• 대한원격탐사학회지
• /
• 제34권6_3호
• /
• pp.1369-1382
• /
• 2018

국내 외 다중분광 위성의 수가 증가하고 자료를 획득할 수 있는 경로가 넓어짐에 따라 원하는 시기의 영상 취득 및 활용이 가능할 것으로 기대된다. 하지만 다른 촬영시간, 주기 및 공간해상도를 가지기 때문에 자료의 불일치 문제가 존재한다. 특히, 밴드대역폭 차이는 동일한 시기에 촬영된 영상일지라도 서로 다른 반사도를 산출하며, 식생지수와 같은 식생 활력도 분석에 있어 큰 불확실성이 발생한다. 본 연구는 KOMPSAT-3의 농업분야 활용을 위해 타 다중분광위성과의 밴드대역폭 차이에 따른 Spectral Band Adjustment Factor(SBAF)를 산정하고 실제 적용을 통해 융합 활용 가능성을 평가하였다. 사막지역에서 취득된 초분광 위성영상을 활용하여 SBAF를 산정하였고, 작물 주산지 지역에 SBAF를 적용한 결과 식생지수는 천정각이 24도로 촬영된 합천지역을 제외한 다른 지역에서 상대백분율 차이가 3% 이내로 높은 일치율을 보였다. SBAF 산정을 위해 본 연구는 한 세트의 영상을 활용하였고 이는 SBAF의 계절 및 태양 천정각에 따른 변화를 고려하지 않아 불확실성이 높을 것으로 판단되며, 향후 이러한 문제를 해결하기 위해 장기간 분석이 필요할 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1413-1425
• /
• 2023

기후변화로 인한 대형 산불의 빈도가 증가함에 따라 극심한 인명 및 재산상의 피해를 초래하고 있다. 이로 인해 많은 식생이 소실되며, 그 강도와 발생 형태에 따라 생태계 변화에 영향을 끼친다. 생태계 변화는 다시 산불 발생을 유발하여 2차 피해를 야기한다. 따라서 산불 피해지에 대한 정확한 탐지 및 면적 산정의 중요성이 지속적으로 제기되고 있다. 효율적인 산불 피해지 모니터링을 위해 산불 발생 후 실시간 지형 및 기상정보는 물론 피해지역의 영상을 대규모로 취득할 수 있는 위성영상이 주로 활용되고 있다. 최근, 합성곱 신경망(convolution neural network, CNN) 기반 모델부터 고성능 트랜스포머(Transformer) 기반 모델에 이르기까지 딥러닝 알고리즘이 빠르게 발전하면서 산림원격탐사에서 이를 적용한 연구가 활발히 이루어지고 있다. 하지만 현재까지 적용된 딥러닝 모델은 제한적이며 현업에서의 합리적인 활용을 위한 정량적 성능평가에 대한 보고가 부족한 상황이다. 따라서 본 연구에서는 모델에 따른 성능향상과 데이터 설계에 따른 성능향상을 중점적으로 비교 분석하였다. 미국 캘리포니아 지역을 대상으로 CNN 기반 모델의 U-Net, High Resolution Network-Object Contextual Representation (HRNet-OCR)을 활용하여 산불 피해지 모델을 구축하였다. 또한, 기본 파장대역과 함께 식생활력도 및 지표의 수분함량 정도를 고려하고자 normalized difference vegetation index (NDVI), normalized burn ratio (NBR)와 같은 산불 관련 분광지수를 산출하여 입력 이미지로 사용하였다. U-Net의 mean intersection over union (mIoU)이 0.831, HRNet-OCR이 0.848을 기록하여 두 모델 모두 우수한 영상분할 성능을 보였다. 또한, 밴드 반사도뿐 아니라 분광지수를 추가한 결과 모든 조합에서 평가지표 값이 상승하여 분광지수를 활용한 입력 데이터 확장이 픽셀 세분화에 기여함을 확인하였다. 이와 같은 딥러닝 방법론을 발전시킨다면 우리나라의 산불 피해지에 대한 신속한 파악 및 복구 계획 수립의 기초자료로 활용될 수 있을 것으로 기대된다.