만 톤의 철광석이 채광되었고 약 10억 6천만 톤의 폐석이 적치된 것으로 나타났다. 본 연구는 무산 광산이 본격적으로 개발되기 이전의 자연 지형 자료를 사용함으로써 약백년 가량의 무산 광산의 활동을 정량적으로 산정했다는 데 의의가 있으며, 향후 자료 획득이 제한된 북한의 장기적 지형변화 탐지에 도움이 될 것으로 기대된다.

Multi-temporal optical images have been utilized for time-series monitoring of croplands. However, the presence of clouds imposes limitations on image availability, often requiring a cloud removal procedure. This study assesses the applicability of various machine learning algorithms for effective cloud removal in optical imagery. We conducted comparative experiments by focusing on two key variables that significantly influence the predictive performance of machine learning algorithms: (1) land-cover types of training data and (2) temporal variability of land-cover types. Three machine learning algorithms, including Gaussian process regression (GPR), support vector machine (SVM), and random forest (RF), were employed for the experiments using simulated cloudy images in paddy fields of Gunsan. GPR and SVM exhibited superior prediction accuracy when the training data had the same land-cover types as the cloud region, and GPR showed the best stability with respect to sampling fluctuations. In addition, RF was the least affected by the land-cover types and temporal variations of training data. These results indicate that GPR is recommended when the land-cover type and spectral characteristics of the training data are the same as those of the cloud region. On the other hand, RF should be applied when it is difficult to obtain training data with the same land-cover types as the cloud region. Therefore, the land-cover types in cloud areas should be taken into account for extracting informative training data along with selecting the optimal machine learning algorithm.

논·밭 전환 시 수수(sorghum bicolor L. Moench)는 뛰어난 내습성으로 콩과 함께 안정적인 생산이 가능하여 국내 식량작물의 자급률 향상과 쌀 수급 불균형 문제를 해결할 수 있을 것으로 기대되는 작물이다. 그러나 수량 추정을 위한 재배면적과 같은 기본적인 통계조사는 많은 인력을 투입하여도 오래 걸리는 전통적인 조사 방식으로 인해 잘 이루어 지지 않고 있다. 이에 따라 본 연구에서는 무인기 기반 RGB 영상에 U-Net을 적용하여 수수 재배지 비파괴적 분할가능성을 확인하였다. 2022년에 7월 28일, 8월 13일, 8월 25일에 각각 영상이 취득되었다. 각 영상취득 날짜에서 512 × 512 영상크기로 훈련데이터셋 6,000장과 검증데이터셋 1,000장으로 나누어 학습을 진행하였으며 수수 농경지(sorghum), 벼와 콩 농경지(others)와 비 농경지(background)로 구성된 세 개 클래스와 수수 농경지와 배경(others+background)으로 구성된 두 개 클래스 기반으로 분류모델을 개발하였다. 모든 취득 날짜에서 세 개 클래스 기반 모델에서는 수수 재배지 분류 정확도가 0.91 이상으로 나타났지만 8월 데이터셋의 others 클래스에서 학습 혼동이 일어났다. 대조적으로 두 개 클래스 기반 모델에서는 8월 데이터셋의 안정적인 학습과 함께 모든 클래스에서 0.95 이상의 정확도를 나타내었다. 결과적으로 8월에 두개클래스 기반 모델을 현장에 재현하는 것이 수수 재배지 분류를 통한 재배면적 산출에 유리할 것으로 판단된다.

갯벌 퇴적물 성분의 분포 특성은 연안환경 분석, 환경영향평가에서 기초자료로 활용되기 때문에 신뢰성 높은 갯벌 표층 퇴적상 분포도를 제작하는 것은 매우 중요하다. 이 연구에서는 갯벌 퇴적상 분포도를 생성하기 위해 회귀 크리깅(regression kriging)의 적용성을 평가하였다. 이를 목적으로, 갯벌 표층 퇴적상 분류 과정에서 현장조사 자료의 수, 부가자료의 종류, 회귀 크리깅에 적용되는 회귀 모형의 영향과 다른 예측 기법(단변량 크리깅, 회귀 분석)과의 비교와 같은 다양한 요인의 영향을 조사하였다. 회귀 크리깅의 적용성 평가를 위해, 우리나라 태안군 안면도에 위치한 황도 갯벌을 대상으로 무인기 자료를 이용한 사례 연구를 수행하였다. 사례연구 결과, 신뢰성 높은 갯벌 표층 퇴적상 분포도를 제작하기 위해서는 적절한 수의 현장조사 자료 확보와 함께 지형 고도와 조류로 밀도도를 부가자료로 이용하는 것이 가장 중요한 것으로 나타났다. 또한 초고해상도 무인기 자료를 이용하여 퇴적물 분포의 상세한 특성을 고려할 수 있는 회귀 크리깅이 다른 기법과 비교해서 예측 성능이 가장 우수한 것으로 나타났다. 이러한 연구 결과는 갯벌 표층 퇴적상 분포도 제작에 가이드라인으로 활용될 수 있을 것으로 기대된다.

본 연구에서는 Pandora spectrometer system의 태양 직달광 관측 자료로부터 차등흡수분광법(differential optical absorption spectroscopy, DOAS)을 이용하여 포름알데히드(formaldehyde)의 경사칼럼농도(slant column density, SCD)를 산출할 때 스펙트럼 피팅(spectrum fitting) 파장 구간 및 흡수단면적이 산출에 미치는 영향을 조사하였다. 2022년 10월 12일에서 31일까지 서울 연세대학교에서 관측한 Pandora Level 1 자료를 사용하였다. The second Cabauw Intercomparison campaign for Nitrogen Dioxide measuring Instruments (CINDI-2)에서 사용하는 스펙트럼 피팅 파장 구간을 포함한 8가지 범위 및 흡수단면적 구성 7종을 기반으로 포름알데히드 칼럼농도를 산출하였다. 스펙트럼 피팅 파장 구간은 8가지 범위 중 336.5-359.0 nm 구간에서 피팅 후 잔여 신호와 포름알데히드 산출 오차가 최소로 확인되었다. 흡수단면적 구성 7종 중 CINDI-2 캠페인에서 사용하는 흡수단면적에 이산화질소 흡수단면적(220 K)을 추가하여 사용한 경우에 피팅 후 잔여 신호와 포름알데히드 산출 오차가 가장 작았으며 포름알데히드 농도가 안정적으로 산출되었다. 산출 정확도가 가장 높은 경우의 평균 포름알데히드 경사칼럼농도와 그 외 조건들에서 산출된 값들은 최소 4%에서 최대 40%까지 차이를 보였다.

본 연구에서는 대류권 오존과 전구체인 nitrogen oxides (NOx), volatile organic compounds (VOCs)의 광화학반응 관계를 살펴보고자, Ozone Monitoring Instrument (OMI)와 TROPOspheric Monitoring Instrument(TROPOMI)의 nitrogen dioxide (NO₂), formaldehyde (HCHO), OMI/Microwave Limb Sounder (MLS) tropospheric column ozone (TCO), Airkorea 지상측정 ozone (O₃) 자료를 분석하였다. OMI 위성자료를 이용하여 2006년부터 2020년까지 장기 변화 경향을 살펴보면 TCO는 동북아시아 지역 전체적으로 증가하는 추세를 보였으며, NO₂는 꾸준히 감소하고 HCHO는 계속해서 증가하는 경향성을 보였다. 또한 오존 민감도의 지표인 formaldehyde nitrogen dioxide ratio (FNR)은 점점 증가하고 있으며, 이는 VOC-limited 영역이 감소하고 있음을 의미한다. 본 연구는 한국 지역 오존의 지속적인 증가 원인을 밝히기 위해서 최근 4년 기간(2019~2022년)의 TROPOMI FNR과 지상 측정 O₃를 이용하여 국내 오존 생성 민감도 분석을 진행하였다. 기존 선행연구들과 동일하게 국내 대도시 지역에서 VOC-limited 및 Transitional 영역이 나타났으며, 그 외에도 국내 주요 발전소가 위치한 지역에서 VOC-limited 영역이 나타났다. VOC-limited 영역, 즉 NOx가 과도하게 포화되어 있는 영역에서는 NOx 배출 감소가 오히려 적정 반응을 약화시켜 국내 오존 농도 증가를 유도했을 것으로 판단된다. 따라서 VOC-limited 영역이 나타나는 지역에서 오존 농도를 감소시키기 위해서는 NOx의 배출보다 단기적으로 VOC 배출을 감소시켜야 함을 시사한다.

크라우드소싱(crowdsourcing) 공간 데이터 활용 연구가 활발히 진행되고 있으나 데이터 품질의 불확실성으로 인한 문제점이 제기되고 있다. 특히 드론 영상 데이터셋에 품질이 낮은 데이터가 포함될 경우, 출력되는 공간 정보의 품질이 저하될 수 있다. 이를 위해 본 연구에서는 크라우드소싱된 영상의 기하학적 품질을 자동으로 검증하는 방법론을 제안하였다. 주요 품질 요소로는 영상의 공간해상도, 해상도 변화량, 매칭점 재투영 오차, 번들 조정 결과 등을 입력변수로 활용하였다. 공간 정보 생성에 적합한 영상을 분류하기 위해 학습 및 검증 데이터를 구축하고, radial basis function (RBF) 기반의 support vector machine (SVM) 모델로 학습을 진행하였다. 학습된 SVM 모델의 분류 정확도는 99.1%를 기록하였다. 품질 검증 모델 효과를 확인하기 위해 학습 및 검증에 사용하지 않은 드론 영상에 대하여 해당 모델을 적용하기 전후의 영상 데이터셋으로 각각 정사영상을 생성하고 비교하였다. 그 결과 모델 적용을 통하여 정사영상에 포함될 수 있는 다양한 왜곡을 줄이고 객체 식별력을 증대시키는 것을 확인하였다. 제안된 품질 검증 방법론은 다양한 품질의 크라우드소싱 데이터를 입력으로 받아 양질의 정보만을 자동 선별하게 함으로써 공간정보 생성에서의 활용 가능성을 증대시킬 것으로 기대한다.

집중호우 시 육상으로부터 다량으로 유입된 부유쓰레기는 사회, 경제적 및 환경적으로 악영향을 주고 있으나 집적 구역과 발생량에 대한 모니터링 체계는 미흡한 실정이다. 본 연구에서는 중부권 최대 상수원인 대청호를 대상으로 집중호우 시기에 하천 내로 유입되는 부유쓰레기의 효율적인 모니터링 방안과 현존량을 추정하기 위해 원격탐사 기법 적용 방안을 제안하였다. 대청호 수역에서 발생하는 부유쓰레기의 실태 조사를 위해 저궤도 위성통신 단말기가 탑재된 위치 추적 부이를 활용하여 이동 경로와 거동 특성을 파악하였으며, 드론 영상을 활용하여 부유쓰레기의 잠재적 집적 구역과 현존량을 추정하고자 하였다. 위치 추적 부이는 3일간 누적강우량이 200-300 mm 이상 증가하는 시기에 빠르게 이동하였다. 가장 긴 이동거리를 나타낸 호탄교의 경우 하루동안 약 72.8 km를 이동하였고 이때 최대 이동속도는 5.71 km/h를 나타냈다. 집중호우 이후 드론 영상을 활용하여 부유쓰레기의 현존량을 산출한 결과, 658.8-9,165.4 ton을 나타냈으며, 석호리 수역에서 가장 많이 발생하였다. 본 연구에서는 위치 추적 부이와 드론 영상을 통해 부유쓰레기 주요 집적 우심 구간을 파악할 수 있었으며, 전통적인 모니터링 방안보다 기동성, 신속성이 우수한 원격탐사 기반 모니터링 방법은 향후 집중호우 시기에 다량으로 유입되는 부유쓰레기의 수거, 처리 부담 비용을 절감하는데 기여할 수 있을 것으로 판단된다.

수문학, 기상학 및 농업과 같은 응용 분야에서 위성 기반 토양 수분 정보에 대한 관심이 높아지면서 다양한 해상도에서 토양수분도를 제작하는 방법의 개발과 사례 연구는 위성 정보 활용의 주요 주제 중 하나로 대두되고 있다. 이 연구는 Google Earth Engine (GEE)에서 제공하는 Sentinel-과 Sentinel-2 공개 자료를 적용하여 토양수분도 제작 결과를 예시하였다. 토양수분도는 synthetic aperture radar (SAR) 영상과 광학 영상과 융합하여 산출하였다. SAR 영상은 GEE에서 제공하는 Sentinel-1 위성의 후반 산란 계수 analysis ready data (ARD)자료와 Sentinel-2에서 계산한 정규식생지수와 함께 Environmental Systems Research Institute (ESRI)의 토지 피복자료를 사용하였다. 호주 빅토리아 주에 위치한 연구지역을 대상으로 토양수분도를 제작하였으며, 기존 연구에서 발표된 현장 측정값과 비교 분석하였다. 현장 측정값을 기준으로 실험 결과의 정확도를 비교한 결과로 결괏값은 기준 값과 4-10%p 차이를 보이는 유의미한 범위의 일치도를 보이고, 위성 기반 토양수분도와는 0.5-2%p의 높은 일치도를 보이는 것으로 나타났다. 따라서 지역의 지표 특성에 따라 고해상도의 토양수분도가 필요한 지역은 GEE를 통하여 제공되는 공개 자료와 이 연구에서 적용한 알고리즘으로 토양수분도의 제작이 가능할 것으로 생각한다.

본 연구에서는 Sentienl-1 C-band synthetic aperture radar (SAR) 자료를 활용해 토양의 동결-융해 상태 구분을 위한 지표상태인자(surface state factor, SSF)를 산정하고, 기온, 초상온도, 지중온도 관측 자료와 비교를 통해 SSF 구분의 정확도를 분석하였다. 분석을 위한 SAR 자료는 우리나라 중부지방에 대해 2017년부터 2020년까지 4년 동안 관측된 Sentinel-1B descending node 116장을 구축하였으며, 동 기간의 농촌진흥청 토양수분 관측 지점 23곳에 대한 시 단위 기온, 초상온도, 10 cm 지중온도 자료를 구축하고 Sentienl-1B 영상의 촬영시각과 인접한 06:00 am 자료를 활용해 분석하였다. 전체 관측소에 대한 평균 정확도와 F1-score는 기온이 각각 0.63, 0.47, 초상온도가 0.63, 0.48, 지중온도가 0.57, 0.21로 나타났다. 겨울철(12~2월) 자료에 대한 평균 정확도와 F1-score는 기온이 각각 0.66, 0.76, 초상온도가 0.67, 0.76, 지중온도가 0.47, 0.44로 나타났다. 겨울철 자료의 정확도 상승은그외 시기에서 발생하는 오류가 포함되지 않기 때문인 것으로 보인다.

시설물 상태평가는 시설물의 사용성을 평가하고, 진단 주기를 결정하는 중요한 과정이다. 현재 수행되고 있는 인력 기반 방법은 안전, 효율, 객관성에 대한 문제를 안고 있어 이를 개선하기 위해 영상을 이용한 딥러닝(deep learning) 기반의 연구가 수행되고 있다. 그러나 시설물 손상 데이터는 발견하기 어려워 다량의 시설물 손상 학습 데이터를 구축하기 어렵고, 이는 딥러닝 기반 상태평가에 한계로 작용한다. 본 연구에서는 영상 기반 시설물 상태평가의 학습 데이터 부족으로 인한 어려움을 개선하기 위해 파운데이션 모델(foundation model) 기반 2-step 시설물 손상 분석을 제시한다. 시설물 상태평가의 요소를 객체화와 정량화로 세분화하고, 정량화 단계에서 영상 분할(segmentation) 파운데이션 모델을 적용하였다. 본 연구의 방법은 기존 영상 분할 방법 대비 10% 포인트 이상 높은 mean intersection over union을 나타냈고, 특히 철근 노출의 경우에는 40% 포인트 이상의 성능 개선을 보였다. 본 연구의 방법이 학습 데이터 구축이 어려운 도메인에 성능 개선을 가져올 것이라 기대한다.

최근 지구관측 위성이 급격히 발전함에 따라 사용자의 수가 증가하고 있다. 이에 따라 지구관측위성위원회(Committee on Earth Observation Satellites, CEOS)에서는 분석준비자료(Analysis Ready Data, ARD)라는 개념을 제안하고 분석준비자료의 요구 조건을 CEOS ARD for Land (CARD4L)로 정의하여 사용자 친화적인 위성영상을 제공하기 위해 노력하고 있다. 분석준비자료에는 육상분석에 불필요한 픽셀이 식별된 마스크(Unusable Data Mask, UDM)가 영상과 함께 제공되어야 한다. UDM의 종류는 구름, 구름 그림자, 지형그림자 등이 있다. 지형그림자는 지형기복이 큰 산악지형에서 발생되며 지형그림자가 생긴 지역은 복사조도가 낮기 때문에 분석 결과에 오류를 야기시킨다. 기존 지형그림자 탐지연구는 지형그림자 보정을 위해 지형그림자 픽셀을 탐지하는데 목적을 두었지만, 이것은 지형보정 기법으로 대체 가능하다. 따라서 지형그림자 탐지 목적을 확장할 필요가 있다. 산림과 농업분석을 목적으로 한 차세대중형위성 4호(CAS500-4)의 활용을 위해 본 연구에서는 지형그림자 탐지 범위를 태양의 영향을 적게 받는 지역까지 확장하였다. 본 논문은 남북한을 대상으로 지형그림자 마스크 생성을 위해 지형그림자 탐지 가능성을 분석하는데 목적이 있다. 지형그림자 탐지를 위해서 태양의 위치, 지표면의 경사와 경사방향을 이용한 음영기복 알고리즘을 사용하였다. 한반도를 촬영한 5 m급 공간해상도의 RapidEye 영상과 10 m급 공간해상도의 Sentinel-2 영상들을 대상으로 참값과 비교하며 최적의 음영기복 임계값을 결정하였다. 결정된 임계값을 사용하여 지형 그림자 탐지를 수행하고 결과를 분석하였다. 정성적 결과로는 전체적으로 참값과의 형상이 유사함을 확인하였다. 정량적 실험결과는 F1 score가 대부분 0.8에서 0.94 사이인 것을 확인하였다. 본 연구 결과를 바탕으로 남북한을 대상으로 자동적인 지형그림자 탐지가 잘 수행됨을 확인하였다.

전 세계적으로 녹조 대발생은 빈번하게 보고되고 있으며, 국내에서도 매년 녹조로 인한 심각한 수질 오염 문제가 발생하고 있다. 지속적인 관리와 신속한 대응을 통한 수생태계 보호가 필요하다. 녹조 발생의 지표인 chlorophyll-a (Chl-a) 농도를 예측하기 위해 위성 영상을 이용한 연구가 많이 이루어지고 있다. 하지만 수계에 따라 변하는 분광특성과 대기 보정 오류로 인해 정확한 Chl-a 산출에 어려움이 있어 최근 머신러닝 모델을 활용하고 있다. 위성 분광지수 뿐만 아니라 녹조에 영향을 미치는 인자들에 대한 복합적인 고려가 필요하다. 따라서, 본 연구는 수질, 수문 및 기상 인자와 Sentinel-2 영상을 복합적으로 고려하여 데이터셋을 구축하였다. 최근 5년간 낙동강에 위치한 8개 보 구간의 Chl-a 농도 예측에 대표적인 앙상블 모델 random forest (RF)와 extreme gradient boosting (XGBoost)을 활용하였다. 모델 평가 지표로 r-squared score (R²), root mean square errors(RMSE), mean absolute errors (MAE)를 사용하였으며, XGBoost의 R²가 0.810, RMSE가 6.612, MAE가 4.457로 유의미한 결과를 얻은 것을 확인하였다. Shapley additive explanations (SHAP) 분석을 통해 두 모델 모두 수질 인자 suspended solids (SS), biochemical oxygen demand (BOD), dissolved oxygen (DO)과 red edge 밴드를 활용한 밴드비가 높은 중요도를 보인 것을 알 수 있었다. 다양한 입력 데이터는 모델 성능 향상에 도움을 주는 것을 확인할 수 있었으며, 국내외 녹조 탐지에 적용될 수 있을 것으로 보인다.

과일 나무의 생육을 평가하는 중요한 지표인 엽록소 함량을 추정하는데 비교적 많은 노동력의 투입이 요구되고 오랜 시간이 소요되는 기존의 파괴 조사 대신 비파괴적 조사 방식인 원격탐사기술을 적용하기 위한 연구가 시도되고 있다. 이 연구에서는 2년(2021, 2022) 간 무인기 기반의 초분광 영상을 이용하여 배나무 잎의 엽록소 함량을 비파괴적으로 추정하는 연구를 수행하였다. 영상 처리로 추출된 배나무 캐노피(canopy)의 단일 band 반사율은 시간 변화에 따라 불안정한 복사 효과를 최소화하기 위해 밴드비화(band rationing) 되었다. 밴드비(band ratios)를 입력 변수로 머신러닝 알고리즘인 elastic-net, k-nearest neighbors (KNN)과 support vector machine을 사용하여 추정(calibration, validation) 모델들을 개발하였다. Full band ratios 기반 추정 모델들의 성능과 비교하여 계산 비용 절감과 재현성 향상에 유리한 key band ratios를 선정하였다. 결과적으로 모든 머신러닝 모델에서 full band ratios를 이용한 calibration에 coefficient of determination (R²)≥0.67, root mean squared error (RMSE)≤1.22 ㎍/cm², relative error (RE)≤17.9%)와 validation에 R²≥0.56, RMSE≤1.41 ㎍/cm², RE≤20.7% 성능을 비교하였을 때, key band ratios 네 개가 선정되었다. 머신러닝 모델들 사이에 validation 성능에는 비교적 큰 차이가 없어 calibration 성능이 가장 높았던 KNN 모델을 기준으로 삼았으며, 그 key band ratios는 710/714, 718/722, 754/758, 758/762 nm가 선정되었다. Calibration에서 R²=0.80, RMSE=0.94 ㎍/cm², RE=13.9%와 validation에서 R²=0.57, RMSE=1.40 ㎍/cm², RE=20.5%를 나타내었다. Validation의 기준으로 한 성능 결과는 배나무 잎 엽록소 함량을 추정하기에 충분하지 않았지만, 앞으로의 연구에 기준이 될 key band ratios를 선정했다는 것에 의미가 있다. 추후 연구에서는 추정 성능을 향상하기 위해 지속적으로 추가 데이터세트를 확보하여 선정된 key band ratios의 신뢰성 검증과 함께 실제 과원에 재현 가능한 추정 모델로 고도화할 필요가 있다.

본 연구에서는 1973년 완공된 소양호에 처음으로 발생한 녹조현상에 대하여 위성영상을 사용하여 분석하였다. 연구자료는 2023년 7월부터 약 2개월간의 광학영상 13장을 사용하였으며, 소양호에 발생한 녹조의 면적을 산출하였다. 정확한 녹조 발생 면적을 산출하기 위하여 support vector machine 알고리즘 기반으로 영상분류를 수행하였다. 그 결과 소양호의 녹조는 녹조 발생을 유발하게 한 불순물이 유입된 지점을 중심으로 발생하였다. 2023년 8월 태풍 카눈의 효과로 일시적으로 감소하는 듯 보였으나 지속된 더위로 인해 다시 녹조가 증가하였다. 본 연구결과는 소양호는 수도권 주요 수원지 중 하나로 반복적인 녹조 발생을 대비해야 하는 점을 시사한다.

연안 해역에서 식물성플랑크톤, 부유입자, 용존유기물은 복합적이고 비선형적으로 해수반사도를 변화시킨다. 최근 빠르게 발전하는 신경망 기술은 복잡한 비선형 관계를 효과적으로 처리할 수 있는 장점이 있다. 기존 연구에서는 성분별 고유광특성을 도출하기 위하여 세 단계의 신경망을 구성하였으나 본 연구에서는 심층신경망을 직접 적용하는 알고리즘을 제안하였다. 본 연구에서 활용한 데이터세트는 국제해색조정그룹에서 제공하는 합성데이터를 활용하였으며, 입력데이터는 9개의 파장의 원격반사도를 입력하였다. 이를 통해 해수 고유광특성을 심층신경망을 기반으로 도출하였다. 성능을 평가하기 위해 준분석 알고리즘(quasi-analytical algorithm)과 비교하였으며, 데이터 분포에 따른 로그 변환 여부가 심층신경망 알고리즘의 성능에 영향을 미치는 정도를 비교 분석하였다. 그 결과, 준분석 알고리즘보다 심층신경망 알고리즘을 활용하면 부유입자에 대한 흡광계수를 제외한 고유광특성을 정확하게 추정할 수 있으며(R² 0.9 이상), 부유입자와 용존유기물의 흡광계수를 부유입자와 용존유기물 흡광계수로 각각 분리할 수 있었다. 그리고 심층신경망을 직접적으로 적용하는 알고리즘은 데이터의 로그 변환을 하지 않아도 성능 차이가 거의 없음을 파악할 수 있었다. 이 연구 결과를 해색 자료 처리에 실제 적용하기 위해서는 다양한 해역의 현장자료 및 추가적인 데이터 세트를 활용한 학습을 진행하여, 경험적 및 반분석적 방법과 비교 분석하고 알고리즘 간 장단점을 적절히 파악하는 연구가 필요하다.

산악지역의 기상정보를 상세하고 적절히 제공하기 위해 산림청에서는 2012년부터 전국 주요 산악지역을 대상으로 산악기상관측망(Automatic Mountain Meteorology Observation Station, AMOS)을 구축하여, 2022년 현재 464개의 관측소가 운영되고 있다. 본 연구에서는 AMOS 지점 관측을 이용하여 우리나라 산림에 적합한 기온 격자자료를 산출하기 위해서, 기온감률 보정을 적용한 최적의 크리깅(kriging) 기법을 제안하고 그 가용성을 평가하였다. 우선 통계적 처리를 통해 AMOS 기온자료의 이상치를 제거하였고, 이 자료를 이용하여 경험 베리오그램(variogram)에 가장 근사하는 이론 베리오그램을 도출하여 최적화 크리깅을 수행하였다. 이 때 기온감률 보정(lapse rate correction)을 적용하여 산악지형의 고도 변이가 반영되는 500 m 해상도의 기온격자지도를 생성하였다. 공간적으로 치우치지 않은 검증샘플을 이용한 암맹평가를 통해 본 기법의 가용성을 평가한 결과, 0.899-0.953의 상관계수 및 0.933-1.230℃의 오차를 나타내 기온감률 보정을 적용하지 않은 정규크리깅에 비해 정확도가 다소 향상되었다. 또한 기온감률 크리깅은 우리나라 산림의 복잡지형을 잘 표현하여, 강원도 산간지역과 해안산림지역의 국지적인 변이 및 지리산·내장산과 그 주변 산림의 지형적 차이와 같은 미세한 지역특성을 살릴 수 있다는 것이 가장 큰 장점이라고 할 수 있다.

Operational Linescan System (OLS) 센서는 Defense Meteorological Satellite Program (DMSP) 프로그램을 통해 발사된 위성체에 탑재된 센서로, 야간에 방출되는 가시광 및 적외선대의 빛을 감지한다. 여러 연구자들의 연구를 통해 OLS 센서를 통해 획득한 야간광 자료와 국내 총생산(gross domestic product, GDP) 값에는 높은 상관관계가 존재함이 밝혀졌다. 본 연구에서는 경제 발전과 관련된 다양한 지표 중 하나인 개별 공시지가 총액과 야간광 자료의 상관관계에 대한 연구를 진행하였다. 연구 결과 대다수의 시, 도에서 0.7 이상의 상관계수로 높은 상관관계를 보였으며 남한 전체의 개별 공시지가 총액과 야간광 자료 간에도 상관계수는 0.7837로 높은 상관관계를 보였다. 그러나 타 시, 도와 달리 서울특별시의 경우 야간광과 개별 공시지가 총액은 상관계수가 0.5648로 낮은 상관계수를 보였는데, 이는 서울특별시의 digital number (DN) 값은 OLS 센서의 최대 DN 값에 가깝게 나타나 그 이상의 변화를 나타낼 수 없는 것이 원인으로 분석되었다. 본 연구를 통해 향후 공시지가가 체계적으로 정리되지 않은 지역의 공시지가를 파악하고, 이를 이용한 지역의 토지이용 변화 등을 분석하는 데 도움이 될 것으로 기대한다.