원격탐사영상의 기상조건과 계절에 따른 모의는 영상 전처리 단계 중 대기보정 알고리즘의 역방향 구현을 통해 수행될 수 있다. 본 연구는 상용 원격탐사영상처리 프로그램에서 제공되는 대기보정기능으로 보정된 Landsat영상을 특정기상조건이 고려된 대기보정 이전 상태로 모의하는 방법을 실험하였다. 실험에 적용한 방법은 Forster 알고리즘(1984)과 6S RTM (Radiative Transfer Model) 이고, 모의된 결과영상을 특정기상조건의 원영상과 비교하여 일치성을 분석하였다. 6S RTM을 적용한 결과가 Forster 알고리즘보다 일치성이 높았고, 결과연구대상지역 영상으로 모의영상을 제작한 결과, 원영상과의 평균 RMSE of DN difference가 9.35이고, 평균 $R^2$는 0.7이였다. 결과적으로 참조 영상과 계절이 동일하고 시기가 유사한 모의영상 생성 시 실용적 활용 가능성을 입증하였다.
원격탐사영상의 기상조건과 계절에 따른 모의는 영상 전처리 단계 중 대기보정 알고리즘의 역방향 구현을 통해 수행될 수 있다. 본 연구는 상용 원격탐사영상처리 프로그램에서 제공되는 대기보정기능으로 보정된 Landsat영상을 특정기상조건이 고려된 대기보정 이전 상태로 모의하는 방법을 실험하였다. 실험에 적용한 방법은 Forster 알고리즘(1984)과 6S RTM (Radiative Transfer Model) 이고, 모의된 결과영상을 특정기상조건의 원영상과 비교하여 일치성을 분석하였다. 6S RTM을 적용한 결과가 Forster 알고리즘보다 일치성이 높았고, 결과연구대상지역 영상으로 모의영상을 제작한 결과, 원영상과의 평균 RMSE of DN difference가 9.35이고, 평균 $R^2$는 0.7이였다. 결과적으로 참조 영상과 계절이 동일하고 시기가 유사한 모의영상 생성 시 실용적 활용 가능성을 입증하였다.
A remote sensed image simulation following to weather and season conditions can be performed by a reverse atmospheric correction which is a function of image preprocessing. In this study, we have made an experiment to generate the simulated image to the raw image, which is prior to the atmospheric c...
A remote sensed image simulation following to weather and season conditions can be performed by a reverse atmospheric correction which is a function of image preprocessing. In this study, we have made an experiment to generate the simulated image to the raw image, which is prior to the atmospheric corrected images under the specific weather conditions. The applied methods in this study were the Forster algorithm (1984) and 6S RTM (Radiative Transfer Model). The simulated images has been compared with the original image to analyze compliances. In fact, the results from 6S RTM method show better compliances than Forster, with a mean of RMSE of DN difference 9.35 and a mean of $R^2$ 0.7. In conclusion, a simulated image has practical feasibility when similar to the period and season as the reference image.
A remote sensed image simulation following to weather and season conditions can be performed by a reverse atmospheric correction which is a function of image preprocessing. In this study, we have made an experiment to generate the simulated image to the raw image, which is prior to the atmospheric corrected images under the specific weather conditions. The applied methods in this study were the Forster algorithm (1984) and 6S RTM (Radiative Transfer Model). The simulated images has been compared with the original image to analyze compliances. In fact, the results from 6S RTM method show better compliances than Forster, with a mean of RMSE of DN difference 9.35 and a mean of $R^2$ 0.7. In conclusion, a simulated image has practical feasibility when similar to the period and season as the reference image.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
본 연구에서는 상용프로그램으로 대기보정된 영상으로부터 문헌상에 공개된 Forster 알고리즘과 6S Radiative Transfer Model을 이용하여 역방향 대기보정을 수행, 특정 기상조건의 대기보정 이전상태의 영상을 모의하였다. 실험영상으로는 최근까지도 원격탐사분야에서 많이 활용되는 Landsat TM 위성영상을 이용하였고, 위의 두 가지 방법으로 제작된 모의영상은 지표 반사도(surface reflectance)에서 화소값(Digital Number, DN)으로 영상을 재구축되고, 원영상과 비교하여 활용 가능성을 분석하였다.
본 연구에서는 상용프로그램으로 대기보정된 영상으로부터 문헌상에 공개된 Forster 알고리즘과 6S Radiative Transfer Model을 이용하여 역방향 대기보정을 수행, 특정 기상조건의 대기보정 이전상태의 영상을 모의하였다. 실험영상으로는 최근까지도 원격탐사분야에서 많이 활용되는 Landsat TM 위성영상을 이용하였고, 위의 두 가지 방법으로 제작된 모의영상은 지표 반사도(surface reflectance)에서 화소값(Digital Number, DN)으로 영상을 재구축되고, 원영상과 비교하여 활용 가능성을 분석하였다.
이 중, 기상 조건 자료는 영상 취득 지역과 시간에 맞추기 위하여 두 가지의 처리과정을 하였다. 첫 번째로 기상청 자료는 익산시를 제공하지 않기 때문에 주변 지역인 전주와 군산시의 자료를 획득하였고, 두 지역의 평균값을 구하여 익산시의 대기 자료로 추정하였다. 두 번째로 기상청 사이트에서는 3시간 단위로 자료를 제공하기 때문에 선형보간법(linear interpolation)을 이용하여 영상 취득 시간에 맞는 대기조건을 획득하였다.
, 2002). FLAASH로 대기보정 된 영상으로부터 공개된 대기보정 알고리즘의 역방향을 구현하여 원 영상의 기상 및 대기정보를 입력, 모의영상을 생성하였다. Fig.
먼저 실험영상을 상용 소프트웨어로 대기보정 하였다. 이를 다시 Forster 알고리즘과 6S로 기존의 기상상태를 가진 영상으로 모의하고, 결과를 원영상과 비교하여 역방향 모의방법의 가용성을 입증하였다. 다음으로 이렇게 입증된 방법을 이용하여 유사한 시기의 다른 Landsat 영상을 모의하고 그 유사성을 비교하였다.
이를 다시 Forster 알고리즘과 6S로 기존의 기상상태를 가진 영상으로 모의하고, 결과를 원영상과 비교하여 역방향 모의방법의 가용성을 입증하였다. 다음으로 이렇게 입증된 방법을 이용하여 유사한 시기의 다른 Landsat 영상을 모의하고 그 유사성을 비교하였다.
역방향 모의의 가용성을 입증하기 위해 상용 소프트웨어로 대기보정이 된 영상의 원영상을 모의하였다. 구축에는 Forster 알고리즘과 6S를 사용하였고, 모의 시에 사용한 입력값들은 Table 1에 나타내었다.
시기와 계절이 유사한 참조영상으로 만든 모의영상이 원영상과 높은 일치성을 보였다. RMSE of DN difference와 R2로 나타낸 결과는 전체적인 일치성을 보여주기 때문에 토지 피복별로 비교할 필요가 있다고 판단하였다. 토지 피복별 일치성 분석에는 최대 우도 분류법(maximum likelihood classification)과 차이값(Difference Value, DV) 영상을 이용하였다.
정확한 모의영상 구축을 하기 위해서는 대기 감쇠 효과를 고려한 작업이 수행되어야 한다. 그러므로 본 연구에서는 Forster 알고리즘과 6S 모듈을 구축하고, 두 대기보정을 이용하여 지표 반사도값을 가진 영상을 화소값으로 변환하였다. 구축한 대기보정의 유용성을 보기 위하여 동일 시기의 영상을 활용해 모의하여 비교하였고, 활용성 측면에서는 참조영상과 다른 시기의 영상들을 비교함으로써 두 대기보정의 활용성을 분석하였다.
그러므로 본 연구에서는 Forster 알고리즘과 6S 모듈을 구축하고, 두 대기보정을 이용하여 지표 반사도값을 가진 영상을 화소값으로 변환하였다. 구축한 대기보정의 유용성을 보기 위하여 동일 시기의 영상을 활용해 모의하여 비교하였고, 활용성 측면에서는 참조영상과 다른 시기의 영상들을 비교함으로써 두 대기보정의 활용성을 분석하였다. 실험결과, Forster 알고리즘과 6S의 역방향 모의는 각각 평균 RMSE of DN difference가 7.
대상 데이터
실험 지역으로는 나지, 농경지, 산지, 수계 그리고 도시지역 등의 토지피복형태가 고루 분포하고 있는 전라북도 익산시를 포함한 지역을 선정하였다. 실험 자료는 Landsat TM 위성영상으로써, 30m 공간해상도의 다중분광영상이다.
실험 지역으로는 나지, 농경지, 산지, 수계 그리고 도시지역 등의 토지피복형태가 고루 분포하고 있는 전라북도 익산시를 포함한 지역을 선정하였다. 실험 자료는 Landsat TM 위성영상으로써, 30m 공간해상도의 다중분광영상이다. USGS에서 획득한 Level 1T급 보정영상으로써 2003년 12월 3일과 2004년 6월 3일에 촬영된 영상을 실험에 고려하였다.
실험 자료는 Landsat TM 위성영상으로써, 30m 공간해상도의 다중분광영상이다. USGS에서 획득한 Level 1T급 보정영상으로써 2003년 12월 3일과 2004년 6월 3일에 촬영된 영상을 실험에 고려하였다.
취득 영상에 관한 자료는 영상 획득 시에 함께 받을 수 있는 Metadata 파일에서 획득하였고, 기상 조건 자료는 기상청 웹 사이트에서 획득하였다. 이 중, 기상 조건 자료는 영상 취득 지역과 시간에 맞추기 위하여 두 가지의 처리과정을 하였다.
대기 보정에는 FLAASH를 이용하였다. FLAASH는 Air force research laboratory와 Spectral sciences, Inc에서 개발 된 지표 반사도를 구하기 위한 모델링 도구이고, ENVI에서 사용 할 수 있다.
참조영상은 2003년 12월 3일과 2004년 6월 3일 영상으로 각각 겨울과 여름을 가진 영상으로 선정하였고, 각 영상은 상용 소프트웨어로 대기보정 하였다. 실험에 사용한 영상은 2002년 6월 7일, 2005년 1월 6일, 그리고 2009년 6월 26일을 가진 영상을 이용했다.
참조영상은 2003년 12월 3일과 2004년 6월 3일 영상으로 각각 겨울과 여름을 가진 영상으로 선정하였고, 각 영상은 상용 소프트웨어로 대기보정 하였다. 실험에 사용한 영상은 2002년 6월 7일, 2005년 1월 6일, 그리고 2009년 6월 26일을 가진 영상을 이용했다. 선정에는 참조 영상과 유사한 계절을 가진 영상, 그리고 시기 차이가 먼 영상으로 고려하였다.
그림자 지역의 경우, 해당 지역이 다른 토지피복으로 오분류 되는 것을 막기 위해 선정하였다. 피복별 일치성 분석 시에는 그림자 지역을 제외한 5개의 클래스(산림, 수계, 건물, 식생, 나지)를 고려하여 실험하였다.
차이값 영상은 원 영상과 모의 영상간의 픽셀별 화소값 차이를 이용하여 나타내었고, 총 6개 밴드에서 나타내는 차이값의 평균을 구하여 각 픽셀의 대표 차이값으로 선정하였다. 비교에 쓰인 영상은 원 영상과 좋은 일치성을 보인 2004년 6월 3일 영상을 참조하여 모의한 2002년 6월 7일 영상, 그리고 2003년 12월 3일 영상을 참조하여 모의한 2005년 1월 6일 영상을 사용하였다. Fig.
데이터처리
구축에는 Forster 알고리즘과 6S를 사용하였고, 모의 시에 사용한 입력값들은 Table 1에 나타내었다. 유사성 검토에는 RMSE(Root Mean Square Error) of DN difference와 R2(coefficient of determination)를 이용하였다. R2는 두 변수간의 선형 관계 정도가 높으면 1에 가까워진다.
차이값 영상은 원 영상과 모의 영상간의 픽셀별 화소값 차이를 이용하여 나타내었고, 총 6개 밴드에서 나타내는 차이값의 평균을 구하여 각 픽셀의 대표 차이값으로 선정하였다. 비교에 쓰인 영상은 원 영상과 좋은 일치성을 보인 2004년 6월 3일 영상을 참조하여 모의한 2002년 6월 7일 영상, 그리고 2003년 12월 3일 영상을 참조하여 모의한 2005년 1월 6일 영상을 사용하였다.
이론/모형
첫 번째로 기상청 자료는 익산시를 제공하지 않기 때문에 주변 지역인 전주와 군산시의 자료를 획득하였고, 두 지역의 평균값을 구하여 익산시의 대기 자료로 추정하였다. 두 번째로 기상청 사이트에서는 3시간 단위로 자료를 제공하기 때문에 선형보간법(linear interpolation)을 이용하여 영상 취득 시간에 맞는 대기조건을 획득하였다.
본 연구에서 사용한 Aerosol type은 영상 취득 시 해당 지역의 온도와 수증기량을 고려하여 FLAASH에서 제공하는 MODTRAN 대기모델인 MLW(Mid-Latitude Winter)와 SAS(Sub-Arctic Summer)를 선택하였고, 6S에서는 영상 취득 시 위도와 계절을 고려하여 MIDWIN(MID latitude WINter)와 MIDSUM(MID latitude SUMmer)를 사용하였다(FLAASH, 2009; Vermote et al., 1997).
역방향 모의의 가용성을 입증하기 위해 상용 소프트웨어로 대기보정이 된 영상의 원영상을 모의하였다. 구축에는 Forster 알고리즘과 6S를 사용하였고, 모의 시에 사용한 입력값들은 Table 1에 나타내었다. 유사성 검토에는 RMSE(Root Mean Square Error) of DN difference와 R2(coefficient of determination)를 이용하였다.
RMSE of DN difference와 R2로 나타낸 결과는 전체적인 일치성을 보여주기 때문에 토지 피복별로 비교할 필요가 있다고 판단하였다. 토지 피복별 일치성 분석에는 최대 우도 분류법(maximum likelihood classification)과 차이값(Difference Value, DV) 영상을 이용하였다. 최대 우도 분류법은 각 클래스에 대한 자료의 우도(likelihood)를 구하고, 최대우도 클래스에 그 화소를 할당하는 방법이다(Eo, 2008).
성능/효과
1) 전반적으로 Forster 알고리즘의 평균 RMSE of DN difference값이 6S보다 더 높은 값을 보이는 이유는 변수 때문이라 판단된다. Forster 알고리즘의 경우 6S보다 고려되는 대기 변수들이 적다.
2) 참조영상과 계절이 유사한 영상에서 다른 영상보다 좋은 RMSE of DN difference와 R2값이 나온 이유는 토지 피복의 특성 때문으로 판단된다. 본 연구 지역의 특성상 농경지가 많이 포함되어 있기 때문에 계절에 따라 식생의 변화가 많을 것이고, 토양의 수분 함유량이 차이날 것이다.
실험결과, Forster 알고리즘과 6S의 역방향 모의는 각각 평균 RMSE of DN difference가 7.445, 3.055 정도로써 6S 방법이 우수함을 보였고, R2 는 두 영상 모두 1에 가까운 값을 나타내어 제안 방법의 유용성을 입증하였다.
3) 피복별 일치성 분석 결과에서 나지와 식생 지역이 다른 토지 피복에 비하여 일치성이 낮은 것으로 나왔는데, 이는 시기에 따른 토지피복 변경으로 사료된다. 나지와 식생 지역에서 나타낸 값이 다른 토지 피복들이 나타낸 값과 크게 차이나지 않기 때문에 모의영상 활용에는 영향을 끼치지 않을 것이라 판단된다.
4) 다양한 실험 결과, 참조영상과 시기 차이가 약 3년 이상인 영상의 경우에는 좋지 않은 RMSE of DN difference와 R2 값을 보였다. 이는 시기 차이가 클수록 토지 피복의 변화량이 크기 때문에 나타난 결과로 사료된다.
055 정도로써 6S 방법이 우수함을 보였고, R2 는 두 영상 모두 1에 가까운 값을 나타내어 제안 방법의 유용성을 입증하였다. 참조영상을 이용하여 시기가 다른 영상을 역방향 6S로 모의하는 실험에서는 참조영상과 동일 계절을 가진 영상을 모의했을 때 원 영상과의 평균 RMSE of DN difference가 9.35, 그리고 R2는 0.7로 유사함을 나타내고 있다.
후속연구
향후에는 대기보정이 이루어진 참조영상을 계절별, 시기별로 충분히 확보하여 모의영상의 유사성을 향상시키고, 계절 변화에 따른 식생 및 하천영역 변화에 적용할 수 있는 향상된 알고리즘 개발이 이루어져야 할 것이다. 또한 참조영상의 다양화로 모의영상 생성 범위의 확대를 고려하여 모의영상 수요에 대한 충분한 대처가 있어야 할 것이다.
향후에는 대기보정이 이루어진 참조영상을 계절별, 시기별로 충분히 확보하여 모의영상의 유사성을 향상시키고, 계절 변화에 따른 식생 및 하천영역 변화에 적용할 수 있는 향상된 알고리즘 개발이 이루어져야 할 것이다. 또한 참조영상의 다양화로 모의영상 생성 범위의 확대를 고려하여 모의영상 수요에 대한 충분한 대처가 있어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
MODTRAN4기반의 ATCOR와 FLAASH 같은 상용프로그램이 모의 영상 제작 시 상대 대기 보정보다 더 유용한 방법인 이유는 무엇인가?
, 2002). 이 방법은 대기 조건을 이용하여 영상의 지표 반사도를 구하기 때문에 모의 영상 제작 시 상대 대기보정보다 더 유용한 방법이다.
TOA(Top of Atmospheric) 반사도란 무엇인가?
TOA(Top of Atmospheric) 반사도는 이런 감쇠되는 양을 고려하지 않은 반사도를 말한다. TOA 반사도를 구하기 위해서는 처음 화소값으로 되어 있는 영상을 복사휘도(radiance)값으로 변환하여야 한다.
광학영상에 대한 기존에 획득한 영상을 이용하여 모의 영상을 제작하고자 할 때에는 어떠한 점을 고려하고 있어야 하는가?
지표의 다양한 반사특성, 대기의 수증기 및 에어로졸과 같은 미세먼지로 인한 대기 산란, 흡수, 굴절 등으로 인하여 광학영상에 대한 모의영상 제작은 기상조건에 민감하고, 계절에 따른 형상변화 등 여러 가지 복합적인 요소들을 포함하고 있다. 따라서 기존에 획득한 영상을 이용하여 모의영상을 제작하고자 하는 경우에는 기존의 영상의 기하보정 및 대기보정 여부를 고려하고 있어야 한다. 원격탐사 영상처리에서 대기보정은 정밀한 보정을 요구하지 않는 연구에서는 MODTRAN4(MODerate resolution atmospheric TRANsmission) 기반의 ATCOR(Atmospheric and Topographic Correction)와 FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)와 같은 상용프로그램이 비교 및 활용되어 왔다(Badarinath et al.
참고문헌 (17)
Badarinath, K.V.S., Sharma, A.R., and Kharol, S.K. (2011), Forest fire monitoring and burnt area mapping using satellite data: a study over the forest region of Kerala State, India, International Journal of Remote Sensing, Vol. 32, No. 1, pp. 85-102.
Chander, G. and Markham, B. (2003), Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges, IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, No. 11, pp. 2674-2677.
Eo, Y.D., Lee, G.W., Park, D.Y., Park, W.Y., and Lee, C.N. (2008), Supervised classification using training parameters and prior probability generated from VITD - the case of QuickBird multispectral imagery, Korean Journal of Remote Sensing, Vol. 24, No. 5, pp. 517-524.
FLAASH, User’s Guide. (2009), Atmospheric Correction Module: QUAC and FLAASH User’s Guide: Version 4.7, ITT Visual Information Solutions Inc., Boulder, Colorado, http://www.exelisvis.com/portals/0/pdfs/envi/flaash_module.pdf (last date accessed: 26 October 2014).
Forster, B.C. (1984), Derivation of atmospheric correction procedures for LANDSAT MSS with particular reference to urban data, International Journal of Remote Sensing, Vol. 5, No. 5, pp. 799-817.
Grasso, L.D., Sengupta, M., Dostalek, J.F., Brummer, R., and Demaria, M. (2008), Synthetic satellite imagery for current and future environmental satellites. International Journal of Remote Sensing, Vol. 29, No. 15, pp. 4373-4384.
Gueymard, C. (1995), A Simple Model of the Atmospheric Radiative Transfer of Sunshine: Algorithms and Performance Assessment, Technical Report No. FSECPF-270-95, Florida Solar Energy Center, Cocoa, FL, 65p.
Jensen, J.R. (2005), Introductory Digital Image Processing : A Remote Sensing Perspective: 3rd Edition, Prentice-Hall Inc, New Jersey.
Jung, T.W., Eo, Y.D., Jin, T.L., Lim, S.B., Park, D.Y., Park, H.S., Piao, M.H., and Park, W.Y. (2009), Comparison of digital number distribution changes of each class according to atmospheric correction in LANDSAT-5 TM, Korean Journal of Remote Sensing, Vol. 25, No. 1, pp. 11-20. (in Korean with English abstract)
Kim, H.O., Yeom, J.M., and Kim, Y.S. (2011), The multitemporal characteristics of spectral vegetation indices for agricultural land use on RapidEye satellite imagery, Journal of Korean Society for Aeronautical and Space Sciences, Vol. 10, No. 1, pp. 149-155. (in Korean with English abstract)
Kim, S.W., Eo, Y.D., Lee, B.K., Jang, I.W., and Han, S.H. (2013), Remote sensed image simulation methodology, Journal of Next Generation Information Technology, Vol. 4, No. 8, pp. 111-117.
Li, J., Menzel, W.P., Jhang, W.J., Sun, F.Y., Schmit, T.J., Gurka, J.J., and Weisz, E. (2004), Synergistic use of MODIS and AIRS in a variational retrieval of cloud parameters, Journal of Applied Meteorology, Vol. 43, No. 11, pp. 1619-1634.
Liou, K.N. (2002), An Introduction to Atmospheric Radiation: Second Edition, Academic Press, San Diego, California.
Matthew, M.W., Adler-Golden, S.M., Berk, A., Felde, G., Anderson, G.P., Gorodetzky, D., Paswaters, S., and Shippert, M. (2002), Atmospheric correction of spectral imagery: evaluation of the FLAASH algorithm with AVIRIS data, Proceedings of the 31st Applied Imagery Pattern Recognition Workshop, IEEE, 16-18 October, Orlando, FL, Vol. 5093, pp. 474-482.
Park, W.Y. and Eo, Y.D. (2014), Generation of simulated geospatial images from global elevation model and SPOT ortho-image, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 32, No. 3, pp. 217-223.
Song, C., Woodcock, C.E., Seto, K.C., Lenney, M.P., and Macomber, S.A. (2001), Classification and change detection using Landsat TM data: when and how to correct atmospheric effects?, Remote sensing of Environment, Vol. 75, No. 2, pp. 230-244.
Vermote, E., Tanré, D., Deuze, J.L., Herman, M., and Morcrette, J.J. (1997), Second Simulation of the Satellite Signal in the Solar Spectrum (6S): 6S User Guide Version 2, NASA-Goddard Space Flight Center-Code 923, Greenbelt, USA.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.