• 대한원격탐사학회지
• /
• 제28권4호
• /
• pp.393-407
• /
• 2012

본 연구에서는 광학 원격탐사 영상의 획득 시 태양의 고도 및 방위가 대상 지역의 지형기복과 결합하여 나타나는 영향 및 다수의 시기에 걸쳐 획득한 영상을 비교분석하는 경우 영상 촬영시기의 차이로 인한 태양의 위치변화와 지형기복이 결합하여 나타나는 영향에 대한 보정을 시도하였다. 한라산과 다수의 분석구가 분포하는 제주도를 대상으로 Landsat 7 ETM+ 영상과 ASTER GDEM 지형자료를 사용하여 국지적조도의 모델링 시 커널의 크기를 $3{\times}3$, $5{\times}5$, $7{\times}7$, $9{\times}9$ 화소로 변화시키며 Lambertian 보정기법인 cosine 보정법과 비 Lambertian 보정기법인 c-보정법을 적용하고 보정기법 및 커널 크기에 대한 지형보정 효과를 분석하였다. 개별 영상의 육상지역에 대하여 보정을 수행한 결과 커널의 크기 $7{\times}7$을 적용한 c-보정법을 사용하였을 때에 보정효과가 가장 우수한 것으로 평가되었고, 대상지역을 ISODATA 무감독분류법을 이용하여 선택된 산림지역에 한정하여 지형보정을 수행한 경우에는 커널의 크기 $9{\times}9$를 적용한 c-보정법을 사용하였을 때에 가장 우수한 결과가 도출되었으며 다양한 지표피복이 혼합된 대상지역 대한 보정보다 효과가 큰 것으로 평가되었다. 다시기 영상의 경우 세 시기에 획득된 영상에 대하여 각각 지형보정을 수행한 후 상대적 방사도 보정을 적용하였을 때 지형보정을 수행하지 않은 경우와 비교하여 적외선 파장영역에서는 보다 균질한 반사도로 방사보정이 이루어졌으며 가시광 파장영역에서는 원영상의 반사도 패턴이 잘 보존된 결과가 도출되었다. 이상의 결과로부터 주변 지형으로부터 반사되는 에너지와 불완전한 대기보정으로 인한 잔류 대기영향을 고려하는 c-보정법을 적용하는 경우 cosine 보정법보다 우수한 지형보정 효과가 나타나며 수치표고모델에 내재된 수평과 수직방향 오차 및 위성영상과의 정합오차의 영향을 감소시기키 위하여 국지적 조도의 모델링 시 커널의 크기를 증가시키는 경우 지형보정의 효과가 증대되는 것으로 판단된다.

• 한국지리정보학회지
• /
• 제18권4호
• /
• pp.81-99
• /
• 2015

가속되는 지구온난화로 인해 한반도 주변의 탄소순환에 대한 명확한 이해의 필요성이 제기되고 있다. 산림은 이산화탄소의 주요 흡수원으로 지상 탄소량의 대부분을 저장하고 있어 이에 대한 추정이 필요하다. 우리나라에서는 국가산림자원조사의 표본점에서 측정되는 헥타르당 임목축적량을 활용하여 산림 탄소저장량을 추정한다. 하지만 탄소저장량은 요약된 수치 형태로 발표하고 있어 탄소저장량의 공간적 분포를 파악하는 것이 어렵다. 본 연구에서는 토지피복변화가 빠르고 국가산림자원조사 표본점 배치가 부족한 도시지역을 대상으로 UNFCCC의 Approach 3와 Tier 3를 충족하는 격자 기반 산림탄소저장량을 추정하였다. 토지피복변화 및 산림탄소저장량은 1991, 1992, 2010, 2011년에 취득된 Landsat 5 TM 영상과 고해상도 항공사진, 제 3차 및 제 5, 6차 국가산림자원조사 자료를 이용하여 추정하였다. 토지피복변화는 기계학습을 이용하여 변화된 토지피복과 변화되지 않은 토지피복 항목을 한 번에 분류하여 추정하였으며, 산림탄소저장량은 반사도, 밴드비율, 식생지수, 지형변수를 입력변수로 하여 기계학습을 통해 추정하였다. 연구 결과, 산림이 그대로 산림으로 유지되는 지역의 경우 33.23tonC/ha의 흡수를 하였으며 비산림이 산림으로 변한 지역의 경우 이보다 큰 36.83tonC/ha의 흡수가 진행된 것으로 추정되었다. 산림이 비산림으로 바뀐 경우에는 -7.35tonC/ha로, 배출이 일어난 것으로 추정되었다. 본 연구를 통하여 토지피복변화에 따른 산림탄소저장량 변화를 정량적으로 이해할 수 있었으며, 향후 효율적인 산림관리에 기여할 수 있을 것으로 판단된다.

• 대한지리학회지
• /
• 제38권4호
• /
• pp.630-639
• /
• 2003

본 연구는 두만강 하류의 온성, 새별, 은덕 지역을 대상으로 1992년 Landsat TM과 2000년 Landsat ETM 자료 및 수치고도자료를 이용하여 농경지와 산림지의 분포와 변화, 변화과정의 공간적 특성을 분석한 것이다. 1:5만 수치지형도 분석, 영상밴드조합. 주성분 분석 등 감독분류를 통하여 농경지, 산림, 취락 및 건물, 강과 저수지 등의 수체를 주요 항목으로 하여 분류를 시도하였다. 대상 지역에 대한 분석의 결과를 보면, 온성과 은덕 지역에서는 1992년에서 2000년 사이에 농경지가 각각 22.8%, 14.7% 증가하였으며, 상대적으로 산림은 각각 24.0%, 13.6% 감소하였다. 또한 경작지의 평균고도를 보면 온성, 새별, 은덕의 경우, 각각 157m, 85m, 78m에서 192m, 95m, 91m로 높아졌으며, 경사도의 경우는, 각각 5.2$^{\circ}$, 2.5$^{\circ}$, 3.0$^{\circ}$에서 6.6$^{\circ}$, 3.0$^{\circ}$, 4.4$^{\circ}$로, 고도와 경사도 모두 약 30% 증가세를 보여주고 있다. 특히 신개간지 만을 보면 평균고도는 각각 255m, 122m, 127m, 평균경사도는 9.4$^{\circ}$, 5.1$^{\circ}$, 8.0$^{\circ}$로 나타나고 있다. 이러한 개간지들은 구릉지대나 산록완사면을 따라 경사변환점까지 확대되고 있으며, 산림이 제거된 나대지들은 불규칙한 패치모양을 띠면서 rill과 gully 등의 사면침식과 하천의 토사퇴적의 원인을 제공하고 있다. 이러한 위성영상분석은 지표확인을 할 수 없는 한계점은 있으나 농업과 관련된 북한의 환경문제에 대한 실태파악에 도움을 줄 수 있다.

• 한국측량학회지
• /
• 제37권3호
• /
• pp.199-208
• /
• 2019

운용 가능한 위성의 수가 증가하고 기술이 진보함에 따라 영상정보의 성과물이 다양해지고 많은 양의 자료가 축적되고 있다. 본 연구에서는 기구축된 영상정보를 활용하여 부족한 훈련자료의 문제를 극복하고 딥러닝(deep learning) 기법의 장점을 활용하고자 전이학습과 변화탐지 네트워크를 활용한 고해상도 위성영상의 변화탐지를 수행하였다. 본 연구에서 활용한 딥러닝 네트워크는 공간 및 분광 정보를 추출하는 합성곱 레이어(convolutional layer)와 시계열 정보를 분석하는 합성곱 장단기 메모리 레이어(convolutional long short term memory layer)로 구성되었으며, 고해상도 다중분광 영상에 최적화된 정보를 추출하기 위하여 커널(kernel)의 차원에 따른 정확도를 비교하였다. 또한, 학습된 커널 정보를 활용하기 위하여 변화탐지 네트워크의 초기 합성곱 레이어를 고해상도 항공영상인 ISPRS (International Society for Photogrammetry and Remote Sensing) 데이터셋에서 추출된 40,000개의 패치로 학습된 값으로 초기화하였다. 다시기 KOMPSAT-3A (KOrean Multi-Purpose SATllite-3A) 영상에 대한 실험 결과, 전이학습과 딥러닝 네트워크를 활용할 경우 기복 변위 및 그림자 등으로 인한 변화에 덜 민감하게 반응하며 분류 항목이 달라진 지역의 변화를 보다 효과적으로 추출할 수 있었으며, 2차원 커널보다 3차원 커널을 사용할 때 변화탐지의 정확도가 높았다. 3차원 커널은 공간 및 분광정보를 모두 고려하여 특징 맵(feature map)을 추출하기 때문에 고해상도 영상의 분류뿐만 아니라 변화탐지에도 효과적인 것을 확인하였다. 본 연구에서는 고해상도 위성영상의 변화탐지를 위한 전이학습과 딥러닝 기법의 활용 가능성을 제시하였으며, 추후 훈련된 변화탐지 네트워크를 새롭게 취득된 영상에 적용하는 연구를 수행하여 제안기법의 활용범위를 확장할 예정이다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.1031-1042
• /
• 2023

인공위성은 시공간적으로 연속적인 지구환경 데이터를 제공하므로 위성영상을 이용하여 효율인 작물 수확량 예측이 가능하며, 딥러닝(deep learning)을 활용함으로써 더 높은 수준의 특징과 추상적인 개념 파악을 기대할 수 있다. 본 연구에서는 Landsat 8 위성 영상을 활용하여 다시기 영상 데이터를 이용하여 5대 수급 관리 채소인 배추와 무의 수확량을 예측하기 위한 딥러닝 모델을 개발하였다. 2015년부터 2020년까지 배추와 무의 생장시기인 6~9월 위성영상을 이용하여 강원도를 대상으로 배추와 무의 수확량 예측을 수행하였다. 본 연구에서는 수확량 모델의 입력자료로 Landsat 8 지표면 반사도 자료와 normalized difference vegetation index, enhanced vegetation index, lead area index, land surface temperature를 입력자료로 사용하였다. 본 연구에서는 기존 연구에서 개발된 모델을 기반으로 우리나라 작물과 입력데이터에 맞게 튜닝한 모델을 제안하였다. 위성영상 시계열 데이터를 이용하여 딥러닝 모델인 convolutional neural network (CNN)을 학습하여 수확량 예측을 진행하였다. Landsat 8은 16일 주기로 영상이 제공되지만 구름 등 기상의 영향으로 인해 특히 여름철에는 영상 취득에 어려움이 많다. 따라서 본 연구에서는 6~7월을 1구간, 8~9월을 2구간으로 나누어 수확량 예측을 수행하였다. 기존 머신러닝 모델과 참조 모델을 이용하여 수확량 예측을 수행하였으며, 모델링 성능을 비교했다. 제안한 모델의 경우 다른 모델과 비교했을 때, 높은 수확량 예측 성능을 나타내었다. Random forest (RF)의 경우 배추에서는 제안한 모델보다 좋은 예측 성능을 나타내었다. 이는 기존 연구 결과처럼 RF가 입력데이터의 물리적인 특성을 잘 반영하여 모델링 되었기 때문인 것으로 사료된다. 연도별 교차 검증 및 조기 예측을 통해 모델의 성능과 조기 예측 가능성을 평가하였다. Leave-one-out cross validation을 통해 분석한 결과 참고 모델을 제외하고는 두 모델에서는 유사한 예측 성능을 보여주었다. 2018년 데이터의 경우 모든 모델에서 가장 낮은 성능이 나타났는데, 2018년의 경우 폭염으로 인해 이는 다른 년도 데이터에서 학습되지 못해 수확량 예측에 영향을 준 것으로 생각되었다. 또한, 조기 예측 가능성을 확인한 결과, 무 수확량은 어느 정도 경향성을 나타냈지만 배추의 경우 조기 예측 가능성을 확인하지 못했다. 향후 연구에서는 데이터 형태에 따라 CNN의 구조를 조정해서 조기 예측 모델을 개발한다면 더 개선된 성능을 보일 것으로 생각된다. 본 연구 결과는 우리나라 밭 작물 수확량 예측을 위한 기초 연구로 활용될 수 있을 것으로 기대된다.