선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 현장 관측 자료를 이용하여 그린란드 북쪽의 해빙을 분류하였으며, 분류 정확도를 높이기 위하여 다양한 해상도를 가지는 SAR 영상과 SAR 영상으로 만들어진 텍스쳐 영상을 만들어 비교하였다. 또한 단일 영상과 다중 영상의 결과도 비교해 정확도에 어떤 영향을 미치는지 알아보았다. 먼저 현장 조사 결과, 조사 지역에서 남쪽에서 북쪽으로 갈수록 해빙의 여러 가지 특성이 나타났으며, 이를 FYI, HDI, ridge, MDI로 나누어 분류하였다.
- 본 연구에서는 현장 관측 자료를 이용하여 그린란드 북쪽의 해빙을 분류하였으며, 분류 정확도를 높이기 위하여 다양한 해상도를 가지는 SAR 영상과 SAR 영상으로 만들어진 텍스쳐 영상을 만들어 비교하였다. 또한 단일 영상과 다중 영상의 결과도 비교해 정확도에 어떤 영향을 미치는지 알아보았다.
- 본 연구의 목적은 고해상도 SAR 영상을 이용하여 분류 정확도를 향상시키고자 하는 것이다. 현장 관측조사를 통해서 현장 자료를 수집하여 first year ice(FYI), highly deformed ice(HDI), moderately deformed ice(MDI), ridge의 4개의 클래스로 분류하였다.
제안 방법
- MYI는 얼음이 최소 3 m이상의 두께를 가지며, 형성 기간이 1년 이상으로 최소 여름을 두번 지난 얼음을 말한다. MYI의 한 종류인 deformed ice는 얼음이 계속 압축되었다 떨어진 얼음이며, 본 연구에서는 deformed ice가 위치에 따라 다른 특성을 보여서 HDI와 MDI 두 개로 분류하였다. HDI가 좀 더 압축되고 단단하게 형성되었다면, MDI는 눈이 쌓여있고 좀 더 평평한 MYI라고 볼 수 있다.
- 3과 동일하게 나타내었다. Radarsat-2의 경우, 단일 영상의 결과 및 Radarsat-2를 포함한 다중 영상의 결과가 다른 영상에 비해 높은 것으로 보여 자세한 결과를 알아보기 위해 오차 행렬(confusion matrix)를 계산하였다. 오차 행렬은 지상 정보와 실제 분류 결과를 비교함으로써 분류의 정확성을 알아볼 수 있는 방법이다.
- SAR 영상을 프로그램에서 사용할 수 있는 포맷으로 변환하기 위하여 전처리 과정을 수행하였다. 전처리는 Array Systems Computing사에서 만들어진 Next ESA SAR Toolbox 프로그램으로 하였다.
- SAR 영상의 분류에서는 무감독 분류 방법 중 하나인 K-means 알고리즘과 감독 분류 방법 중 하나인 최대 우도법 알고리즘으로 분류를 하였다. 두 알고리즘을 비교해보면, 현장 관측 자료가 포함된 최대 우도법의 전체 정확도가 높게 나타났다.
- 7 km로써 5 m간격으로 측정되었다. 눈 두께(snow depth)는 1 m까지 측정할 수 있는 탐침으로 측정하였다. 해빙의 두께는 해빙에 구멍을 뚫어서 두께를 측정하는 드릴 홀(drill hole) 방식으로 EM31(EM31, Geonics EM31-SH)을 이용하여 측정하였으며, 최대 2 m까지 측정 가능하다.
- 다음 단계는 같은 센서에서 받은 영상이라 하더라도 각 영상별로 데이터 값이 다르게 나타날 수도 있으며, 각기 다른 센서를 사용할 때에도 데이터 값이 다르게 나타나기 때문에 데이터 값을 같게 만들기 위해 방사보정을 하였다.
- 분류 정확도를 향상시키기 위해서 먼저 SAR 영상을 이용하여 무감독 분류와 감독 분류의 결과를 비교하고, 단일 영상과 다중 영상을 사용했을 경우를 비교하여 어떤 영상을 이용해야 정확도가 높아지는지를 연구하였다. 또한 텍스쳐 영상을 사용했을 때 정확도가 높아질 수 있는지 알아보고, SAR 영상과 텍스쳐 영상을 사용하여 분류한 결과를 비교하였다.
- 또한 단일 영상과 다중 영상의 결과도 비교해 정확도에 어떤 영향을 미치는지 알아보았다. 먼저 현장 조사 결과, 조사 지역에서 남쪽에서 북쪽으로 갈수록 해빙의 여러 가지 특성이 나타났으며, 이를 FYI, HDI, ridge, MDI로 나누어 분류하였다. HDI는 남쪽과 북쪽 두 군데 있었는데, 북쪽으로 갈수록 눈과 해빙이 점점 두꺼워지는 것을 알 수 있었다.
- 다음 단계는 같은 센서에서 받은 영상이라 하더라도 각 영상별로 데이터 값이 다르게 나타날 수도 있으며, 각기 다른 센서를 사용할 때에도 데이터 값이 다르게 나타나기 때문에 데이터 값을 같게 만들기 위해 방사보정을 하였다. 방사 보정이 끝난 뒤에는 기하학적 왜곡을 제거하고 좌표계로 변환하기 위한 기하 보정을 수행하였다.
- 현장 관측조사를 통해서 현장 자료를 수집하여 first year ice(FYI), highly deformed ice(HDI), moderately deformed ice(MDI), ridge의 4개의 클래스로 분류하였다. 분류 정확도를 향상시키기 위해서 먼저 SAR 영상을 이용하여 무감독 분류와 감독 분류의 결과를 비교하고, 단일 영상과 다중 영상을 사용했을 경우를 비교하여 어떤 영상을 이용해야 정확도가 높아지는지를 연구하였다. 또한 텍스쳐 영상을 사용했을 때 정확도가 높아질 수 있는지 알아보고, SAR 영상과 텍스쳐 영상을 사용하여 분류한 결과를 비교하였다.
- 군집의 평균은 새롭게 계산된 평균과 함께 반복되어 다시 계산되며, 픽셀은 재분류된다(Tou and Gonzalez, 1974). 분류 클래스는 현장 관측과 동일하게 FYI, HDI, MDI, ridge 네 종류로 하였다. 해상도나 파장대가 다른 영상을 함께 사용한다면 정확도에 영향을 줄 수 있는지 알아보기 위해서 단일 영상 외에도 여러 가지 센서 조합을 이용한 다중 영상을 이용하였다.
- SAR 영상을 프로그램에서 사용할 수 있는 포맷으로 변환하기 위하여 전처리 과정을 수행하였다. 전처리는 Array Systems Computing사에서 만들어진 Next ESA SAR Toolbox 프로그램으로 하였다. SAR 영상에는 스펙클 노이즈(speckle noise)라는 후추를 뿌린 듯 한 작은 반점이 발생하는데, 이것은 영상의 화질을 감소시키기 때문에 영상 처리를 하기 전 먼저 3×3 mean 필터로 스펙클 노이즈를 제거하였다.
- 해빙의 종류와 최대 우도법에 사용된 트레이닝 데이터와 테스트 데이터는 Table 3과 같다. 클래스 개수는 현장 관측과 K-means에서 사용된 것과 동일하게 4개로 하였으며, 트레이닝 데이터와 테스트 데이터는 최대한 비슷한 면적으로 차이가 많이 나지 않도록 만들어 비교하였다.
- 통계적 기법을 이용하여 GLCM을 계산하는 방법으로는 평균(mean), 분산(variance), 상관관계 (correlation)를 구하는 세 가지 방법이 있는데, 이 중에서 커널 사이즈가 3×3인 평균 텍스쳐 영상을 만들었다.
- 해빙의 종류는 WMO(1970) 자료와 현장 자료를 참고하여 분류하였다. FYI는 얼음이 형성되는 기간이 1년을 넘지 않고 얼음의 두께가 일반적으로 0.
- 분류 클래스는 현장 관측과 동일하게 FYI, HDI, MDI, ridge 네 종류로 하였다. 해상도나 파장대가 다른 영상을 함께 사용한다면 정확도에 영향을 줄 수 있는지 알아보기 위해서 단일 영상 외에도 여러 가지 센서 조합을 이용한 다중 영상을 이용하였다.
- 본 연구의 목적은 고해상도 SAR 영상을 이용하여 분류 정확도를 향상시키고자 하는 것이다. 현장 관측조사를 통해서 현장 자료를 수집하여 first year ice(FYI), highly deformed ice(HDI), moderately deformed ice(MDI), ridge의 4개의 클래스로 분류하였다. 분류 정확도를 향상시키기 위해서 먼저 SAR 영상을 이용하여 무감독 분류와 감독 분류의 결과를 비교하고, 단일 영상과 다중 영상을 사용했을 경우를 비교하여 어떤 영상을 이용해야 정확도가 높아지는지를 연구하였다.
대상 데이터
- SAR 영상 자료는 아이스 캠프가 있는 지역을 중심으로 현장 관측이 진행된 시기를 고려하여 2009년 4월 21일부터 5월 13일까지 촬영된 5장의 영상을 사용하였다(Table 2).
- 연구 지역은 그린란드 북쪽에 있는 정착빙 부근이며, 현장 관측을 하기 위해 아이스 캠프를 설치하였다(83° 38.622’N, 32° 14.245’W).
- 현장 관측은 2009년 5월 1일부터 5월 6일까지 진행되었다. 현장 관측 자료로 눈과 해빙의 두께를 측정하였으며, 측정된 구간은 1.7 km로써 5 m간격으로 측정되었다. 눈 두께(snow depth)는 1 m까지 측정할 수 있는 탐침으로 측정하였다.
- 현장 관측은 2009년 5월 1일부터 5월 6일까지 진행되었다. 현장 관측 자료로 눈과 해빙의 두께를 측정하였으며, 측정된 구간은 1.
이론/모형
- 전처리가 끝난 SAR 영상을 GLCM(Grey Level Cooccurance Matrix) 알고리즘을 이용하여 텍스쳐 영상으로 생성하였다. 텍스쳐 영상은 공간의 형태로 나타난 지표면의 특징을 통계적 기법을 이용하여 정량적으로 나타내는 것이다.
- 눈 두께(snow depth)는 1 m까지 측정할 수 있는 탐침으로 측정하였다. 해빙의 두께는 해빙에 구멍을 뚫어서 두께를 측정하는 드릴 홀(drill hole) 방식으로 EM31(EM31, Geonics EM31-SH)을 이용하여 측정하였으며, 최대 2 m까지 측정 가능하다.
성능/효과
- 따라서 단일 영상 중에서도 해상도가 좋은 Radarsat-2 영상을 이용했을때 ridge의 정확도가 높아지는 것으로 판단된다. FYI도 단일 SAR 영상이나 텍스쳐 영상을 사용했을 때 잘 분류 되었는데, FYI는 SAR 영상에서 어둡게 나타나며 표면이 고르게 나타나는 단일 영역으로 볼 수 있기 때문에 다중 영상보다 단일 영상을 사용했을 때 정확도가 높아지는 것으로 판단된다. 그러나 다중 영상을 이용했을 때 HDI와 MDI는 잘 분류되었다.
- 하지만 텍스쳐 영상을 사용했을 때 전체 정확도가 높아질 것이라는 예상과는 달리 몇몇 결과에서만 SAR 영상보다 전체 정확도가 높게 나타났다. Radarsat-2, ASAR, PALSAR 조합, ASAR 영상, ASAR와 PALSAR의 조합만 텍스쳐 영상을 사용했을 때 전체 정확도가 높았다.
- 최대 우도법 알고리즘으로 분류한 전체 정확도는 Table 5와 같다. Radarsat-2와 ASAR 영상을 이용했을 때전체 정확도는 86.3%로 가장 높게 나타났으며, Radarsat-2 영상을 사용했을 때 전체 정확도는 86.2%로 나타났다. 대체적으로 Radarsat-2 영상을 사용하여 분류했을 때 전체 정확도가 높은 것을 볼 수 있었다.
- 또한 텍스쳐 영상을 함께 사용하여 SAR 영상과 전체 정확도 결과를 비교해 보았는데, 텍스쳐 영상을 사용하는 것은 전체 정확도 향상에 도움을 주었다. 각 클래스별 결과를 본다면, 단일 SAR 영상으로 분류 했을 때는 1년빙과 ridge의 분류가 잘 되었으며, 다중 SAR 영상으로 분류했을 때는 MYI의 혼합 영역인 HDI와 MDI가 잘 분류되었다. 따라서 단일 영상과 다중 영상을 적절하게 사용한다면 다양한 클래스의 해빙을 분류하는데 정확도를 향상시킬 수 있을 것으로 보인다.
- 2(b)는 FYI에 있는 작은 ridge이다. 관측 결과 FYI의 평균 눈 두께는 5.6 cm이며, 평균 해빙의 두께는 2.1 m이다. SAR 영상에서 밝은 부분은 MYI와 ridge 로 볼 수 있다.
- 0%로 K-means 알고리즘을 사용한 결과 중 가장 높은 것으로 나타났다. 그 다음으로 ASAR와 PALSAR의 텍스쳐 영상을 사용했을 때는 전체 정확도가 73.6%로 SAR 영상을 사용했을때 보다 더 높게 나타났다. 다른 조합과 비교했을 때도 텍스쳐 영상을 사용했을 때 전체 정확도가 2.
- HDI와 MDI는 표면이 불규칙하고, 형성 과정에서 다양한 종류의 얼음이 혼합되어 있기 때문에 다중 영상을 이용하면 혼합 영역에 대해 많은 정보를 알 수 있을 것으로 보인다. 다른 영상의 결과를 비교해 보았을 때, 단일 SAR 영상이나 텍스쳐 영상을 이용했을 때 FYI와 ridge가 잘 분류되었으며, 다중 SAR 영상과 텍스쳐 영상을 이용했을 때 HDI와 MDI가 잘 분류되었다.
- 6%로 SAR 영상을 사용했을때 보다 더 높게 나타났다. 다른 조합과 비교했을 때도 텍스쳐 영상을 사용했을 때 전체 정확도가 2.8%에서 최대 9% 높게 나타났다.
- 4%로 단일 영상을 사용했을 때 보다 Radarsat-2, ASAR, PALSAR 영상을 함께 사용했을 때 정확도가 높은 것으로 나타났다. 다음으로 텍스쳐 영상의 결과를 보면, Radarsat-2와 PALSAR 텍스쳐 영상을 조합했을 경우 정확도는 75.0%로 K-means 알고리즘을 사용한 결과 중 가장 높은 것으로 나타났다. 그 다음으로 ASAR와 PALSAR의 텍스쳐 영상을 사용했을 때는 전체 정확도가 73.
- 0%이었다. 단일 영상을 사용했을 때 Radarsat-2의 결과는 51.1%, ASAR의 결과는 42.4%로 단일 영상을 사용했을 때 보다 Radarsat-2, ASAR, PALSAR 영상을 함께 사용했을 때 정확도가 높은 것으로 나타났다. 다음으로 텍스쳐 영상의 결과를 보면, Radarsat-2와 PALSAR 텍스쳐 영상을 조합했을 경우 정확도는 75.
- 따라서 최대 우도법을 사용하여 전체 정확도가 가장 높았던 Radarsat-2와 ASAR의 결과 영상, Radarsat-2 결과 영상으로 계산된 오차 행렬은 각각 Table 6과 Table 7과 같다. 두 결과를 비교해보면 FYI, HDI, MDI의 결과 차이는 5% 미만으로 큰 차이가 나타나지 않았다. 하지만 가장 큰 차이가 있었던 부분은 ridge의 분류 결과이다.
- SAR 영상의 분류에서는 무감독 분류 방법 중 하나인 K-means 알고리즘과 감독 분류 방법 중 하나인 최대 우도법 알고리즘으로 분류를 하였다. 두 알고리즘을 비교해보면, 현장 관측 자료가 포함된 최대 우도법의 전체 정확도가 높게 나타났다. 또한 텍스쳐 영상을 함께 사용하여 SAR 영상과 전체 정확도 결과를 비교해 보았는데, 텍스쳐 영상을 사용하는 것은 전체 정확도 향상에 도움을 주었다.
- 단일 영상의 정확도는 SAR 영상을 사용했을 때와 텍스쳐 영상을 사용했을 때 모두 다중 영상을 사용했을 때 보다 낮게 나타났다. 따라서 K-means 알고리즘을 이용했을 때 단일 영상 보다는 다중 영상의 텍스쳐 영상을 이용하는 것이 정확도가 더 높게 나타난다는 것을 알 수 있다. K-means 알고리즘을 사용하여 분류한 결과는 Fig.
- 두 알고리즘을 비교해보면, 현장 관측 자료가 포함된 최대 우도법의 전체 정확도가 높게 나타났다. 또한 텍스쳐 영상을 함께 사용하여 SAR 영상과 전체 정확도 결과를 비교해 보았는데, 텍스쳐 영상을 사용하는 것은 전체 정확도 향상에 도움을 주었다. 각 클래스별 결과를 본다면, 단일 SAR 영상으로 분류 했을 때는 1년빙과 ridge의 분류가 잘 되었으며, 다중 SAR 영상으로 분류했을 때는 MYI의 혼합 영역인 HDI와 MDI가 잘 분류되었다.
- K-means 알고리즘을 이용하여 SAR 영상과 텍스쳐 영상을 사용하여 분류했을 때 전체 정확도는 Table 4와같다. 먼저 SAR 영상의 결과를 살펴보면, ASAR와 PALSAR의 영상을 함께 사용했을 경우 정확도가 70.7%로 가장 높게 나타났다. 그 다음으로는 Radarsat-2와 PALSAR 영상 조합의 경우, 전체 정확도는 66.
- 텍스쳐 영상을 사용했을 때 결과를 보면, Radarsat-2 와 ASAR 영상의 조합 결과가 83.4%로 가장 높게 나타 났으며, Radarsat-2 영상 분류 결과 83.0%로 두 번째로 높게 나타났다. 하지만 텍스쳐 영상을 사용했을 때 전체 정확도가 높아질 것이라는 예상과는 달리 몇몇 결과에서만 SAR 영상보다 전체 정확도가 높게 나타났다.
- 표에는 나타나지 않았지만 텍스쳐 이미지의 경우도 마찬가지로 단일 영상을 사용했을 때 ridge의 분류가 잘 되었는데, Radarsat-2 텍스쳐 이미지를 사용했을 경우 ridge는 97.2%로 분류되어 단일 영상을 사용했을 때 정확도가 높아지는 것으로 나타났다.
후속연구
- 각 클래스별 결과를 본다면, 단일 SAR 영상으로 분류 했을 때는 1년빙과 ridge의 분류가 잘 되었으며, 다중 SAR 영상으로 분류했을 때는 MYI의 혼합 영역인 HDI와 MDI가 잘 분류되었다. 따라서 단일 영상과 다중 영상을 적절하게 사용한다면 다양한 클래스의 해빙을 분류하는데 정확도를 향상시킬 수 있을 것으로 보인다. 특히 ridge는 단일 영상과 다중 영상을 이용했을 때 정확도 결과 차이가 많이 발생했지만, ridge의 영역이 다른 클래스에 비해 작았을 뿐만 아니라 Radarsat-2의 해상도로 구별하기에는 한계가 있는 것으로 추측되 이에 TerraSAR-X 영상을 이용한 보완을 한다면 정확도가 더 높게 나올 것으로 판단된다.
- 따라서 단일 영상과 다중 영상을 적절하게 사용한다면 다양한 클래스의 해빙을 분류하는데 정확도를 향상시킬 수 있을 것으로 보인다. 특히 ridge는 단일 영상과 다중 영상을 이용했을 때 정확도 결과 차이가 많이 발생했지만, ridge의 영역이 다른 클래스에 비해 작았을 뿐만 아니라 Radarsat-2의 해상도로 구별하기에는 한계가 있는 것으로 추측되 이에 TerraSAR-X 영상을 이용한 보완을 한다면 정확도가 더 높게 나올 것으로 판단된다.
- (1992)등의 연구에서 해빙을 분류할 때 텍스쳐 영상을 사용하면 정확도가 높아진다는 것을 알 수 있었다. 해빙은 종류에 따라 표면이 부드러운 부분이나 변화가 많아 표면이 거친 부분등 표면의 변화가 다양하게 나타나기 때문에 텍스쳐 영상을 사용한다면 표면의 정보를 얻을 뿐만 아니라 정확도 향상에 기여할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.