• 대한원격탐사학회지
• /
• 제30권2호
• /
• pp.173-183
• /
• 2014

화산활동으로 인한 피해를 현장관측을 통해 조사할 경우, 비용과 인력, 안전 등의 문제로 인한 어려움이 많다. 인공위성 영상을 활용한 원격탐사는 이와 같은 문제를 극복하기에 매우 유용한 도구 중에 하나이다. 본 연구에서는 2009년 4월 17일과 2012년 7월 30일에 획득된 Landsat 7 ETM+ 위성 영상을 이용하여 인도네시아 수마트라 섬에 위치한 시나붕 화산의 2010년 화산활동을 관측하였다. 피복분류를 통해 2010년 분화 전 후의 화성쇄설류 범람 지역을 추출한 결과, 2010년 분화로 인해 화성쇄설류 범람 지역의 면적이 약 3배나 증가한 것을 확인하였다. 화성쇄설류 범람 지역 예측 모델링으로 얻어진 결과는 Landsat 영상에서 추출된 화성쇄설류 범람 지역과 비교되었다. 그 결과, 화성쇄설류 범람 지역 예측 모델링은 범람의 거리(길이)는 92%로 정확하게 계산되었지만 화산의 경사가 급격한 지역에서는 범람의 폭이 다소 부정확하게 계산되어 17%의 정확도를 나타내었다.

• 한국지리정보학회지
• /
• 제9권2호
• /
• pp.159-172
• /
• 2006

본 연구에서는 광역지역에 대한 지표온도를 추출할 목적으로 대상지역에 대한 시계열 Landsat TM/ETM+영상을 획득하여 기하보정 및 방사보정을 실시하고 NASA모델을 이용하여 지표온도를 추출하였다. 그리고 대상지역에 대한 피복분류를 통하여 이에 따른 고유 방사율을 적용하는 1차 보정을 실시하는 한편, 기상청 기온자료와의 상관관계를 분석하여 보정식을 설정하고 영상으로부터 획득한 지표온도를 2차적으로 보정함으로써 영상을 이용한 지표온도 추출의 정확도를 향상시키고자 하였다. 그 결과, 1,2차 보정에 의해 획득한 지표온도는 기상청자료와 약 ${\pm}3.0^{\circ}C$의 평균편차내에서 보정된 지표온도를 획득할 수 있었다. 연구결과의 재검증을 위하여 다른 시기의 Landsat 영상에 적용함으로써 대상지역에 대한 지표온도를 비교적 높은 정확도로 획득할 수 있었다.

• 대한토목학회논문집
• /
• 제10권3호
• /
• pp.77-85
• /
• 1990

Landsat data는 많은 분야(分野)에서 이용(利用)되어지고 있지만 경제적(經濟的)인 면에서 초기 비용(費用)이 많이 드는 분제(問題)가 남아있다. 그러나 Landsat TM영상(影像)을 이용(利用)한 지표정보(地表情報) 추출(抽出)은 경제성(經濟性)을 만족(滿足)시킬만한 초기비용(費用)을 산출(産出)하고 있다. 뿐만 아니라 정확성(正確性) 면에서도 양질(良質)의 data를 추줄(抽出)할 수 가 있다. 본 연구(硏究)에서는 Landsat data를 이용(利用)하고자 하는 사람들에게 경제성(經濟性)과 정확성(正確性)을 만족(滿足)시킬 목적(目的)으로 광학(光學)이미지법을 택해 TM영상(影像) data를 이용(利用)하여 지표정보(地表情報)를 획득하였다. 본 연구(硏究)에서 수행(遂行)한 연구결과(硏究結果)에 따르면 OHP를 이용(利用)한 광학(光學) 이미지법은 초기비용(費用)면에서나 정확성(正確性)에서 좋은 결과(結果)값을 얻는다는 사실(事實)을 밝혀주고 있다. 본 연구(硏究)의 방법(方法)은 TM영상(影像) data를 이용(利用)해 보고자 히는 사람들에게 많은 도움이 되리라 생각한다.

• 대한공간정보학회지
• /
• 제24권3호
• /
• pp.39-47
• /
• 2016

본 연구는 몽골 Tuul-basin 지역의 토지피복변화 상태와 토지황폐화에 대한 분석을 위해 1990, 2001, 2011년의 녹색식물의 활력도가 가장 높은 여름의 Landsat 위성영상을 활용하였다. 몽골 Tuul-Basin 지역의 시계열 데이터를 이용하여, 정규식생지수(NDVI, normalized difference vegetation index), 토양조절 식생지수(SAVI, soil-adjusted vegetation index), 지표면온도(LST, land surface temperature)를 계산하여 토지피복변화 분석을 하였다. 그 결과 연구지역 전체 지역의 산림 및 녹지는 감소되고, 건조지역, 휴경지는 증가된 것으로 나타났으며, 점진적으로 토지가 황폐화되어 감을 알 수 있었다. 또한 LST와 식생지수의 상관성 분석을 실시한 결과, 높은 상관관계를 나타내었으며, 이는 대상지역의 토지피복변화나 식생의 활력도가 지표면의 온도와 밀접하게 관계가 있다는 것을 알 수 있었다.

• 한국지리정보학회지
• /
• 제23권1호
• /
• pp.30-40
• /
• 2020

서울시 도시재생 사업에 의한 도시환경 변화 파악은 서울시에서 다양한 방법으로 진행되고 있는 도시재생 사업으로 인한 도시환경 변화 탐지를 위해 매우 중요하다. 그러나 도시재생 사업으로 인한 도시환경 변화를 주기적으로 파악할 수 있는 자료가 절대적으로 부족할 뿐만 아니라 자료를 처리하고 분석할 수 있는 인력 또한 현저히 부족하다. 본 연구에서는 다중시기 Landsat 위성영상을 활용하여 도시재생 사업을 통해 조성된 성북구 장위동 빗물마을 지역의 지표온도 변화를 분석함으로써 서울시 빗물마을 조성에 의해 발생한 도시 환경 변화를 다음 과정을 통하여 파악하였다. 우선, 빗물마을 조성 기간 동안 연구대상 지역에서 획득한 Landsat-8 위성영상의 가시광선 및 적외선 밴드를 활용하여 장위동 지역, 장위동 주변 지역 및 서울시 전체 지역의 시계열 지표온도 지도를 제작하였다. 최종적으로 3개 지역의 시계열 지표온도 변화를 측정함으로써, 빗물마을 조성으로 인한 주변지역의 도시환경 변화를 파악하였다. 본 연구에서 도출된 결과의 분석을 통해 장위동 지역에서 진행된 빗물마을 조성사업으로 인해 장위동 지역의 지표온도에 유의미한 변화가 발생했다고 보기는 힘들다는 결론을 내렸다.

• 한국수자원학회논문집
• /
• 제48권2호
• /
• pp.79-90
• /
• 2015

2013년 3월에 발사된 Landsat 8 인공위성의 이미지데이터를 이용하여 금강유역을 대상으로 수질인자에 대한 평가를 수행하였다. 본 연구의 목적은 다양한 수질인자 중 녹조에 직접적인 영향을 미치는 총질소와 총인의 농도를 추정함으로써 궁극적으로 수생태계에 악영향을 미치는 녹조의 발생을 모니터링 하는 것이다. 현장실측데이터와 인공위성 데이터간의 상관관계를 규명하기 위하여 Pearson' 상관계수를 이용하여 그 관계를 파악하였다. Landsat 8이 촬영되는 시기를 포함하는 총 20개의 현장실측 데이터가 수집되었으며 Landsat 8의 11개의 밴드중, 밴드2, 3, 4의 반사도 값이 총인과 총질소를 탐지하는데 있어서 가장 상관성 높은 것으로 나타났다. 총질소는 유의수준 0.05에서 밴드2(0.48), 3(0.62), 4(0.57)과 높은 양의 상관관계를 보였으며, 총인의 경우, 유의수준 0.01에서 밴드2(0.59), 3(0.59), 4(0.58)로 높은 양의 상관관계를 나타냈다. 5번 밴드는 유의수준을 벗어남으로써 두 수질인자를 탐지하는데 상관성이 떨어지는 것으로 나타났다. 상관성이 높았던 밴드간의 조합을 통해서 총질소와 총인에 대한 각각의 최적 회귀식이 다중 회귀식을 근거로 구축되었다. 유도된 회귀식으로 계산된 총질소와 총인의 농도값은 통계기법인 Bias와RMSE를 이용하여 현장실측데이터들과 비교 검증되었다. 최종적으로, 2014년 4월 21과 2013년 11월 12일에 대한 맵핑을 수행함으로써 총질소와 총인의 공간적인 분포를 시각적으로 확인할 수 있었다.

• 한국지리정보학회지
• /
• 제9권4호
• /
• pp.129-141
• /
• 2006

인공위성을 이용한 원격탐사 기술의 비약적인 발전과 함께 지리, 해양 정보 등 사회전반에서 사용되는 영상 데이터량이 급속히 증가하고 있다. 따라서 대용량 원격탐사 영상의 해석을 위해서는 육안 검사보다 영상처리 기술을 이용한 자동화 방법이 필요하다. 본 연구에서는 인공위성 원격탐사 영상의 적조영역에 대해 GLCM(Gray Level Co-occurrence Matrix)을 이용하여 질감 정보를 취득하고, 이 데이터로부터 주성분 분석을 통해 적조영역을 자동으로 검출하는 방법에 대해 제안하였다. 기존의 적조영역 검출은 원격탐사 영상의 해색(sea color) 한 가지 특징에 의한 방법이 대부분이었으나 본 연구에서 GLCM의 질감 정보 8가지를 이용해서 2개의 주성분 누적 영상으로 변환시켰다. 연구결과 2개의 주성분 누적 영상의 백분율 분산 값은 90.4%였으며, 이를 해색 한 가지만을 이용한 적조영역 검출방법과 비교했을 때 보다 나은 결과를 나타내었다.

• 대한원격탐사학회지
• /
• 제33권6_3호
• /
• pp.1179-1185
• /
• 2017

KOMPSAT-3A 위성은 기존의 지구관측 위성에 비하여 고해상도의 MWIR 영상을 하루 2번 취득한다. 기존 SWIR 영상이나 TIR 영상과 다른 특성으로 인하여 새로운 지표면 방사 정보를 제공할 수 있다. 본 연구에서는 KOMPSAT-3A MWIR 위성영상의 특성을 살펴보기 위하여 다시기 차이 영상을 생성하여 기존 적외 영상과 비교하였다. IR 영상의 전처리 과정으로 영상 상대보정을 수행하고, PIFs(Pseudo Invariant Features) 화소기반의 상대방사 보정을 수행하여 화소값의 차이를 최소화시켰다. Sentinel-2 SWIR 영상, Landsat 8 TIR 영상과 KOMPSAT-3A MWIR 영상을 실험한 결과, KOMPSAT-3A 차이 영상에서 인공지물의 구별이 두드러짐을 확인할 수 있었다. 이러한 IR영상의 특성을 이용하여 향후 KOMPSAT-3A MWIR 영상의 활용도를 높일 수 있을 것으로 여겨진다.

• 대한원격탐사학회지
• /
• 제23권6호
• /
• pp.547-552
• /
• 2007

본 연구에서는 고해상도의 panchromatic 영상을 이용하여 저해상도의 multispectral 영상을 고해상도로 재구축하는 방법을 제시하고 있다. 제안된 방법은 저해상도와 고해상도 간의 선형 모형 사용하여 실제의 spectral 값에 부합하는 고해상도 영상을 재구축하며 두 단계로 이루어 진다. 첫 단계는 고해상도 feature와 연관된 저해상도의 선형 모형을 이용하여 최소 자승 오류 법에 의한 global 추정 과정이고 두 번째 단계는 재구축된 영상을 지역적으로 원래의 spectral 값과 일관되게 만드는 local 수정 과정이다. 본 연구에서 제안 방법을 이용하여 6m KOMPSAT-1 EOC 자료와 30m LANDSAT ETM+에 적용하였고 또한 IKONOS 1m RGB 영상 생성하였다. 실험 결과는 새로이 제시된 방법이 저해상도 Multispectral 영상의 고해상도 재구축에 탁월한 성능을 가지고 있음을 보여주었다.

• 대한원격탐사학회지
• /
• 제38권1호
• /
• pp.103-110
• /
• 2022

Since satellite images generally include clouds in the atmosphere, it is essential to detect or mask clouds before satellite image processing. Clouds were detected using physical characteristics of clouds in previous research. Cloud detection methods using deep learning techniques such as CNN or the modified U-Net in image segmentation field have been studied recently. Since image segmentation is the process of assigning a label to every pixel in an image, precise pixel-based dataset is required for cloud detection. Obtaining accurate training datasets is more important than a network configuration in image segmentation for cloud detection. Existing deep learning techniques used different training datasets. And test datasets were extracted from intra-dataset which were acquired by same sensor and procedure as training dataset. Different datasets make it difficult to determine which network shows a better overall performance. To verify the effectiveness of the cloud detection network such as Cloud-Net, two types of networks were trained using the cloud dataset from KOMPSAT-3 images provided by the AIHUB site and the L8-Cloud dataset from Landsat8 images which was publicly opened by a Cloud-Net author. Test data from intra-dataset of KOMPSAT-3 cloud dataset were used for validating the network. The simulation results show that the network trained with KOMPSAT-3 cloud dataset shows good performance on the network trained with L8-Cloud dataset. Because Landsat8 and KOMPSAT-3 satellite images have different GSDs, making it difficult to achieve good results from cross-sensor validation. The network could be superior for intra-dataset, but it could be inferior for cross-sensor data. It is necessary to study techniques that show good results in cross-senor validation dataset in the future.