변화지역 탐지를 위한 시계열 KOMPSAT-2 다중분광 영상의 MAD 기반 상대복사 보정에 관한 연구 A Study on Object Based Image Analysis Methods for Land Use and Land Cover Classification in Agricultural Areas원문보기
원격탐사 방법을 활용한 변화지역 탐지, 재난재해 지도 작성, 작황 모니터링 등 다중시기의 위성영상을 활용한 결과를 도출하기 위해서는 시계열 영상 정보를 서로 비교할 수 있는 공통의 스케일로 정규화 하는 것이 필요하다. 다중시기 영상에 대한 정규화 방법은 절대복사보정과 상대복사 보정으로 나눌 수 있으며, 본 연구에서는 상대복사 보정을 통한 시계열 위성영상처리 기법을 다루고자 한다. 2011년 3월 해일 피해가 발생했던 일본 센다이 지역을 연구대상지로 선정하였고, KOMPSAT-2 다중분광영상을 이용한 사고 전, 후의 피해지역 탐지에 있어 상대복사 보정의 실효성을 분석하였다. 다양한 상대복사 보정 기법 중에서 정준상관분석을 통해 PIFs(Pseudo Invariant Features) 지역을 자동으로 추출하는 MAD(Multivariate Alteration Detection) 기법을 적용하였다. 본 사례연구 분석결과 MAD 방식에 의한 자동 PIFs 지역의 추출은 비교적 높은 정확도 수준에서 이루어짐을 확인할 수 있었으며, 상대복사 보정된 시계열 위성영상을 사용함으로써 변화지역 자동탐지의 신뢰수준을 높일 수 있는 것으로 나타났다.
원격탐사 방법을 활용한 변화지역 탐지, 재난재해 지도 작성, 작황 모니터링 등 다중시기의 위성영상을 활용한 결과를 도출하기 위해서는 시계열 영상 정보를 서로 비교할 수 있는 공통의 스케일로 정규화 하는 것이 필요하다. 다중시기 영상에 대한 정규화 방법은 절대복사보정과 상대복사 보정으로 나눌 수 있으며, 본 연구에서는 상대복사 보정을 통한 시계열 위성영상처리 기법을 다루고자 한다. 2011년 3월 해일 피해가 발생했던 일본 센다이 지역을 연구대상지로 선정하였고, KOMPSAT-2 다중분광영상을 이용한 사고 전, 후의 피해지역 탐지에 있어 상대복사 보정의 실효성을 분석하였다. 다양한 상대복사 보정 기법 중에서 정준상관분석을 통해 PIFs(Pseudo Invariant Features) 지역을 자동으로 추출하는 MAD(Multivariate Alteration Detection) 기법을 적용하였다. 본 사례연구 분석결과 MAD 방식에 의한 자동 PIFs 지역의 추출은 비교적 높은 정확도 수준에서 이루어짐을 확인할 수 있었으며, 상대복사 보정된 시계열 위성영상을 사용함으로써 변화지역 자동탐지의 신뢰수준을 높일 수 있는 것으로 나타났다.
It is necessary to normalize spectral image values derived from multi-temporal satellite data to a common scale in order to apply remote sensing methods for change detection, disaster mapping, crop monitoring and etc. There are two main approaches: absolute radiometric normalization and relative rad...
It is necessary to normalize spectral image values derived from multi-temporal satellite data to a common scale in order to apply remote sensing methods for change detection, disaster mapping, crop monitoring and etc. There are two main approaches: absolute radiometric normalization and relative radiometric normalization. This study focuses on the multi-temporal satellite image processing by the use of relative radiometric normalization. Three scenes of KOMPSAT-2 imagery were processed using the Multivariate Alteration Detection(MAD) method, which has a particular advantage of selecting PIFs(Pseudo Invariant Features) automatically by canonical correlation analysis. The scenes were then applied to detect disaster areas over Sendai, Japan, which was hit by a tsunami on 11 March 2011. The case study showed that the automatic extraction of changed areas after the tsunami using relatively normalized satellite data via the MAD method was done within a high accuracy level. In addition, the relative normalization of multi-temporal satellite imagery produced better results to rapidly map disaster-affected areas with an increased confidence level.
It is necessary to normalize spectral image values derived from multi-temporal satellite data to a common scale in order to apply remote sensing methods for change detection, disaster mapping, crop monitoring and etc. There are two main approaches: absolute radiometric normalization and relative radiometric normalization. This study focuses on the multi-temporal satellite image processing by the use of relative radiometric normalization. Three scenes of KOMPSAT-2 imagery were processed using the Multivariate Alteration Detection(MAD) method, which has a particular advantage of selecting PIFs(Pseudo Invariant Features) automatically by canonical correlation analysis. The scenes were then applied to detect disaster areas over Sendai, Japan, which was hit by a tsunami on 11 March 2011. The case study showed that the automatic extraction of changed areas after the tsunami using relatively normalized satellite data via the MAD method was done within a high accuracy level. In addition, the relative normalization of multi-temporal satellite imagery produced better results to rapidly map disaster-affected areas with an increased confidence level.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
특히, 센다이 해안 주변은 중심 피해지역으로 해일 발생 전후의 뚜렷한 토지피복 변화를 볼 수있는 곳이다. 따라서 본 연구에서는 센다이 해안가 일대를 연구 대상지로 하여 상대복사 보정을 통한 신속하고 정확한 변화지역 탐지 가능성을 살펴보고자 하였다(그림 1). 사례연구를 위하여 사용된 위성영상 자료는 2008년 6월 19일과 2011년 3월 17일, 2012년 3월 14일 촬영되었으며, 4m 공간해상도의 KOMPSAT-2 다중분광 영상이다(그림 2).
, 1998; Nielsen, 2007). 따라서, 본 연구에서는 다중 시기 KOMPSAT-2 다중분광영상에 대한 상대복사 보정을 위해 MAD 방법을 적용함으로써 신속한 데이터처리를 통해 재난/재해 지역 탐지에 보다 효율적으로 영상정보가 활용될 수 있는지를 검토해 보고자 하였다. 또한 지금까지 MAD 상대복사 보정기법을 KOMPSAT-2 영상에 적용한 사례가 없었기 때문에 시범연구로서의 의의가 있다고 하겠다.
본 연구에서는 시계열 위성영상을 활용한 변화지역 탐지에 있어 기본이 되어야 할 상대 복사 보정의 필요성을 2011년 3월 해일 피해가 발생했던 일본 센다이 지역을 사례로 KOMPSAT-2 다중분광영상을 이용하여 살펴보았다. 다양한 상대복사 보정 기법 중에서 정준상관분석을 통해 PIFs 지역을 자동으로 추출하는 MAD 기법을 적용하였다.
본 연구에서는 인공위성영상을 이용한 신속한 변화탐지가 요구되는 재난재해 발생지역의 파악 및 피해규모 산정 시 상대복사 보정의 효용성과 한계점을 MAD 방법을 중심으로 검토해 보고자 한다. 일반적으로 상대복사 보정을 수행하기 위해서는 무엇보다 변화특성이 없는 PIFs(Pseudo Invariant Features) 선정이 중요하다.
지금까지 고해상도 다목적실용위성 영상은 변화탐지 분석프로세스를 자동화하기 보다는 육안판독하는 경우가 많았다. 본 연구에서는 재난재해지역 파악과 같이 특히 신속한 데이터의 처리 및 분석이 요구되는 상황에서 상대 복사 보정된 시계열 영상을 사용함으로써 자동 변화지역 탐지의 신뢰성을 높일 수 있다는 가능성을 보여주었다. 이는 인터내셔널 차터1)업무를 비롯한 다양한 분야에서 변화지역탐지 프로세스를 개선하고 일정부분 자동화를 가능하게 함으로써 업무효율을 높이는데 기여할 수 있을 것이다.
기존 상대복사 보정의 경우 연구자의 주관에 의하여 PIFs를 결정하게 됨에 따라 선정 시간이 오래 걸리고 주관적인 결과를 초래 할 수 있다는 단점이 있었다. 본 연구에서는 재난지역에 대한 사례연구에 기반하여 MAD기반 상대복사 보정의 고해상도 다목적실용위성에 대한 활용 가능성을 다루고자 한다. 지금까지 KOMPSAT-2 다중분광영상에 대한 상대복사 보정을 시도한 사례가 없었으므로 본 연구의 의의는 처음으로 MAD 상대복사 보정방법을 다목적실용위성에 적용해 보고 활용가능성 및 한계점을 도출하는데 있다고 하겠다.
따라서 이러한 왜곡현상을 최소화하기 위해서는 시계열 영상의 분광 특성을 서로 비교 가능하도록 하는 전처리 과정이 중요하다. 본 연구에서는 전처리 과정 중 특히 광학영상에서 영향을 많이 받는 반사도 정규화(Reflectance Normalization)를 중심으로 살펴보고자 한다.
본 연구에서는 재난지역에 대한 사례연구에 기반하여 MAD기반 상대복사 보정의 고해상도 다목적실용위성에 대한 활용 가능성을 다루고자 한다. 지금까지 KOMPSAT-2 다중분광영상에 대한 상대복사 보정을 시도한 사례가 없었으므로 본 연구의 의의는 처음으로 MAD 상대복사 보정방법을 다목적실용위성에 적용해 보고 활용가능성 및 한계점을 도출하는데 있다고 하겠다. MAD 기반 상대복사 보정에 대한 구체적인 내용은 다음 절에 서술하였다.
가설 설정
따라서, 상대복사 보정에서 가장 중요한 부분은 시간에 따른 지표면의 반사도 변화가 거의 없는 지역 즉, PIFs를 선정하는 것이다. 그리고 이러한 지역에서 지표면의 반사율은 대기효과에 의해서 선형적으로 변화한다고 가정하고 상대복사 보정을 수행한다. 하지만, 기존의 상대복사 보정은 PIFs 지역을 연구자가 임의로 선택하도록 되어 있어 PIFs 지역 선정에 소요되는 시간이 길고, 주관적인 결과를 초래한다는 단점을 가지고 있었다(Schott et al.
하지만 상대보정의 장점이자 주요 목적은 다중시기 영상에 대하여 상대적인 변화율을 추적, 보정함으로써 변화지역을 신속하고 쉽게 파악할 수 있다는데 있다. 일반적으로 상대복사 보정은 도로나 콘크리트 포장면과 같이 시간에 따른 변화율이 낮은 인공지물의 반사 특성이 시계열 영상에서 동일하게 나타나야 하고, 이러한 지역의 반사도가 시계열 영상에서 다르게 나타나는 유형은 대기효과 때문에 선형적으로 이루어진다고 가정한다.
제안 방법
비교되는 두 시점의 영상을 T1과 T2로 가정할 때, 변화탐지에 적용되는 식 (8)은 아래와 같다. KOMPSAT-2 영상의 네개 다중분광 밴드에 대하여 해일 피해가 발생하기 전과 후의 두 영상간 화소별 DN 값의 차이, 즉 밝기값의 변화를 계산한 후 그 값의 상대적인 차이를 기준으로 피해가 있는 지역과 없는 지역으로 구분하였다. 두 영상 간 밝기값의 차가 상대적으로 큰 지역이라면 해일에 의한 피해지역일 확률이 높다.
MAD 기반 상대복사 보정 유무에 따른 시계열 영상자료의 분광특성을 비교하였다. 이를 위하여 MAD 방법에서 자동으로 추출된 PIFs지역을 대상으로 보정 전, 후의 각 밴드별 평균값을 산출하였다.
하지만, 위성촬영 시점과 근접한 대기관측 자료를 구하는 것이 현실적으로 어렵고, 설사 실측 데이터가 있다 하더라도 개별 관측소 단위로 얻어진 데이터일 경우가 많기 때문에 이러한 포인트 데이터에 기반하여 위성영상 전체 지역으로 내삽 혹은 외삽 처리하여 새로운 데이터를 생성하는 것도 정확도 확보 측면에서 무리가 있다. 그에 반해 상대 복사 보정은 참조가 되는 영상을 정하고 그 영상에서 나타나는 지표의 분광특성에 맞추어 나머지 영상의 반사도 또는 DN값을 변환함으로써 다중시기의 영상을 비교 분석하는 것이다. 상대복사 보정은 복잡한 대기 전달 모수화 과정을 필요로 하지는 않지만, 상대복사 보정된 분광값이 직접적으로 물리적 의미를 갖지는 않기 때문에 지표 물리량 기반 변화탐지 분석에 있어 다소의 제약이 따를 수 있다.
변화탐지 정도에 대한 가능성을 분석하기 위해 보정 전과 후 영상(2008-2011, 2008-2012)에 대해 동일한 임계값을 부여하는 조건으로 적용해야 화소 기반 변화탐지 정도에 대한 비교가 가능하기 때문에 각기 다른 임계값을 적용하지 않고 결과를 비교하였다. 두 영상에서 변화가 없다고 보여지는 임계값 비율을 히스토그램 분포도의 중심영역에서 40%로 정하였으며, 이 범위를 벗어나는 영역에 해당하는 화소들은 변화지역으로 간주하였다.
이로써 재난재해등 사고상황 분석에서 원하지 않는 불변지역을 간단히 제외시킬 수 있었다. 변화탐지 정도에 대한 가능성을 분석하기 위해 보정 전과 후 영상(2008-2011, 2008-2012)에 대해 동일한 임계값을 부여하는 조건으로 적용해야 화소 기반 변화탐지 정도에 대한 비교가 가능하기 때문에 각기 다른 임계값을 적용하지 않고 결과를 비교하였다. 두 영상에서 변화가 없다고 보여지는 임계값 비율을 히스토그램 분포도의 중심영역에서 40%로 정하였으며, 이 범위를 벗어나는 영역에 해당하는 화소들은 변화지역으로 간주하였다.
본 연구에서는 식 (8)의 변화탐지 알고리즘을 적용하고, 해일 피해 발생 전, 후 영상에 대한 임계값을 두 영상에서 변화된 값의 비율로 설정함으로써 변화지역과 불변지역을 쉽게 구분할 수 있도록 하였다. 이로써 재난재해등 사고상황 분석에서 원하지 않는 불변지역을 간단히 제외시킬 수 있었다.
시계열 영상자료의 상대복사 보정 실시여부에 따른 해일 피해지역의 변화탐지 결과를 비교하였다. 비교되는 두 시점의 영상을 T1과 T2로 가정할 때, 변화탐지에 적용되는 식 (8)은 아래와 같다.
MAD 기반 상대복사 보정 유무에 따른 시계열 영상자료의 분광특성을 비교하였다. 이를 위하여 MAD 방법에서 자동으로 추출된 PIFs지역을 대상으로 보정 전, 후의 각 밴드별 평균값을 산출하였다. 표 5에서 실선은 상대복사 보정이 안된 시계열 자료의 분광값이고 점선은 MAD 기반 상대복사 보정을 수행한 시계열 자료의 분광값이다.
일본 센다이 지역을 촬영한 2008년 6월, 2011년 3월, 2012년 3월 영상에 대하여 MAD 상대복사 보정을 적용하여 DN값의 정규화를 수행하였다. 참조 영상으로 해일 발생 이전에 촬영된 2008년 영상을 사용하였고, 목표 영상, 즉 정규화가 수행되는 영상으로 2011년 3월과 2012년 3월 영상을 사용하였다.
촬영일이 다른 세 개 영상에 대하여 영상 정합(image matching)과 해양지역에 대한 마스킹 처리를 하였다. 영상 정합을 위해서 먼저 KOMPSAT-2의 RPC(Rational Polynomial Coefficient) 값을 이용하여 기하 보정을 수행하였고, 최근린 내삽법(nearest neighbor resampling)을 적용하여 참조영상(2008년 6월 17일)을 기준으로 다른 시기의 영상들을 재배열함으로써 영상 간의 위치 정확도를 높였다.
대상 데이터
동일한 방법으로 2008년 영상을 참조영상으로 하여 2012년 영상을 상대복사 보정하였다. 95% 신뢰도를 바탕으로 추출된 총 7283개 PIFs 화소 중 4855 지점을 Training Data Set으로 활용하고, 나머지 2428 지점을 검증을 위한 Test Data Set으로 사용하였다. 그림 4는 2008년(Reference)과 2012년(Target) Test Data Set에 대한 PIFs 산점도를 나타낸다.
비변화 지역에 대한 가정하에서 MAD 분산으로 나눠진 표준화된 MAD 값은 대략적으로 N 자유도를 가지는 카이검정 제곱 분포를 가진다. 따라서 변화가 없는 지역에 대한 확률적 통계가 신뢰도 95% 이상한 지점을 PIFs 지역으로 선정하였다. 다시 말해서, PIFs 지역으로 선정된 화소들은 다중시기 변화 특성 중 선형적 변화 특성이 가장 큰 지역, 즉 선형변화를 제외하고는 변화가 없는 지역이 된다.
먼저 2008년 해일 발생 이전 영상과 2011년 해일 발생 직후 영상에 대해서 MAD 방법을 적용하여 95%의 신뢰도를 가지는 총 7327개 PIFs 화소를 추출하였다. 전체 화소의 2/3에 해당하는 4884개 화소는 상대복사 보정, 즉 정규화 선형 계수 산출을 위한 Training Data Set으로 사용하고, 나머지 1/3에 해당하는 2443개 화소는 산출된 상대 복사 보정 선형계수의 검증을 위한 Test Data Set으로 사용하였다.
따라서 본 연구에서는 센다이 해안가 일대를 연구 대상지로 하여 상대복사 보정을 통한 신속하고 정확한 변화지역 탐지 가능성을 살펴보고자 하였다(그림 1). 사례연구를 위하여 사용된 위성영상 자료는 2008년 6월 19일과 2011년 3월 17일, 2012년 3월 14일 촬영되었으며, 4m 공간해상도의 KOMPSAT-2 다중분광 영상이다(그림 2). 구체적인 시스템 특성은 표 1과 같다.
먼저 2008년 해일 발생 이전 영상과 2011년 해일 발생 직후 영상에 대해서 MAD 방법을 적용하여 95%의 신뢰도를 가지는 총 7327개 PIFs 화소를 추출하였다. 전체 화소의 2/3에 해당하는 4884개 화소는 상대복사 보정, 즉 정규화 선형 계수 산출을 위한 Training Data Set으로 사용하고, 나머지 1/3에 해당하는 2443개 화소는 산출된 상대 복사 보정 선형계수의 검증을 위한 Test Data Set으로 사용하였다. 그림 3은 MAD 방법 기반으로 산출된 PIFs 지역 중 각 밴드별 참조(Reference) 영상과 목표(Target) 영상에 대한 산점도를 나타낸 것으로 PIFs 지역에서 시계열적 선형성이 뚜렷하게 나타나는 것을 볼 수 있다.
일본 센다이 지역을 촬영한 2008년 6월, 2011년 3월, 2012년 3월 영상에 대하여 MAD 상대복사 보정을 적용하여 DN값의 정규화를 수행하였다. 참조 영상으로 해일 발생 이전에 촬영된 2008년 영상을 사용하였고, 목표 영상, 즉 정규화가 수행되는 영상으로 2011년 3월과 2012년 3월 영상을 사용하였다.
데이터처리
최종적으로 선정된 PIFs의 화소 값은 다중시기 영상 상대복사 보정을 위한 계수 산출 값으로 활용된다. 선정된 PIFs을 이용한 선형계수 산출을 위해 Ordinary least squares(OLS) 회귀 분석을 이용하였다(Yang and Lo, 2000). MAD방법에 대한 보다 구체적인 내용은 기존 연구들에서 찾아볼 수 있다(Nielsen et al.
이론/모형
MAD을 이용한 상대복사 보정은 정준상관분석(Canonical Correlation Analysis: CCA)에 기초한다(Hotelling, 1936; 성운현, 1997; Nielsen, 2007). 정준상관분석은 종속 변수집단과 독립변수집단, 즉 다변량 변수 집단 사이의 상관구조가 높은 변수들의 선형결합을 찾는 것으로, N개 채널을 가지고 있는 서로 다른 시기의 영상에 대한 확률 벡터를 F 와 G로 두면, 다음과 같은 선형 결합 형태로 표현할 수 있다(식 1, 식 2).
본 연구에서는 시계열 위성영상을 활용한 변화지역 탐지에 있어 기본이 되어야 할 상대 복사 보정의 필요성을 2011년 3월 해일 피해가 발생했던 일본 센다이 지역을 사례로 KOMPSAT-2 다중분광영상을 이용하여 살펴보았다. 다양한 상대복사 보정 기법 중에서 정준상관분석을 통해 PIFs 지역을 자동으로 추출하는 MAD 기법을 적용하였다. 본 사례연구 분석결과 MAD 방식에 의한 자동 PIFs 지역의 추출은 비교적 높은 정확도 수준에서 이루어짐을 확인할 수 있었고, 이렇게 보정된 시계열 영상을 사용함으로써 신속한 데이터 분석이 요구되는 재난재해지역 변화탐지에 효과가 있음을 보여주었다.
촬영일이 다른 세 개 영상에 대하여 영상 정합(image matching)과 해양지역에 대한 마스킹 처리를 하였다. 영상 정합을 위해서 먼저 KOMPSAT-2의 RPC(Rational Polynomial Coefficient) 값을 이용하여 기하 보정을 수행하였고, 최근린 내삽법(nearest neighbor resampling)을 적용하여 참조영상(2008년 6월 17일)을 기준으로 다른 시기의 영상들을 재배열함으로써 영상 간의 위치 정확도를 높였다. 이렇게 재배열된 영상간 RMS(Root Mean Square)는 0.
성능/효과
그림 4는 2008년(Reference)과 2012년(Target) Test Data Set에 대한 PIFs 산점도를 나타낸다. 2008년과 2011년 영상에 대한 MAD 적용결과와 유사하게 Blue와 Green 밴드에서 상관도가 높게 나타나고 Red 밴드에서 상대적으로 높은 분산을 보인다.
다양한 상대복사 보정 기법 중에서 정준상관분석을 통해 PIFs 지역을 자동으로 추출하는 MAD 기법을 적용하였다. 본 사례연구 분석결과 MAD 방식에 의한 자동 PIFs 지역의 추출은 비교적 높은 정확도 수준에서 이루어짐을 확인할 수 있었고, 이렇게 보정된 시계열 영상을 사용함으로써 신속한 데이터 분석이 요구되는 재난재해지역 변화탐지에 효과가 있음을 보여주었다.
일반적으로 변화탐지 연구에서 가장 많이 활용되는 영상 대 영상 방법은 시계열 영상 간의 차 연산이다. 연산 결과, 분광값의 차이가 크면 변화 확률이 높은 지역으로 차이값이 작으면 변화 확률이 낮은 지역으로 볼 수 있다. 하지만 이러한 비교 분석을 위해서는 분광값의 변화 정도에 대한 스케일 변환, 즉 정규화가 전제되어야 하고, 절대복사보정이나 상대복사 보정은 이러한 측면에서 다중시기의 영상을 비교할 때 의미 있는 정보를 도출하기 위하여 공통 값(Common Value)으로 변환하는 과정이라고 할 수 있다.
85 이상의 높은 값을 나타낸다. 이를 통해서 다중시기 KOMPSAT-2 영상을 상대복사 보정하는데 있어 MAD 방법을 적용하여 PIFs 지역을 자동으로 추출하는 것이 가능하다는 것을 확인할 수 있었다.
이상의 결과를 종합해 보면, 2008년 촬영된 우리나라 KOMPSAT-2 다중분광영상을 참조 영상으로 하여 두 목표영상 즉, 해일 발생 직후인 2011년 3월 17일 촬영된 영상과 해일 복구가 어느 정도 진전된 2012년에 3월 14일의 영상을 상대복사 보정하기 위하여 MAD 방법을 적용할 경우 PIFs 지역의 자동 추출이 신속하게 이루어질 수 있을 뿐만 아니라 신뢰할만한 수준의 높은 정확도를 가져오는 것을 확인할 수 있었다.
그림 3은 MAD 방법 기반으로 산출된 PIFs 지역 중 각 밴드별 참조(Reference) 영상과 목표(Target) 영상에 대한 산점도를 나타낸 것으로 PIFs 지역에서 시계열적 선형성이 뚜렷하게 나타나는 것을 볼 수 있다. 특히 Blue와 Green 밴드에서 높은 상관도를 보이고, Red 밴드에서 다소 낮은 상관도를 보이지만 전체적으로 높은 상관도를 나타낸다. 따라서, PIFs 지역의 자동 추출이 적절히 수행되었다고 볼 수 있다.
후속연구
이는 거꾸로 대기효과와 상대복사 보정 사이에 선형적인 관계가 성립함을 보여주는 것으로, 지표면의 반사율은 대기의 영향에 의해 선형적으로 변화한다는 상대복사 보정의 기본 전제가 틀리지 않음을 확인시켜 준다고 하겠다. 나아가서 시계열 위성정보를 이용한 변화지역 탐지나 재난재해 발생지역 파악 등과 같이 서로 다른 시점의 지표면 분광특성을 비교 분석함에 있어 상대복사 보정에 의한 분광정보의 정규화가 보다 용이하고 정확한 결과 도출에 기여하게 될 것이라는 것을 기대해볼 수 있다.
본 연구에서는 재난재해지역 파악과 같이 특히 신속한 데이터의 처리 및 분석이 요구되는 상황에서 상대 복사 보정된 시계열 영상을 사용함으로써 자동 변화지역 탐지의 신뢰성을 높일 수 있다는 가능성을 보여주었다. 이는 인터내셔널 차터1)업무를 비롯한 다양한 분야에서 변화지역탐지 프로세스를 개선하고 일정부분 자동화를 가능하게 함으로써 업무효율을 높이는데 기여할 수 있을 것이다. 향후 연구에서는 보다 다양한 지역과 다양한 경우의 변화탐지 사례를 검토함으로써 상대복사 보정의 효용성을 검증하고 이를 바탕으로 데이터 처리 과정을 일반화 하는 등 우리나라 다목적실용위성 영상자료가 의사결정 지원과 같은 실무에 보다 효율적으로 활용될 수 있도록 추가 연구가 뒷받침 되어야 할 것이다.
이는 인터내셔널 차터1)업무를 비롯한 다양한 분야에서 변화지역탐지 프로세스를 개선하고 일정부분 자동화를 가능하게 함으로써 업무효율을 높이는데 기여할 수 있을 것이다. 향후 연구에서는 보다 다양한 지역과 다양한 경우의 변화탐지 사례를 검토함으로써 상대복사 보정의 효용성을 검증하고 이를 바탕으로 데이터 처리 과정을 일반화 하는 등 우리나라 다목적실용위성 영상자료가 의사결정 지원과 같은 실무에 보다 효율적으로 활용될 수 있도록 추가 연구가 뒷받침 되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
광학위성 영상은 일반적으로 어떤 목적으로 많이 사용되는가?
전 지구 차원의 기후변화 연구는 물론 시, 군, 구 단위의 토지이용/토지피복 변화 탐지까지 위성정보의 활용영역은 다양한 해상도 및다중분광 센서의 개발과 함께 빠른 속도로 확대되고 있다. 지구관측 목적으로 일반적으로 많이 사용되는 광학위성 영상은 간접적인 방식으로 지표면에 대한 정보를 얻는다. 즉, 태양의 전자기파에너지가 대기층과 지표면에서 반사, 복사, 투과, 굴절 등의 반응 후 최종적으로 인공위성 센서에 탐지되는 값이므로 촬영 당시의 관측조건이나 대기의 영향을 많이 받는다.
간접적인 방식으로 지표면에 대한 정보를 얻는 광학위성 영상의 특징은?
지구관측 목적으로 일반적으로 많이 사용되는 광학위성 영상은 간접적인 방식으로 지표면에 대한 정보를 얻는다. 즉, 태양의 전자기파에너지가 대기층과 지표면에서 반사, 복사, 투과, 굴절 등의 반응 후 최종적으로 인공위성 센서에 탐지되는 값이므로 촬영 당시의 관측조건이나 대기의 영향을 많이 받는다. 따라서, 지표면 고유의 특성을 반영하는 분광정보를 얻기 위해서는 기하보정, 대기 효과 보정 등의 전처리 과정이 필요하다.
반사도 정규화는 어떻게 나눌 수 있는가?
반사도 정규화는 크게 절대복사보정(Absolute Radiometric Normalization)과 상대복사 보정(Relative Radiometric Normalization)으로 나눌 수 있다. 절대복사 보정은 일반적으로 복사전달모델(Radiative Transfer Model)을 이용하여 대기 모수화 과정을 통해 실제 지표면에서의 물리량을 추정 하는 방법이다(Vermote et al.
참고문헌 (19)
성운현. 1997. 응용 다변량 분석 - 이론, 방법론, SAS 활용. 도서출판 탐진.
염종민, 한경수, 김인환. 2010. 장기간 SPOT/VEGETATION 정규화 식생지수를 이용한 지면 변화 탐지 개선에 관한 연구. 한국지리정보학회지 13(4):111-124.
Canty, M.J. and A.A. Nielsen. 2006. Visualization and unsupervised classification of changes in multispectral satellite imagery. International Journal of Remote Sensing 27(18):3961-3975.
Canty, M.J. and A.A. Nielsen. 2008. Automatic radiometric normalization of multi-temporal satellite imagery with the iteratively re-weighted MAD transformation. Remote Sensing of Environment 112(3):1025-1036.
Nielsen, A.A. 2007. The regularized iteratively reweighted MAD method for change detection in multi- and hyperspectral data. IEEE Transactions on Image Processing 16(2):463-478.
Nielsen, A.A., K. Conradsen and J.J. Simpson. 1998. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies. Remote Sensing of Environment 64:1-19.
Roujean, J.L., M. Leroy and P.Y. Dechamps. 1992. A bidirectional reflectance model of the earth's surface for the correction of remote sensing data. Journal of Geophysical Research 97(D18):20,455-20,468.
Schott, J.R., C. Salvaggio and W.J. Volchok. 1988. Radiometric scene normalization using pseudoinvariant features. Remote Sensing of Environment 26:1-16.
Schroeder, T.A., W.B. Cohen, C. Song, M.J. Canty and Z. Yang. 2006. Radiometric correction of multitemporal Landsat data for characterization of early successional forest patterns in western Oregon. Remote Sensing of Environment 103(1): 16-26.
Vermote, E.F., D. Tanre, J.L. Deuze, M. Herman and J.J. Morcette. 1997. Second simulation of the satellite signal in the solar spectrum, 6S: an overview. IEEE Transaction on Geoscience and Remote Sensing 35(3):675-686.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.