• Journal of the Korean Association of Geographic Information Studies
• /
• v.15 no.3
• /
• pp.137-147
• /
• 2012

Recently, floating green algae (FGA) in open oceans and coastal waters have been reported over wide area, yet accurate detection of these using traditional ground based measurement and chemical analysis in the laboratory has been difficult or even impossible due to the lack of spatial resolution, coverage, and revisit frequency. In contrast, spectral reflectance measurement makes it possible to quickly assess the chlorophyll content in green algae. Our objectives are to investigate the spectral reflectance of the FGA observed in the Yellow Sea and to develop a new index to detect FGA from satellite imagery, namely floating green algae index (FGAI), which uses relatively simple reflectance ratio technique. The Moderate Resolution Imaging Spectroradiometer (MODIS) and Geostationary Ocean Color Imager (GOCI) satellite images at 500m spatial resolution were utilized to produce FGAI which is defined as the ratio between reflectance at 860nm and 660nm bands. Both FGAI results yielded reasonable green algae detection at the regional scale distribution. Especially houly GOCI observations can present more detaield information of FGAI than low-orbit satellite.

• Korean Journal of Remote Sensing
• /
• v.37 no.3
• /
• pp.493-502
• /
• 2021

Recently, because of changes in temperature and rising water temperatures due to increased pollution sources, many algae have been produced in the water system. Therefore, there has been a lot of research using satellite images for the generation and monitoring of green algae. However, in prior studies, it is difficult to consider the optical properties of the local water system by using only a single index, and by using medium and low-resolution satellite images to conduct large-scale algae detection, there is a problem of accuracy in narrow, broad rivers. Therefore, in this work, we utilize high-resolution images of Sentinel-2 satellites to perform green algae detection on a single index (NDVI, SEI, FGAI) and development index (NDVI & SEI, FGAI & SEI) that mixes single indices. In this study, POD, FAR, and PC values were utilized to evaluate the accuracy of green algae detection algorithms, and the FGAI & SEI index showed the highest accuracy with 98.29% overall accuracy PC.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.42-42
• /
• 2022

지금까지도 유역에서의 녹조 모니터링은 현장채수를 통한 점 단위 모니터링에 크게 의존하고 있어 기후, 유속, 수온조건 등에 따라 수체에 광범위하게 발생하는 녹조를 효율적으로 모니터링하고 대응하기에는 어려운 점들이 있어왔다. 또한, 그동안 제한된 관측 데이터로 인해 현장 측정된 실측 데이터 보다는 녹조와 관련이 높은 NDVI, FGAI, SEI 등의 파생적인 지수를 산정하여 원격탐사자료와 매핑하는 방식의 분석연구 등이 선행되었다. 본 연구는 녹조의 모니터링시 정확도와 효율성을 향상을 목표로 하여, 우선은 녹조 측정장비를 활용, 7000개 이상의 녹조 관측 데이터를 확보하였으며, 이를 바탕으로 동기간의 고해상도 위성 자료와 실측자료를 매핑하기 위해 다양한Machine Learning기법을 적용함으로써 그 효과성을 검토하고자 하였다. 연구대상지는 낙동강 내성천 상류에 위치한 영주댐 유역으로서 데이터 수집단계에서는 면단위 현장(in-situ) 관측을 위해 2020년 2~9월까지 4회에 걸쳐 7291개의 녹조를 측정하고, 동일 시간 및 공간의 Sentinel-2자료 중 Band 1~12까지 총 13개(Band 8은 8과 8A로 2개)의 분광특성자료를 추출하였다. 다음으로 Machine Learning 분석기법의 적용을 위해 algae_monitoring Python library를 구축하였다. 개발된 library는 1) Training Set과 Test Set의 구분을 위한 Data 준비단계, 2) Random Forest, Gradient Boosting Regression, XGBoosting 알고리즘 중 선택하여 적용할 수 있는 모델적용단계, 3) 모델적용결과를 확인하는 Performance test단계(R², MSE, MAE, RMSE, NSE, KGE 등), 4) 모델결과의 Visualization단계, 5) 선정된 모델을 활용 위성자료를 녹조값으로 변환하는 적용단계로 구분하여 영주댐뿐만 아니라 다양한 유역에 범용적으로 적용할 수 있도록 구성하였다. 본 연구의 사례에서는 Sentinel-2위성의 12개 밴드, 기상자료(대기온도, 구름비율) 총 14개자료를 활용하여 Machine Learning기법 중 Random Forest를 적용하였을 경우에, 전반적으로 가장 높은 적합도를 나타내었으며, 적용결과 Test Set을 기준으로 NSE(Nash Sutcliffe Efficiency)가 0.96(Training Set의 경우에는 0.99) 수준의 성능을 나타내어, 광역적인 위성자료와 충분히 확보된 현장실측 자료간의 데이터 학습을 통해서 조류 모니터링 분석의 효율성이 획기적으로 증대될 수 있음을 확인하였다.