[논문]Sen2Cor 대기보정 프로세서 평가를 위한 항공 초분광영상 기반 Sentinel-2 모의영상 생성 및 TOA와 BOA 반사율 자료와의 비교: 농업지역을 중심으로

조강준; 김용일

doi:10.7780/kjrs.2019.35.2.5

Sen2Cor 대기보정 프로세서 평가를 위한 항공 초분광영상 기반 Sentinel-2 모의영상 생성 및 TOA와 BOA 반사율 자료와의 비교: 농업지역을 중심으로
Simulation of Sentinel-2 Product Using Airborne Hyperspectral Image and Analysis of TOA and BOA Reflectance for Evaluation of Sen2cor Atmosphere Correction: Focused on Agricultural Land 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.2, 2019년, pp.251 - 263

조강준 (서울대학교 건설환경공학부) , 김용일 (서울대학교 건설환경공학부)

초록
AI-Helper

Sentinel-2 위성은 기존 Landsat 시리즈보다 높은 공간해상도, 시간해상도 및 13개의 가시광, Red-edge, 적외, 단파적외 영역을 포함하는 다중분광 영상을 제공하고 있다. 이는 Landsat 시리즈와의 비슷한 파장대역 구성으로 향후 Landsat 시리즈와 융합분석이 가능하다는 이점이 있다. 그 동안 Landsat 위성영상은 국내의 다양한 연구에 적용되고 있으나 Sentinel-2 광학 위성영상은 많은 활용 사례가 보고되지 않았다. Sentinel-2 광학 위성은 기존 Landsat 위성이 제공하는 Top-of-Atmosphere(TOA) 반사율 영상을 Level-1C(L1C)에서 제공하고 있으며, Level-2A(L2A)영상을 통해 Landsat 시리즈보다 한 단계 더 대기보정이 수행된 Bottom-of-Atmosphere(BOA) 반사율 영상을 제공할 예정에 있다. BOA 반사율 영상은 에어로졸 광학 두께(AOT: Aerosol optical thickness)와 대기 중 수증기(WV: Water Vapor) 자료를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다. 현재, 유럽 전역지역에서 L2A 자료를 무료로 다운로드 가능하며 이외 지역의 경우 L2A 자료의 실시간 제공이 예정되어 있다. 따라서, Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질 것으로 기대되는 바이며 농업지역에서 Sentinel-2 L2A 영상이 제공하는 BOA 반사율 자료의 활용가능성을 확인하기 위해 경상남도 합천군에서 촬영된 항공 초분광영상을 활용하여 Sentinel-2 L2A 자료를 모의해 보고 정량적인 분석을 통해 모의영상과 실제 촬영된 영상을 비교해보았다. 본 연구에서는 Sentinel-2 L2A 자료와 항공기 기반의 초분광 영상을 통해 모의된 Sentinel-2 영상에 대한 정량적인 비교를 수행하였으며, 가시광 영역대의 밴드와 식생지수에 대하여 참조 영상인 모의영상과 대기보정이 수행된 L2A 자료의 RMSE의 감소 및 상관관계의 증가 경향이 뚜렷하게 나타나는 것으로 확인되었다.

Abstract ▼ AI-Helper

Sentinel-2 Multi Spectral Instrument(MSI) launched by the European Space Agency (ESA) offered high spatial resolution optical products, enhanced temporal revisit of five days, and 13 spectral bands in the visible, near infrared and shortwave infrared wavelengths similar to Landsat mission. Landsat satellite imagery has been applied to various previous studies, but Sentinel-2 optical satellite imagery has not been widely used. Currently, for global coverage, Sentinel-2 products are systematically processed and distributed to Level-1C (L1C) products which contain the Top-of-Atmosphere (TOA) reflectance. Furthermore, ESA plans a systematic global production of Level-2A(L2A) product including the atmospheric corrected Bottom-of-Atmosphere (BOA) reflectance considered the aerosol optical thickness and the water vapor content. Therefore, the Sentinel-2 L2A products are expected to enhance the reliability of image quality for overall coverage in the Sentinel-2 mission with enhanced spatial,spectral, and temporal resolution. The purpose of this work is a quantitative comparison Sentinel-2 L2A products and fully simulated image to evaluate the applicability of the Sentinel-2 dataset in cultivated land growing various kinds of crops in Korea. Reference image of Sentinel-2 L2A data was simulated by airborne hyperspectral data acquired from AISA Fenix sensor. The simulation imagery was compared with the reflectance of L1C TOA and that of L2A BOA data. The result of quantitative comparison shows that, for the atmospherically corrected L2A reflectance, the decrease in RMSE and the increase in correlation coefficient were found at the visible band and vegetation indices to be significant.

주제어

표/그림 (14)

그림 Fig. 1. RGB color composite of study area. The study area was chosen Chogye-myeon, Habcheon-gun, Gyeongsangnamdo, and each imagery were acquired by (a) AISA hyperspectral sensor and (b) Sentinel-2A Level-1C product.
표 Table 1. Specification of airborne hyperspectral image
그림 Fig. 2. Flowchart of this study.
표 Table 2. Specification of Sentinel-2 imagery used in this study
표 Table 3. Specification of Sentinel-2A imagery used in this study
그림 Fig. 3. Spectral response function of Sentinel-2A MSI: (a) VNIR bands and (b) SWIR bands.
그림 Fig. 4. Overview of Sen2Cor processing plugin (Louis et al., 2016).
표 Table 4. Main outputs of the Sen2Cor Processor
표 Table 5. Selected spectral index for comparison between simulated and acquired Sentinel-2 imagery, ρ_i means the value of reflectance of i band at Sentinel-2 MSI imagery
그림 Fig. 5. Comparison of three color composites with Sentinel-2 L1C, L2A and Simulated image from hyperspectral data.
그림 Fig. 6. 2D scatter density plots of reflectance data for Band 2, 3 and 4. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.
그림 Fig. 7. 2D scatter density plots of reflectance data for Band 5, 6 and 7. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.
그림 Fig. 8. 2D scatter density plots of reflectance data for Band 8A, 11 and 12. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.
그림 Fig. 9. 2D scatter density plots of data for NDVI, SR and NDWI index. x and y axis are value of Sentinel-2 product data and that of simulated hyperspectral data respectively.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Sen2Cor 대기보정 프로세서의 결과 자료를 정리한 표는 Table 4와 같다. 본 연구에서는 모든 파장영역대에 대한 밴드를 비교하기 위해 20 m 공간해상도를 나타내는 BOA 반사율 결과물로 모의영상과의 비교분석을 진행하였다. 1, 9, 10번 밴드는 Cirrus, AOT, WV를 측정하는데 이용되는 파장 영역으로 분석에서 제외하였으며, 20 m 공간해상도를 나타내는 결과에서 8번 밴드의 경우 더 좁은 분광대역을 나타내는 8A번 밴드에 의해 대체될 수 있다(Gascon et al.
따라서, Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질 것으로 기대되는 바이며 Sentinel-2L2A 영상이 제공하는 BOA 반사율 자료의 활용가능성을 확인하기 위해 경상남도 합천군의 농업 지역을 대상으로 촬영된 항공 초분광영상을 활용하여 Sentinel-2L2A 자료를 모의해보고 정량적인 분석을 통해 모의영상과 실제 촬영된 영상을 비교해보았다. 본 연구의 목적은 Sentinel-2 L2A 자료와 항공기 기반의 초분광 영상을 통해 모의된 Sentinel-2 영상에 대한 정량적인 비교를 수행하는 것이다. 연구지역은 농업지역 영상으로 경남 합천군의 영상을 이용하였다.
BOA 반사율 영상은 에어로졸 광학 두께(AOT:Aerosol optical thickness)와 대기 중 수증기 자료(WV:Water Vapor)를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다. 위의 과정을 통해 취득된 두 영상에 대한 정량적 비교를 수행하고 Landsat 위성군에서는 제공하지 않는 대기보정된 영상인 BOA 반사율 자료와TOA 반사율 자료에 대한 비교를 수행하고자 하였다.
, 2002; Kim and Pyeon,2012)의 연구와 같이 가우시안 함수의 형태로 가정하여 추가적인 실험을 진행할 계획이다. 하지만, 본 연구의 목표는 Sen2Cor 대기보정 프로세서의 유무에 따른 반사율 및 지수의 차이를 비교분석 하는 연구이므로 L1CTOA 자료와 L2A BOA 자료가 동일하게 생성된 모의영상과 비교되어 해당 Convolution 방식이 주는 영향은 제한적일 것으로 보인다. 또한, Landsat 시리즈에 비해서세분화된 Sentinel-2 영상의 Red-edge NIR 파장은 다양한 추가적인 정규화 지수를 생성할 수 있으며 향후 후속 연구로 Sentinel-2의 다양한 정규화지수에 대한 비교분석 실험을 수행할 예정이다.

제안 방법

(2013)은 모의영상 제작 수식에서 ρi(λ)는 본래 연속적인 파장 도메인에 대한 반사율 이용하는 것이 보다 정확하다고 서술하였지만, 본 연구에서 취득한 초분광 영상의 반사율 함수는 파장 도메인에 대해서 이산적인 값을 나타내므로 분광응답함수를 단순 가중치로 설정하여 실험을 진행하였다.
해당 영상을 이용하여 Sentinel-2 영상의 분광응답함수(SRF: Spectral Response Functions)를 모사하여 모의영상 제작을 수행하였다. BOA 반사율 영상은 에어로졸 광학 두께(AOT:Aerosol optical thickness)와 대기 중 수증기 자료(WV:Water Vapor)를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다. 위의 과정을 통해 취득된 두 영상에 대한 정량적 비교를 수행하고 Landsat 위성군에서는 제공하지 않는 대기보정된 영상인 BOA 반사율 자료와TOA 반사율 자료에 대한 비교를 수행하고자 하였다.
Sentinel-2 L1C 및 L2A 자료의 차이를 보이기 위해 생성된 모의영상으로 이차원 점밀도 그래프를 통해 비교분석을 진행하였다(Fig. 6, 7 and 8). 점밀도 분포에 참조 직선인 y=x 그래프를 추가하여 분석을 수행하였다.
,2017). 따라서, Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질 것으로 기대되는 바이며 Sentinel-2L2A 영상이 제공하는 BOA 반사율 자료의 활용가능성을 확인하기 위해 경상남도 합천군의 농업 지역을 대상으로 촬영된 항공 초분광영상을 활용하여 Sentinel-2L2A 자료를 모의해보고 정량적인 분석을 통해 모의영상과 실제 촬영된 영상을 비교해보았다. 본 연구의 목적은 Sentinel-2 L2A 자료와 항공기 기반의 초분광 영상을 통해 모의된 Sentinel-2 영상에 대한 정량적인 비교를 수행하는 것이다.
이후, 구름 탐지 및 영상 분류 결과를 이용하여 AOT 와 WV 자료를 생성한다. 마지막으로, AOT 와 WV 자료를 통해 TOA 영상을 BOA 반사율로 변환하여 Sentinel-2L2A 영상을 생성한다. Sen2Cor 대기보정 프로세서의 결과 자료를 정리한 표는 Table 4와 같다.
5이다. 모의영상과 실제 Sentinel-2 영상 사이의 비교를 위해 모든 DN값은 방사보정 과정을 통해 지표면 반사율 값으로 변환되어 비교가 수행되었다. 모든 영상은 1%의 이상치를 제외하고 선형 히스토그램 매칭을 통해컬러조합을 형성하였다.
3과 같다. 본 연구지역에서는 Sentinel-2A 영상이 활용되어 2A에 대한 밴드별 분광응답함수를 적용하여 모의영상을 계산하였다. 분광응답함수를 통한 모의영상을 제작하는 수식은 다음과 같다(D’Odorico et al.
(2013)은 모의영상 제작 수식에서 ρi(λ)는 본래 연속적인 파장 도메인에 대한 반사율 이용하는 것이 보다 정확하다고 서술하였지만, 본 연구에서 취득한 초분광 영상의 반사율 함수는 파장 도메인에 대해서 이산적인 값을 나타내므로 분광응답함수를 단순 가중치로 설정하여 실험을 진행하였다. 생성된 모의영상은 초분광 영상의 해상도인 1.5 m의 픽셀 크기와 동일하므로 실제 취득된 Sentinel-2 영상과의 비교를 위하여 bilinear resampling 과정인 Collocation을 수행하였다. 즉,1.
연구는 항공 초분광 영상으로 Sentinel-2 영상의 분광응답함수를 모사하여 모의영상 제작을 수행하였으며, 해당 자료를 참조영상으로 하여 Sentinel-2 위성에서 방사 및 기하보정이 완료된 L1C TOA 자료와 추가적으로 Sen2Cor 기법을 이용하여 대기보정이 수행된 L2A BOA 자료와 비교하여 Sen2Cor 프로세서의 대기보정 효과를 분석하였다. 그 결과, 가시광 영역에서의 2, 3, 4번 밴드에서 L2A 자료의 BOA 반사율이 참조 영상과 비슷하게 나타나는 경향을 확인하였으며, 그 외 밴드에서는 BOA 반사율의 분포가 참조 영상의 지표면 반사율의 분포와 비슷해지는 것을 확인할 수 있었다.
Sen2Cor 프로세서는 Sentinel-2 L1C의 TOA 영상에서 cirrus, 에어로졸을 포함한 대기 효과 및 지형 효과를 보정한다. 우선, Cirrus 밴드를 이용하여 구름 탐지를 진행하고 L1C 영상을 이용하여 분류를 수행한다. 영상 분류 결과는 구름에 의해 영향을 받은 화소 및 물, 그림자에 의해 영향을 받는 화소를 구분하여 대기보정을 진행하기 위해 이용된다.
영상 분류 결과는 구름에 의해 영향을 받은 화소 및 물, 그림자에 의해 영향을 받는 화소를 구분하여 대기보정을 진행하기 위해 이용된다. 이후, 구름 탐지 및 영상 분류 결과를 이용하여 AOT 와 WV 자료를 생성한다. 마지막으로, AOT 와 WV 자료를 통해 TOA 영상을 BOA 반사율로 변환하여 Sentinel-2L2A 영상을 생성한다.
5 m의 픽셀 크기와 동일하므로 실제 취득된 Sentinel-2 영상과의 비교를 위하여 bilinear resampling 과정인 Collocation을 수행하였다. 즉,1.5 m의 공간해상도를 가지는 모의영상의 격자를 20 m의 공간해상도를 가지는 Sentinel-2 자료의 격자로 맞추는 과정을 진행하였으며 이 과정에서 bilinear 보간을 통해 resampling을 진행하였다.
초분광 영상의 경우 항공기 기반으로 청천일에 촬영되었기 때문에 기 취득된 자료의 대기보정의 필요성이 낮으며, 따라서 본 연구에서는 이를 지표면 반사율의 참조자료로 이용하였다. 초분광 영상으로부터 Sentinel-2 영상을 모의하기 위해 Sentinel-2의 각 밴드별 분광응답함수를 이용하여 모의영상을 생성하였다. Sentinel-2 L1C 자료의 경우 Sentinel-2 toolbox 내장되어 있는 Sen2Cor 프로세서를 이용하여 대기 보정이 완료된 Sentinel-2 L2A 자료를 생성하였다.
항공 초분광 영상을 분광응답함수에 따라 합성하여 Sentienl-2 영상을 모사를 수행하였으며, 밴드별로 간단한 컬러조합을 활용하여 시각적인 비교를 수행한 것이 Fig. 5이다. 모의영상과 실제 Sentinel-2 영상 사이의 비교를 위해 모든 DN값은 방사보정 과정을 통해 지표면 반사율 값으로 변환되어 비교가 수행되었다.
항공 초분광 영상을 이용하여 모사된 영상을 참조자료로 하여 Sentinel-2 L1C 자료와 L2A 자료 각각에 대하여 2차원 점밀도를 통해 영상의 비교분석을 진행하였다. 점밀도 분석은 각 밴드별로 참조자료와 L1C 및 L2A 자료에 대해서 수행하였으며, 또한 농업지역에서의 식생 모니터링 활용도를 확인하기 위해 단순비율 식생지수(SR: Simple Ratio), 정규화 식생지수(NDVI: Normalized Difference Vegetation Index), 정규화 수분지수(NDWI:Normalized Difference Water Index)에 대하여 점밀도 분석을 진행하였으며, 상관계수와 평균 제곱근 오차(RMSE: Root Mean Square Error)를 기반으로 두 영상의 비교를 진행하였다.
5 m의 공간해상도를 가진다. 해당 영상을 이용하여 Sentinel-2 영상의 분광응답함수(SRF: Spectral Response Functions)를 모사하여 모의영상 제작을 수행하였다. BOA 반사율 영상은 에어로졸 광학 두께(AOT:Aerosol optical thickness)와 대기 중 수증기 자료(WV:Water Vapor)를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다.

대상 데이터

사용된 초분광 영상의 상세한 제원은 Table 1과 같다. AISA FENIX 영상은 촬영 고도1000 m 에서 1.5 m의 공간해상도로 촬영되었으며 380nm 부터 2500 nm 파장대역까지 총 450개의 분광 밴드를 가진다. AISA FENIX 센서는 가시광과 근적외 및 단파장적외 영상까지 취득이 가능하며 파장영역대에 대한 분광해상도는 각각 3.
NDVI는 정규화 지수가 비선형이라는 특성이 있으므로 대기 경로 복사휘도와 같은 잡음에 의해 영향을 받기 때문에, 대기보정된 Sentinel-2 L2A와 L1C 자료를 비교하는데 이용될 수 있다고 판단하였다. NDWI는 지표의 수분함량에 대한 정보를 제공하는 지수로 SWIR 파장으로 지수가 계산되며 수분함량에 대한 정보는 물을 댄 논을 다른 농업지역의 토지피복과 구별할 수 있으므로 비교 대상으로 선정하였다.
Sentinel-2 영상의 분광응답함수는 유럽우주청의 웹사이트를 통해 제공받았으며, 분광응답함수의 그래프는 Fig. 3과 같다. 본 연구지역에서는 Sentinel-2A 영상이 활용되어 2A에 대한 밴드별 분광응답함수를 적용하여 모의영상을 계산하였다.
본 실험에서 이용된 초분광 영상은 AISA FENIX 센서를 항공기에 탑재하여 촬영되었으며, 2017년 5월 25일에 영상이 촬영되었다. 사용된 초분광 영상의 상세한 제원은 Table 1과 같다.
연구지역은 농업지역 영상으로 경남 합천군의 영상을 이용하였다. 본 연구에서 사용된 항공 초분광 영상은 AISA Fenix 센서를 통해 얻어진 항공영상으로 380 nm부터 2500 nm까지의 파장영역을 450개의 분광밴드로 나누어 촬영되었으며, 획득된 영상의 해상도는 1.5 m의 공간해상도를 가진다. 해당 영상을 이용하여 Sentinel-2 영상의 분광응답함수(SRF: Spectral Response Functions)를 모사하여 모의영상 제작을 수행하였다.
, 2017). 본 연구에서는 청천일에 초분광 센서로 촬영된 영상을 지표면 반사율의 참조자료로 하여 Sentinel-2 위성을 평가하고자 하였으며, 가장 가까운 시일인 2017년 5월 23일에 취득된 Sentinel-2A 영상자료를 취득하여 실험을 진행하였다.
실험에서 영상이 촬영된 장소는 농업지역에 위치한 경상남도 합천군 초계면으로 해당 실험지역에서 초분광 영상을 취득하였다. 취득된 영상은 Fig.
연구에서 Sentinel-2 영상의 L1C 자료는 ESA Copernicus Open Access Hub(https://scihub.copernicus.eu/)를 통해 취득하였다. 아직 아시아 지역에서는 L2A 자료가 배포되지 않아 ESA에서 제공하는 SNAP 소프트웨어에 Python 기반의 Sen2Cor 플러그인을 추가적으로 설치하여 TOA 반사율 값을 가지는 L1C 자료를 BOA 반사율 값을 가지는 L2A 자료로 변환하였다.
본 연구의 목적은 Sentinel-2 L2A 자료와 항공기 기반의 초분광 영상을 통해 모의된 Sentinel-2 영상에 대한 정량적인 비교를 수행하는 것이다. 연구지역은 농업지역 영상으로 경남 합천군의 영상을 이용하였다. 본 연구에서 사용된 항공 초분광 영상은 AISA Fenix 센서를 통해 얻어진 항공영상으로 380 nm부터 2500 nm까지의 파장영역을 450개의 분광밴드로 나누어 촬영되었으며, 획득된 영상의 해상도는 1.
2와 같다. 우선 항공기로 촬영된 AISA FENIX 초분광 영상은 촬영 이후 기하보정과 방사보정이 적용되었으며, Sentinel-2 영상의 경우 L1C 자료를 통해 기하보정과 방사보정이 적용된 데이터를 취득할 수 있었다. 초분광 영상의 경우 항공기 기반으로 청천일에 촬영되었기 때문에 기 취득된 자료의 대기보정의 필요성이 낮으며, 따라서 본 연구에서는 이를 지표면 반사율의 참조자료로 이용하였다.
우선 항공기로 촬영된 AISA FENIX 초분광 영상은 촬영 이후 기하보정과 방사보정이 적용되었으며, Sentinel-2 영상의 경우 L1C 자료를 통해 기하보정과 방사보정이 적용된 데이터를 취득할 수 있었다. 초분광 영상의 경우 항공기 기반으로 청천일에 촬영되었기 때문에 기 취득된 자료의 대기보정의 필요성이 낮으며, 따라서 본 연구에서는 이를 지표면 반사율의 참조자료로 이용하였다. 초분광 영상으로부터 Sentinel-2 영상을 모의하기 위해 Sentinel-2의 각 밴드별 분광응답함수를 이용하여 모의영상을 생성하였다.

데이터처리

Sentinel-2영상의 모든 밴드가 해당 파장영역 안에 포함되는 것을 고려하면, 해당 초분광 센서는 모든 Sentinel-2 MSI 센서에 포함된 모든 밴드에 대한 Sentinel-2 영상의 모사를 가능하게 한다. 또한, 취득된 영상은 SPECIM CaliGeoPRO2.2 소프트웨어를 활용하여 기하보정 및 방사보정이 수행되었다.
Sentinel-2 L1C 자료의 경우 Sentinel-2 toolbox 내장되어 있는 Sen2Cor 프로세서를 이용하여 대기 보정이 완료된 Sentinel-2 L2A 자료를 생성하였다. 마지막으로, 모의된 Sentinel-2 영상을 L2A 자료와 같은 BOA 반사율 영상으로 보고 실제로 취득된 Sentinel-2 L1C 및 L2A 자료와 각각 비교하여 점밀도 그래프를 통해 밴드 및 지수별 통계분석을 수행하였다.
항공 초분광 영상을 이용하여 모사된 영상을 참조자료로 하여 Sentinel-2 L1C 자료와 L2A 자료 각각에 대하여 2차원 점밀도를 통해 영상의 비교분석을 진행하였다. 점밀도 분석은 각 밴드별로 참조자료와 L1C 및 L2A 자료에 대해서 수행하였으며, 또한 농업지역에서의 식생 모니터링 활용도를 확인하기 위해 단순비율 식생지수(SR: Simple Ratio), 정규화 식생지수(NDVI: Normalized Difference Vegetation Index), 정규화 수분지수(NDWI:Normalized Difference Water Index)에 대하여 점밀도 분석을 진행하였으며, 상관계수와 평균 제곱근 오차(RMSE: Root Mean Square Error)를 기반으로 두 영상의 비교를 진행하였다.

성능/효과

Sen2Cor의 적용 결과를 모의영상과 비교해본 결과밴드 폭이 좁은 가시광 및 근적외 영역의 밴드에서 산 점도의 분포가 참조 직선과 가깝게 개선되어 나타나는 결과를 보이며 RMSE 및 상관계수의 수치로 이를 확인할 수 있었다. Sen2Cor의 적용 과정에서 TOA 반사율 자료에 포함되어 있던 승법적 오차가 감소하여 참조 직선과 기울기가 비슷해지는 경향을 보이며, 이로 인해 식생지수의 비교 결과에서 L1C TOA 반사율 자료보다 L2A BOA 반사율이 참조자료로 이용된 모의영상과 비슷한 값을 나타내는 것으로 확인된다.
Sen2Cor의 적용 결과를 모의영상과 비교해본 결과밴드 폭이 좁은 가시광 및 근적외 영역의 밴드에서 산 점도의 분포가 참조 직선과 가깝게 개선되어 나타나는 결과를 보이며 RMSE 및 상관계수의 수치로 이를 확인할 수 있었다. Sen2Cor의 적용 과정에서 TOA 반사율 자료에 포함되어 있던 승법적 오차가 감소하여 참조 직선과 기울기가 비슷해지는 경향을 보이며, 이로 인해 식생지수의 비교 결과에서 L1C TOA 반사율 자료보다 L2A BOA 반사율이 참조자료로 이용된 모의영상과 비슷한 값을 나타내는 것으로 확인된다. 본 연구의 모의 영상 생성과정에서 항공 초분광 센서의 분광응답함수의 형태를 고려하여 분광적 Convolution을 통해 모의영상 생성을 진행해야 하지만 본 연구에서는 분광응답함수를 단순 가중치로 보아 Convolution을 진행하였고, 향후 연구에서 정확한 검증에 대한 실험을 위해 초분광 센서의 분광응답함수를(Barry et al.
점밀도 분포에 참조 직선인 y=x 그래프를 추가하여 분석을 수행하였다. 가시광 영역에 해당되는 2, 3, 4번 밴드의 경우 모의된 영상과의 RMSE는 L2A 자료에서 낮거나 같은 값을 나타내는 것으로 확인되었으며, 상관관계의 경우 소폭 증가된 것을 확인할 수 있다. Red edge 파장대역에 속하는 5,6,7번 밴드의 경우 L2A 자료에서 상관관계 값이 소폭증가된 결과를 보이나 RMSE의 경우 조금 더 높은 값을 가지는 경향을 보인다.
(2018)의 연구에 따르면 밴드 폭이 넓은 경우 해당 밴드에 대한 대기보정 이후 오차가 증가하는 경향을 보인다고 알려져 있으며, 실험 결과 역시 SWIR 파장대역인 11, 12번 밴드에서의 밴드 폭이 각각 143, 242nm로 20~50 nm의 밴드 폭을 가지는 다른 밴드들에 비하여 결과가 좋지 못한 것으로 확인된다. 결과적으로,Sen2Cor 대기보정 효과로 인해 가시광 파장대역의 밴드 영상들의 BOA 반사율은 참조자료인 모의영상의 지표면 반사율과 비슷한 분포를 보이는 것으로 볼 수 있다. 나머지 밴드들에 대해서는 RMSE 값의 상승에도 불구하고, 점밀도의 분포는 참조 직선에 해당하는 기울기와 비슷한 분포로 바뀌며 승법적 오차가 소거되는 양상을 확인할 수 있다.
연구는 항공 초분광 영상으로 Sentinel-2 영상의 분광응답함수를 모사하여 모의영상 제작을 수행하였으며, 해당 자료를 참조영상으로 하여 Sentinel-2 위성에서 방사 및 기하보정이 완료된 L1C TOA 자료와 추가적으로 Sen2Cor 기법을 이용하여 대기보정이 수행된 L2A BOA 자료와 비교하여 Sen2Cor 프로세서의 대기보정 효과를 분석하였다. 그 결과, 가시광 영역에서의 2, 3, 4번 밴드에서 L2A 자료의 BOA 반사율이 참조 영상과 비슷하게 나타나는 경향을 확인하였으며, 그 외 밴드에서는 BOA 반사율의 분포가 참조 영상의 지표면 반사율의 분포와 비슷해지는 것을 확인할 수 있었다. 농업지역에서 식생 모니터링에 필수적인 NDVI 및 SR 지수의 경우점밀도 분석에서 BOA 반사율 기반의 L2A 자료로부터 얻어진 지수가 참조 영상에서 얻어진 지수와 비슷한 결과를 나타내는 것으로 확인되었다.
그 결과, 가시광 영역에서의 2, 3, 4번 밴드에서 L2A 자료의 BOA 반사율이 참조 영상과 비슷하게 나타나는 경향을 확인하였으며, 그 외 밴드에서는 BOA 반사율의 분포가 참조 영상의 지표면 반사율의 분포와 비슷해지는 것을 확인할 수 있었다. 농업지역에서 식생 모니터링에 필수적인 NDVI 및 SR 지수의 경우점밀도 분석에서 BOA 반사율 기반의 L2A 자료로부터 얻어진 지수가 참조 영상에서 얻어진 지수와 비슷한 결과를 나타내는 것으로 확인되었다. Sentinel-2 위성의 제원이 Landsat 시리즈에 비해서 공간, 시간, 분광해상도 측면에서의 이점을 가지는 것과 동시에 Sen2Cor 프로세서를 통해 BOA 반사율 자료를 제공하는 점은 향후 Sentinel-2 위성데이터가 농업 기반의 모니터링 분석에서 이점이 될 수 있을 것이다.
Red edge 파장대역에 속하는 5,6,7번 밴드의 경우 L2A 자료에서 상관관계 값이 소폭증가된 결과를 보이나 RMSE의 경우 조금 더 높은 값을 가지는 경향을 보인다. 마지막으로, NIR 대역인 8번 밴드와 SWIR 파장대역인 11, 12번 밴드의 경우 상관관계는 L1C와 L2A 자료에서 비슷한 값을 보이지만 RMSE는 오히려 L1C에서 낮은 값을 나타내는 것을 확인할 수 있다. Li et al.

후속연구

농업지역에서 식생 모니터링에 필수적인 NDVI 및 SR 지수의 경우점밀도 분석에서 BOA 반사율 기반의 L2A 자료로부터 얻어진 지수가 참조 영상에서 얻어진 지수와 비슷한 결과를 나타내는 것으로 확인되었다. Sentinel-2 위성의 제원이 Landsat 시리즈에 비해서 공간, 시간, 분광해상도 측면에서의 이점을 가지는 것과 동시에 Sen2Cor 프로세서를 통해 BOA 반사율 자료를 제공하는 점은 향후 Sentinel-2 위성데이터가 농업 기반의 모니터링 분석에서 이점이 될 수 있을 것이다. 향후, Sen2Cor 프로세서를 통해 대기보정된 L2A 자료의 실시간 제공이 예정되어있는 바이므로 Landsat 시리즈와 더불어 Sentinel-2 위성 데이터가 다양한 원격탐사 분야에서의 활용될 수 있을 것으로 기대되는 바이다.
하지만, 본 연구의 목표는 Sen2Cor 대기보정 프로세서의 유무에 따른 반사율 및 지수의 차이를 비교분석 하는 연구이므로 L1CTOA 자료와 L2A BOA 자료가 동일하게 생성된 모의영상과 비교되어 해당 Convolution 방식이 주는 영향은 제한적일 것으로 보인다. 또한, Landsat 시리즈에 비해서세분화된 Sentinel-2 영상의 Red-edge NIR 파장은 다양한 추가적인 정규화 지수를 생성할 수 있으며 향후 후속 연구로 Sentinel-2의 다양한 정규화지수에 대한 비교분석 실험을 수행할 예정이다.
Sen2Cor의 적용 과정에서 TOA 반사율 자료에 포함되어 있던 승법적 오차가 감소하여 참조 직선과 기울기가 비슷해지는 경향을 보이며, 이로 인해 식생지수의 비교 결과에서 L1C TOA 반사율 자료보다 L2A BOA 반사율이 참조자료로 이용된 모의영상과 비슷한 값을 나타내는 것으로 확인된다. 본 연구의 모의 영상 생성과정에서 항공 초분광 센서의 분광응답함수의 형태를 고려하여 분광적 Convolution을 통해 모의영상 생성을 진행해야 하지만 본 연구에서는 분광응답함수를 단순 가중치로 보아 Convolution을 진행하였고, 향후 연구에서 정확한 검증에 대한 실험을 위해 초분광 센서의 분광응답함수를(Barry et al., 2002; Kim and Pyeon,2012)의 연구와 같이 가우시안 함수의 형태로 가정하여 추가적인 실험을 진행할 계획이다. 하지만, 본 연구의 목표는 Sen2Cor 대기보정 프로세서의 유무에 따른 반사율 및 지수의 차이를 비교분석 하는 연구이므로 L1CTOA 자료와 L2A BOA 자료가 동일하게 생성된 모의영상과 비교되어 해당 Convolution 방식이 주는 영향은 제한적일 것으로 보인다.
Sentinel-2 MSI 센서의 공간해상도는 10 m, 20 m, 60 m로나누어 제공되며, 가시광 영역대는 10 m의 해상도, 근적외 및 단파장적외 영역대는 20 m, 에어로졸 및 대기 cirrus 관측 파장영역대는 60 m의 해상도로 영상이 제공되고 있다. 특히, 근적외 영역대에서의 5, 6, 7번 밴드는 서로 다른 좁은 파장대역의 Red-edge를 관측하며 해당 밴드는 농업지역 및 식생과 관련한 활용이 기대될 것으로 예상된다. 따라서 Sentinel-2 MSI 센서가 Landsat 시리즈보다 더 좋은 공간, 분광 및 시간해상도를 보이므로 향후 농업지역의 모니터링에 있어서 활용이 기대된다고 할수 있다(Clevers et al.
Sentinel-2 MSI 센서는 가장 대표적으로 사용되는 지구적인 원격탐사 관측위성인 Landsat의 Operational Land Imager 센서와 비슷한 파장대역으로 구성되어 향후 Landsat 영상과 함께 융합 분석이 가능하다는 이점이 있다(Van Der Werff and Van Der Meer, 2016). 특히,Sentinel-2 광학위성은 기존 Landsat이 제공하는 Top-ofAtmosphere(TOA) 반사율 영상을 Level-1C(L1C) 자료를 통해 제공하고 있으며, 추가적으로 Level-2A(L2A) 영상을 제공하여대기보정까지적용된Bottom-of-Atmosphere(BOA) 반사율 영상을 제공할 예정에 있다. 국내 원격탐사 분야에서 Landsat 위성영상은 다양한 분야의 연구(Choi et al.
Sentinel-2 위성의 제원이 Landsat 시리즈에 비해서 공간, 시간, 분광해상도 측면에서의 이점을 가지는 것과 동시에 Sen2Cor 프로세서를 통해 BOA 반사율 자료를 제공하는 점은 향후 Sentinel-2 위성데이터가 농업 기반의 모니터링 분석에서 이점이 될 수 있을 것이다. 향후, Sen2Cor 프로세서를 통해 대기보정된 L2A 자료의 실시간 제공이 예정되어있는 바이므로 Landsat 시리즈와 더불어 Sentinel-2 위성 데이터가 다양한 원격탐사 분야에서의 활용될 수 있을 것으로 기대되는 바이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	RMSE란 무엇인가	RMSE는 두 영상 사이의 차이와 편이를 나타내는 방법 중 하나로 영상 융합을 비롯한 다양한 영상처리에서 쉽게 이용되는 평가 지수이다. RMSE 값을 수식으로 나타내면 다음과 같다.
	Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질것으로 예상되는 이유는 무엇인가	BOA 반사율 영상은 에어로졸 광학 두께(AOT: Aerosol optical thickness)와 대기 중 수증기(WV: Water Vapor) 자료를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다. 현재, 유럽 전역지역에서 L2A 자료를 무료로 다운로드 가능하며 이외 지역의 경우 L2A 자료의 실시간 제공이 예정되어 있다. 따라서, Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질 것으로 기대되는 바이며 농업지역에서 Sentinel-2 L2A 영상이 제공하는 BOA 반사율 자료의 활용가능성을 확인하기 위해 경상남도 합천군에서 촬영된 항공 초분광영상을 활용하여 Sentinel-2 L2A 자료를 모의해 보고 정량적인 분석을 통해 모의영상과 실제 촬영된 영상을 비교해보았다.
	Sentinel-2 위성은 기존 Landsat 시리즈보다 좋은점은 무엇인가	Sentinel-2 위성은 기존 Landsat 시리즈보다 높은 공간해상도, 시간해상도 및 13개의 가시광, Red-edge, 적외, 단파적외 영역을 포함하는 다중분광 영상을 제공하고 있다. 이는 Landsat 시리즈와의 비슷한 파장대역 구성으로 향후 Landsat 시리즈와 융합분석이 가능하다는 이점이 있다.

참고문헌 (18)

Barry, P., J. Mendenhall, P. Jarecke, M. Folkman, J. Pearlman, and B. Markham, 2002. EO-1 Hyperion hyperspectral aggregation and comparison with EO-1 Advanced Land Imager and Landsat 7 ETM+, Proc. of IEEE International Geoscience and Remote Sensing Symposium, Toronto, ON, Jun. 24-28, vol. 6, pp. 3504-3506.
Belgiu, M. and O. Csillik, 2018. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis, Remote Sensing of Environment, 204: 509-523.

상세보기
Choi, J. W., S. T. Noh, and S. K. Choi, 2014. Unsupervised classification of Landsat-8 OLI satellite imagery based on iterative spectral mixture model, Journal of Korean Society for Geospatial Information System, 22(4): 53-61 (in Korean with English abstract).
Clevers, J., L. Kooistra, and M. Van Den Brande, 2017. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop, Remote Sensing, 9(5): 405.

상세보기
D'Odorico, P., A. Gonsamo, A. Damm, and M. E. Schaepman, 2013. Experimental evaluation of Sentinel-2 spectral response functions for NDVI time-series continuity, IEEE Transactions on Geoscience and Remote Sensing, 51(3): 1336-1348.

상세보기
Gascon, F., C. Bouzinac, O. Thepaut, M. Jung, B. Francesconi, J. Louis, V. Lonjou, B. Lafrance, S. Massera, and A. Gaudel-Vacaresse, 2017. Copernicus Sentinel-2A Calibration and Products Validation Status, Remote Sensing, 9(6): 584.

상세보기
Gray, J. and C. Song, 2012. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensors, Remote Sensing of Environment, 119: 173-183.

상세보기
Kim, D. S. and M. W. Pyeon, 2012. Aggregation of Hyperion Hyperspectral Bands to ALI and ETM+ Bands Using Spectral Response Information and the Weighted Sum Method, International Journal of Digital Content Technology and its Applications, 6(5): 189-199.

상세보기
Kim, G. H., Y. G. Lee, J. H. Kim, H. W. Choi, and B. J. Kim, 2018. Analysis of the Cooling Effects in Urban Green Areas using the Landsat 8 Satellite Data, Korean Journal of Remote Sensing, 34(2): 167-178 (in Korean with English abstract).
Kim, H. J., D. K. Seo, Y. D. Eo, M. C. Jeon, and W. Y. Park, 2019. Multi-temporal Nonlinear Regression Method for Landsat Image Simulation, KSCE Journal of Civil Engineering, 23(2): 777-787.

상세보기
Lee, S. J., K. J. Kim, Y. H. Kim, J. W. Kim, and Y. W. Lee, 2017. Development of FBI(Fire Burn Index) for Sentinel-2 images and an experiment for detection of burned areas in Korea, Journal of Photo Geography, 27(4): 187-202 (in Korean with English abstract).
Li, Y., J. Chen, Q. Ma, H. K. Zhang, and J. Liu, 2018. Evaluation of Sentinel-2A surface reflectance derived using Sen2Cor in North America, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(6): 1997-2021.

상세보기
Li, J., X. Yang, C. Maffei, S. Tooth, and G. Yao, 2018. Applying Independent Component Analysis on Sentinel-2 Imagery to Characterize Geomorphological Responses to an Extreme Flood Event near the Non-Vegetated Rio Colorado Terminus, Salar de Uyuni, Bolivia, Remote Sensing, 10(5): 725.

상세보기
Louis, J., V. Debaecker, B. Pflug, M. Main-Knorn, J. Bieniarz, U. Mueller-Wilm, E. Cadau, and F. Gascon, 2016. Sentinel-2 Sen2Cor: L2A processor for users, Proc. of the Living Planet Symposium, Prague, Czech Republic, May 9-13, pp. 9-13.
Shin, J. S., K. Y. Kim, J. E. Min, and J. H. Ryu, 2018. Red Tide Detection through Image Fusion of GOCI and Landsat OLI, Korean Journal of Remote Sensing, 34(2): 377-391 (in Korean with English abstract).
Thanh Noi, P. and M. Kappas, 2018. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery, Sensors, 18(1): 18.
Van Der Werff, H. and F. Van Der Meer, 2016. Sentinel-2A MSI and Landsat 8 OLI provide data continuity for geological remote sensing, Remote Sensing, 8(11): 883.

상세보기
Yim, J. S. and G. H. Lee, 2017. Estimating Urban Temperature by Combining Remote Sensing Data and Terrain Based Spatial Interpolation Method, Journal of the Korean Cartographic Association, 17(2): 75-88 (in Korean with English abstract).

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format