국제 해상교통량 및 물동량이 증가함에 따라 한반도 주변해역의 선박유동량도 늘어나고 있으며 이에 따라 크고 작은 항구가 위치하고 있는 남해에서의 해양 사고도 꾸준히 발생하고 있다. 특히 선박간의 충돌 및 침몰 사고는 인적 및 물적 피해뿐만 아니라 해양환경오염을 유발하기 때문에 광역의 범위를 고해상도로 볼 수 있는 인공위성을 통한 신속한 선박탐지가 필요하다. 본 연구에서는 광학 인공위성 아리랑 2호 관측자료를 활용하여 광양만 인근해역의 각 채널별 반사도 값을 비교 분석하여 새로운 선박탐지지수를 제시하였다. 선박 분류를 위해 그 선박탐지지수의 역치를 0.1로 설정하였고, RGB 합성영상과 비교하였을 때 대다수의 선박을 탐지하였음을 보여주었다. 연구해역에 포함되어 있는 큰 규모의 선박을 선정 후, 선박 주변의 공간적 반사도 분포를 분석하였다. 그 결과 선박 북서방향에 위치한 균일한 형태의 선박그림자를 확인할 수 있었다. 이는 태양의 위치가 남동방향에 위치하고 있음을 나타내고 있으며, 실제 위성영상이 촬영된 시기의 방위각은 $144.80^{\circ}$로 영상내의 그림자의 위치를 통해 태양의 방위각을 유추할 수 있다. 그림자의 반사도는 주변 바다 및 선박에 비해 낮은 0.005 값을 나타냈고, 선수 및 선미에 따라 높이차가 달라짐을 보였다. 이는 선박의 갑판 및 구조물의 높이를 반영한 것으로 판단된다. 본 연구 결과는 연안 해상사고 발생 시 실종선박 수색기술에 고해상도 광학 인공위성 영상이 활용될 수 있음에 의의가 있다.
국제 해상교통량 및 물동량이 증가함에 따라 한반도 주변해역의 선박유동량도 늘어나고 있으며 이에 따라 크고 작은 항구가 위치하고 있는 남해에서의 해양 사고도 꾸준히 발생하고 있다. 특히 선박간의 충돌 및 침몰 사고는 인적 및 물적 피해뿐만 아니라 해양환경오염을 유발하기 때문에 광역의 범위를 고해상도로 볼 수 있는 인공위성을 통한 신속한 선박탐지가 필요하다. 본 연구에서는 광학 인공위성 아리랑 2호 관측자료를 활용하여 광양만 인근해역의 각 채널별 반사도 값을 비교 분석하여 새로운 선박탐지지수를 제시하였다. 선박 분류를 위해 그 선박탐지지수의 역치를 0.1로 설정하였고, RGB 합성영상과 비교하였을 때 대다수의 선박을 탐지하였음을 보여주었다. 연구해역에 포함되어 있는 큰 규모의 선박을 선정 후, 선박 주변의 공간적 반사도 분포를 분석하였다. 그 결과 선박 북서방향에 위치한 균일한 형태의 선박그림자를 확인할 수 있었다. 이는 태양의 위치가 남동방향에 위치하고 있음을 나타내고 있으며, 실제 위성영상이 촬영된 시기의 방위각은 $144.80^{\circ}$로 영상내의 그림자의 위치를 통해 태양의 방위각을 유추할 수 있다. 그림자의 반사도는 주변 바다 및 선박에 비해 낮은 0.005 값을 나타냈고, 선수 및 선미에 따라 높이차가 달라짐을 보였다. 이는 선박의 갑판 및 구조물의 높이를 반영한 것으로 판단된다. 본 연구 결과는 연안 해상사고 발생 시 실종선박 수색기술에 고해상도 광학 인공위성 영상이 활용될 수 있음에 의의가 있다.
As the international trade increases, vessel traffics around the Korean Peninsula are also increasing. Maritime accidents hence take place more frequently in the southern coast of Korea where many big and small ports are located. Accidents involving ship collision and sinking result in a substantial...
As the international trade increases, vessel traffics around the Korean Peninsula are also increasing. Maritime accidents hence take place more frequently in the southern coast of Korea where many big and small ports are located. Accidents involving ship collision and sinking result in a substantial human and material damage as well as the marine environmental pollution. Therefore, it is necessary to locate the ships quickly when such accidents occur. In this study, we suggest a new ship detection index by comparing and analyzing the reflectivity of each channel of the Korea MultiPurpose SATellite-2 (KOMPSAT-2) images of the area around the Gwangyang Bay. A threshold value of 0.1 is set based on a histogram analysis, and all vessels are detected when compared with RGB composite images. After selecting a relatively large ship as a representative sample, the distribution of spatial reflectivity around the ship is studied. Uniform shadows are detected on the northwest side of the vessel. This indicates that the sun is in the southeast, the azimuth of the actual satellite image is $144.80^{\circ}$, and the azimuth angle of the sun can be estimated using the shadow position. The reflectivity of the shadows is 0.005 lower than the surrounding sea and ship. The shadow height varies with the position of the bow and the stern, perhaps due to the relative heights of the ship deck and the structure. The results of this study can help search technology for missing vessels using optical satellite images in the event of a marine accident around the Korean Peninsula.
As the international trade increases, vessel traffics around the Korean Peninsula are also increasing. Maritime accidents hence take place more frequently in the southern coast of Korea where many big and small ports are located. Accidents involving ship collision and sinking result in a substantial human and material damage as well as the marine environmental pollution. Therefore, it is necessary to locate the ships quickly when such accidents occur. In this study, we suggest a new ship detection index by comparing and analyzing the reflectivity of each channel of the Korea MultiPurpose SATellite-2 (KOMPSAT-2) images of the area around the Gwangyang Bay. A threshold value of 0.1 is set based on a histogram analysis, and all vessels are detected when compared with RGB composite images. After selecting a relatively large ship as a representative sample, the distribution of spatial reflectivity around the ship is studied. Uniform shadows are detected on the northwest side of the vessel. This indicates that the sun is in the southeast, the azimuth of the actual satellite image is $144.80^{\circ}$, and the azimuth angle of the sun can be estimated using the shadow position. The reflectivity of the shadows is 0.005 lower than the surrounding sea and ship. The shadow height varies with the position of the bow and the stern, perhaps due to the relative heights of the ship deck and the structure. The results of this study can help search technology for missing vessels using optical satellite images in the event of a marine accident around the Korean Peninsula.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
본 연구에서는 고해상도 광학 인공위성 아리랑2호 영상의 Blue, Green, Red, NIR 채널 반사도 값을 활용한 선박탐지 및 오차요인을 분석하였다. 2016년 3월 15일 광양만 인근 해역을 촬영한 영상의 DN을 반사도로 변환한 후 각 채널별 선박 반사도 차이를 비교 분석한 결과 Red와 NIR 같은 장파장채널이 Blue, Green과 같은 단파장채널보다 상대적으로 큰 반사도를 나타내었고, 두 채널을 활용한 선박탐지지수를 제시하였다. 선박과 바다를 분류하기 위해 0.
075로 네 개의 채널 모두 선박은 주변 바다에 비해 큰 반사도를 보였으며, 특히 Red와 NIR 채널과 같은 장파장대에서는 단파장대보다 큰 반사도를 나타내고 있음을 알 수 있다. 따라서 상대적 큰 반사도를 가지는 Red와 NIR 채널를 이용하여 새로운 선박탐지지수를 제시하였다. 식 (3)은 두 채널의 최대 및 최소 반사도 값을 사용하여 두 채널의 정규화된 반사도를 서로 곱해줌으로써 두 채널 모두에서 큰 반사도를 갖는 화소들을 우선적으로 선별하였다.
본 연구에서는 고해상도 광학 인공위성 아리랑2호 영상의 Blue, Green, Red, NIR 채널 반사도 값을 활용한 선박탐지 및 오차요인을 분석하였다. 2016년 3월 15일 광양만 인근 해역을 촬영한 영상의 DN을 반사도로 변환한 후 각 채널별 선박 반사도 차이를 비교 분석한 결과 Red와 NIR 같은 장파장채널이 Blue, Green과 같은 단파장채널보다 상대적으로 큰 반사도를 나타내었고, 두 채널을 활용한 선박탐지지수를 제시하였다.
대다수 기존 연구들은 국외 연구지역을 대상으로 고해상도의 전정색을 이용하거나 마이크로파 채널을 활용하여 선박탐지 연구를 진행해왔다. 본 연구에서는 국내 광양만 연안 해역을 대상으로 다목적실용위성 아리랑 2호(KOMPSAT-2, Korea Multi-Purpose SATellite-2)의 반사도 값을 활용하여 새로운 선박탐지지수 제시하였고, 위 지수를 활용한 선박탐지 및 오차요인을 분석하였다.
대상 데이터
본 연구에서 사용한 광학 위성영상은 2016년 3월 15일 02:02:33 (UTC)에 한반도 광양 및 여수 인근 해역을 촬영한 영상으로 Fig. 1a는 남해안 연구해역의 지리적 위치를 나타내고 있다. Fig.
, 2012). 총 4개의 다중분광채널과 1개의 전정색 채널을 가지고 있으며 다중분광채널은 450-520 nm의 Blue band, 520-600 nm의 Green band, 630-690 nm의 red band, 760-900 nm의 Near-infrared band를 포함하며 4 m의 공간해상도의 사양을 보유하고 있으며, 전정색 채널은 500-900nm의 파장대와 1 m의 공간해상도를 가진다(Table 1).
16사이의 반사도 값을 보이고 있다. 회색으로 표시한 육지는 NASA (National Aeronautics and Space Administration) SRTM (Shuttle Radar Topography Mission)에서 제공하는 DEM (Digital Elevation Model) 30 m 자료를 사용하여 제거하였다(Rabus et al., 2003). DEM은 아리랑 2호에 비해 낮은 공간해상도 뿐만 아니라 자연 및 인공적인 지형변화로 인해 추가적인 육지 제거 작업을 수행하였는데, NIR 채널의 45이상의 DN 값은 육지로 간주하고 제거하였다.
이론/모형
SAR 영상에 포함되어 있는 선박은 주변 배경장 화소보다 큰 정규화 레이더 반사면적을 가지므로 더 밝은 형태로 나타난다. 선박을 배경으로부터 구분하기 위한 역치로 CFAR (Constant False Alarm Raio) 알고리즘이 사용된다(Wackerman et al., 2001; Liao et al., 2008). 이 밖에 초분광센서를 활용한 선박탐지 연구도 진행되었다.
성능/효과
1 보다 작은 경우 대부분의 바다에 해당하는 화소들이 분포하고 있다. 0.1을 기준으로 영상 내 화소를 분류한 결과 선박탐지지수가 기준보다 작은 경우는 전체해역의 약 86.42%를 차지하고 있으며 이는 바다에 해당하며, 기준보다 큰 화소들은 0.33%를 나타냈고 이는 선박으로 판단할 수 있다. 나머지에 해당하는 화소는 전처리 과정에서 제거된 육지로 13.
3은 대표 선박 주변의 RGB 합성영상 및 각 채널에 따른 공간적 반사도 분포이다. RGB 합성영상을 통해 선박으로 추정되는 화소들을 선정한 후에 각 채널별 평균 선박 반사도를 구한 결과 Blue 채널은 0.046, Green 채널은 0.051, Red 채널은 0.069 그리고 NIR채널은 0.075로 네 개의 채널 모두 선박은 주변 바다에 비해 큰 반사도를 보였으며, 특히 Red와 NIR 채널과 같은 장파장대에서는 단파장대보다 큰 반사도를 나타내고 있음을 알 수 있다. 따라서 상대적 큰 반사도를 가지는 Red와 NIR 채널를 이용하여 새로운 선박탐지지수를 제시하였다.
상대적 규모가 큰 LNG 선박을 선정한 후 Green채널에서의 반사도 공간 분포를 분석한 결과 선박좌측면에서 평균 0.005를 가지는 균일한 형태의 화소들이 존재하였다. 영상이 촬영된 시간이 오전 11시(KST)이며 이때 연구해역의 방위각은 144.
2016년 3월 15일 광양만 인근 해역을 촬영한 영상의 DN을 반사도로 변환한 후 각 채널별 선박 반사도 차이를 비교 분석한 결과 Red와 NIR 같은 장파장채널이 Blue, Green과 같은 단파장채널보다 상대적으로 큰 반사도를 나타내었고, 두 채널을 활용한 선박탐지지수를 제시하였다. 선박과 바다를 분류하기 위해 0.1의 선박탐지지수를 적용하였고, 다수의 선박이 분포하는 연구해역의 탐지결과를 RGB 합성영상과 비교하였을 때 한 개의 선박을 제외한 모든 선박이 탐지됨을 보여주었다.
후속연구
또한 선박 선미와 후미에 그림자 높이차가 발생하는데 이는 선박갑판 및 구조물의 높이차를 반영한 것으로 고려된다. 본 연구결과는 한반도 연안 해역에서 해상사고 발생시 광학 인공위성을 활용한 실종선박 수색기술에 도움이 될 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공위성을 활용하여 사고 선박을 탐지하는 것이 효과적인 이유는 무엇인가?
, 2014). 한편 인공위성은 광역의 범위를 고해상도로 관측할 수 있고 쉽게 접근할 수 없는 지역을 촬영할 수 있으며 실시간 모니터링이 가능하기 때문에 인공위성을 활용하여 사고 선박을 탐지는 것은 매우 효과적이다. 이러한 이유로 인공위성을 활용한 선박탐지 연구가 활발히 진행 중에 있으며 최근 원격탐사분야에서 중요한 연구주제로 다루어지고 있다(Tang et al.
선박사고는 어떤 특징을 가지는가?
, 2013). 선박사고는 인적물적 피해에 그치는 것이 아니라 기름유출로 인해 심각한 해양환경 오염을 유발한다. 한반도에서 발생한 대표적 해양사고로는 2007년 12월 태안에서 발생한 유조선 허베이스피릿호와 해상 크레인이 충돌하여 12,547 kL의 원유가 유출되는 사고와 2014년 1월 유조선 우이산호가 여수 부두의 송유관과 충돌하여 164 kL의 기름이 유출되는 사고가 있다(Kim et al.
아리랑 2호의 채널과 공간해상도는 어떤 특징을 가지는가?
, 2012). 총 4개의 다중분광채널과 1개의 전정색 채널을 가지고 있으며 다중분광채널은 450-520 nm의 Blue band, 520-600 nm의 Green band, 630-690 nm의 red band, 760-900 nm의 Near-infrared band를 포함하며 4 m의 공간해상도의 사양을 보유하고 있으며, 전정색 채널은 500-900nm의 파장대와 1 m의 공간해상도를 가진다(Table 1).
참고문헌 (24)
Cheng, G. and Han, J., 2016, A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117, 11-28.
Corbane, C., Najman, L., Pecoul, E., Demagistri, L., and Petit, M., 2010, A complete processing chain for ship detection using optical satellite imagery. International Journal of Remote Sensing, 31(22), 5837-5854.
Homayouni, S. and Roux, M., 2004, Hyperspectral image analysis for material mapping using spectral matching. In ISPRS Congress Proceedings, Vol(20).
Kim, M., Yim, U. H., Hong, S. H., Jung, J. H., Choi, H. W., An, J., and Shim, W. J., 2010, Hebei Spirit oil spill monitored on site by fluorometric detection of residual oil in coastal waters off Taean, Korea. Marine pollution bulletin, 60(3), 383-389.
Kim, T. S., Park, K. A., Li, X., Lee, M., Hong, S., Lyu, S. J., and Nam, S., 2015, Detection of the Hebei Spirit oil spill on SAR imagery and its temporal evolution in a coastal region of the Yellow Sea. Advances in Space Research, 56(6), 1079-1093.
Liao, M., Wang, C., Wang, Y., and Jiang, L., 2008, Using SAR images to detect ships from sea clutter. IEEE Geoscience and Remote Sensing Letters, 5(2), 194-198.
Lee, E. B., Yun, J. H., and Chung, S. T., 2012, A study on the development of the response resource model of hazardous and noxious substances based on the risks of marine accidents in Korea. Journal of Navigation and Port Research, 36(10), 857-864.
Lee, M., and Oh, S., 2014, Development of Response Scenario for a Simulated HNS Spill Incident. Journal of the Korean Society of Marine Environment and Safety, 20(6), 677-684.
Lee, M. S., Park, K. A., Lee, H. R., Park, J. J., Kang, C. K., and Lee, M., 2016, Detection and dispersion of thick and film-like oil spills in a coastal bay using satellite optical images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(11), 5139-5150.
Lee, S. G., Jin, C. G., Choi, C. U., Lim, H. S., Kim, Y., and Kim, J., 2012, Absolute radiometric calibration of the KOMPSAT-2 multispectral camera using a reflectance-based method and empirical comparison with IKONOS and QuickBird images. Journal of Applied Remote Sensing, 6(1), 063594.
Melsheimer, C., H. Lim, and C. Shen., 1999, Observation and analysis of ship wakes in ERS SAR and SPOT images. Proc. 20th Asian Conf. Remote Sensing: 1:554-559.
Park, J. J., Oh, S., Park, K. A., Foucher, P. Y., Jang, J. C., Lee, M., Kim, T. S., and Kang, W. S., 2017, The Ship Detection Using Airborne and In-situ Measurements Based on Hyperspectral Remote Sensing. Journal of the Korean Earth Science Society, 38(7), 535-545.
Proia, N. and Page, V., 2010, Characterization of a bayesian ship detection method in optical satellite images. IEEE Geoscience and Remote Sensing Letters, 7(2), 226-230.
Rabus, B., Eineder, M., Roth, A., and Bamler, R., 2003, The shuttle radar topography mission-a new class of digital elevation models acquired by spaceborne radar. ISPRS journal of photogrammetry and remote sensing, 57(4), 241-262.
Seo, D. C., Yang, J. Y., Lee, D. H., Song, J. H., and Lim, H. S., 2008, Kompsat-2 direct sensor modeling and geometric calibration/validation. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37.
Song, S. P., Cho, D. J., Park, S. G., Hong, C. E., Park, S. H., and Suh, S. H., 2013, Design of Transportation Safety system with GPS Precise Point Positioning. Journal of Navigation and Port Research, 37(1), 71-77.
Tang, J., Deng, C., Huang, G. B., and Zhao, B., 2015, Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine. IEEE Transactions on Geoscience and Remote Sensing, 53(3), 1174-1185.
Vanem, E., Antao, P., Ostvik, I., and de Comas, F. D. C., 2008, Analysing the risk of LNG carrier operations. Reliability Engineering and System Safety, 93(9), 1328-1344.
Wackerman, C. C., Friedman, K. S., Pichel, W. G., Clemente-Colon, P., and Li, X. I. A. O. F. E. N. G., 2001, Automatic detection of ships in RADARSAT-1 SAR imagery. Canadian Journal of Remote Sensing, 27(5), 568-577.
Wang, B., Ono, A., Muramatsu, K., and Fujiwara, N., 1999, Automated detection and removal of clouds and their shadows from Landsat TM images. IEICE Transactions on information and systems, 82(2), 453-460.
Yokoya, N. and Iwasaki, A., 2015, Object detection based on sparse representation and Hough voting for optical remote sensing imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(5), 2053-2062.
Zhang, H., Sun, K., and Li, W., 2014, Object-oriented shadow detection and removal from urban high-resolution remote sensing images. IEEE transactions on geoscience and remote sensing, 52(11), 6972-6982.
Zhu, C., Zhou, H., Wang, R., and Guo, J., 2010, A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features. IEEE Transactions on geoscience and remote sensing, 48(9), 3446-3456.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.