Sentinel-1 위성의 영상 분류 기법을 이용한 백두산 천지의 얼음 면적 변화 탐지 Changes Detection of Ice Dimension in Cheonji, Baekdu Mountain Using Sentinel-1 Image Classification원문보기
아시아에서 가장 큰 칼데라 호수인 천지는 해발 약 2250 m의 백두산 정상에 위치한다. 천지는 높은 해발고도 및 바다와 인접한 환경으로 인해 1년 중 6개월 정도가 눈과 얼음으로 뒤덮여 있다. 천지의 수원은 대부분 지하수로부터 유입되기 때문에 수온과 백두산의 화산활동이 밀접한 관련이 있다. 하지만 2000년대에 들어서며 백두산에 많은 화산활동이 관측되고 있다. 본 연구에서는 유럽우주국(European Space Agency: ESA)에서 제공하는 Sentinel-1 위성 영상자료를 활용하여 백두산의 겨울철 생성되는 얼음의 면적을 분석하였다. Sentinel-1 위성의 후방산란 영상에서 얼음의 면적을 산출하기 위해 질감 분석 기법을 활용하여 2개의 편파영상에서 20개의 Gray-Level Co-occurrence Matrix(GLCM) 레이어를 생성했다. 면적 산출에 사용된 방법은 GLCM 레이어를 Support Vector Machine (SVM) 알고리즘으로 분류하여 영상에서 얼음의 면적을 산출했다. 또한 산출된 면적은 삼지연 기상관측소에서 획득된 기온자료와 상관관계를 분석하였다. 본 연구는 본격적인 장기간의 시계열 분석에 앞서 얼음의 면적을 산출하는 새로운 방법에 대한 대안을 제시하는 근거로서 활용될 수 있을 것이다.
아시아에서 가장 큰 칼데라 호수인 천지는 해발 약 2250 m의 백두산 정상에 위치한다. 천지는 높은 해발고도 및 바다와 인접한 환경으로 인해 1년 중 6개월 정도가 눈과 얼음으로 뒤덮여 있다. 천지의 수원은 대부분 지하수로부터 유입되기 때문에 수온과 백두산의 화산활동이 밀접한 관련이 있다. 하지만 2000년대에 들어서며 백두산에 많은 화산활동이 관측되고 있다. 본 연구에서는 유럽우주국(European Space Agency: ESA)에서 제공하는 Sentinel-1 위성 영상자료를 활용하여 백두산의 겨울철 생성되는 얼음의 면적을 분석하였다. Sentinel-1 위성의 후방산란 영상에서 얼음의 면적을 산출하기 위해 질감 분석 기법을 활용하여 2개의 편파영상에서 20개의 Gray-Level Co-occurrence Matrix(GLCM) 레이어를 생성했다. 면적 산출에 사용된 방법은 GLCM 레이어를 Support Vector Machine (SVM) 알고리즘으로 분류하여 영상에서 얼음의 면적을 산출했다. 또한 산출된 면적은 삼지연 기상관측소에서 획득된 기온자료와 상관관계를 분석하였다. 본 연구는 본격적인 장기간의 시계열 분석에 앞서 얼음의 면적을 산출하는 새로운 방법에 대한 대안을 제시하는 근거로서 활용될 수 있을 것이다.
Cheonji, the largest caldera lake in Asia, is located at the summit of Baekdu Mountain. Cheonji is covered with snow and ice for about six months of the year due to its high altitude and its surrounding environment. Since most of the sources of water are from groundwater, the water temperature is cl...
Cheonji, the largest caldera lake in Asia, is located at the summit of Baekdu Mountain. Cheonji is covered with snow and ice for about six months of the year due to its high altitude and its surrounding environment. Since most of the sources of water are from groundwater, the water temperature is closely related to the volcanic activity. However, in the 2000s, many volcanic activities have been monitored on the mountain. In this study, we analyzed the dimension of ice produced during winter in Baekdu Mountain using Sentinel-1 satellite image data provided by the European Space Agency (ESA). In order to calculate the dimension of ice from the backscatter image of the Sentinel-1 satellite, 20 Gray-Level Co-occurrence Matrix (GLCM) layers were generated from two polarization images using texture analysis. The method used in calculating the area was utilized with the Support Vector Machine (SVM) algorithm to classify the GLCM layer which is to calculate the dimension of ice in the image. Also, the calculated area was correlated with temperature data obtained from Samjiyeon weather station. This study could be used as a basis for suggesting an alternative to the new method of calculating the area of ice before using a long-term time series analysis on a full scale.
Cheonji, the largest caldera lake in Asia, is located at the summit of Baekdu Mountain. Cheonji is covered with snow and ice for about six months of the year due to its high altitude and its surrounding environment. Since most of the sources of water are from groundwater, the water temperature is closely related to the volcanic activity. However, in the 2000s, many volcanic activities have been monitored on the mountain. In this study, we analyzed the dimension of ice produced during winter in Baekdu Mountain using Sentinel-1 satellite image data provided by the European Space Agency (ESA). In order to calculate the dimension of ice from the backscatter image of the Sentinel-1 satellite, 20 Gray-Level Co-occurrence Matrix (GLCM) layers were generated from two polarization images using texture analysis. The method used in calculating the area was utilized with the Support Vector Machine (SVM) algorithm to classify the GLCM layer which is to calculate the dimension of ice in the image. Also, the calculated area was correlated with temperature data obtained from Samjiyeon weather station. This study could be used as a basis for suggesting an alternative to the new method of calculating the area of ice before using a long-term time series analysis on a full scale.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2019). 따라서 이 연구에서는 Sentinel-1 영상을 활용하여 얼음 면적을 산출하고 산출된 면적과 온도 자료와의 상관 분석을 통하여 향후 화산활동 탐지 예측 연구의 틀을 마련하고자 한다. 이 연구를 위해서는 2016년 10월부터 2017년 4월까지 Sentinel-1 영상을 획득하고 획득된 영상에 Gray-Level Cooccurrence Matrix (GLCM) 알고리즘을 적용하여 얼음 면적을 산출하였다.
본 연구에서는 SAR 영상에서 겨울철에 생성되는 백두산 천지의 얼음 면적을 산출하고자 하였다. 하지만 SAR 영상은 후방산란의 강도 영상밖에 제공할수 없는 단점이 있기 때문에, 이 단점을 극복하기 위해 질감 분석을 사용하였다.
하지만 32번 Track은 입사각이 작기 때문에 천지의 일부가 가려지는 현상이 발생한다. 본연구에서는 134번 Track의 영상 중 얼음 면적 변화의 경향성을 파악하기 위해 1개월마다 한 개의 영상을 분석하였다(Table 1).
, 2017). 해당 연구에서는 화산 분화시에 발생한 화산가스와 화산재로 인한 주변 빙하의 영향성을 분석하였다. 결과적으로 화산가스로 인해 주변 기후가 변하여 빙하의 두께가 변화하였음을 밝혔다.
제안 방법
각 영상의 GLCM 레이어는 기준 픽셀로부터 창의 크기는 9×9, 각도는 0º , 45º , 90º , 135º의 4가지 전방향에 대해 분석하여 생성되었다.
4 km2 로 나타났다. 산출된 얼음의 면적과 기온의 상관관계 분석을 위해 삼지연 기상관측소에서 제공되는 영상 촬영 일자의 평균 기온을 그래프에 함께 도시하였다. 영상에서 얼음이 얼기 시작하는 10월 9일의 기온은 약 −2.
수집된 Sentinel-1 영상은 전처리 과정을 통하여 유의미한 신호 정보인 후방산란 값으로 변환 하였다. 이 후, 영상의 레이더 좌표계를 지리 좌표계로 변환하는 기하보정을 실시한 후 사용하였다.
이 연구에서는 두 편파영상에서 천지내부에 신호가 강한 지점을 얼음으로 분류, 천지내부에 신호가 공통적으로 약한 지점을 물로 분류하고, 천지의 경계면 바깥 지역을 육지로 분류하였다. 영상 분류는정확도 향상을 위해 100회 반복 수행하였으며, 도출된 영상 분류 결과에서 얼음의 면적을 산출하였다. 영상 분류 결과의 정확도 분석은 오차 행렬(Error matrix)을 이용하였다.
즉, SVM은 결정된 초평면과 지원 벡터를 사용하여 비선형 분류를 실시한다(Kadavi and Lee, 2018). 이 연구에서는 두 편파영상에서 천지내부에 신호가 강한 지점을 얼음으로 분류, 천지내부에 신호가 공통적으로 약한 지점을 물로 분류하고, 천지의 경계면 바깥 지역을 육지로 분류하였다. 영상 분류는정확도 향상을 위해 100회 반복 수행하였으며, 도출된 영상 분류 결과에서 얼음의 면적을 산출하였다.
는 오차 행렬에서 i번째 열의 픽셀 수이며, N은 총 픽셀 수이다. 이 후, 산출된 얼음 면적은 북한의 삼지연 기상관측소의 기온과 상관관계 분석을 진행하였다.
수집된 Sentinel-1 영상은 전처리 과정을 통하여 유의미한 신호 정보인 후방산란 값으로 변환 하였다. 이 후, 영상의 레이더 좌표계를 지리 좌표계로 변환하는 기하보정을 실시한 후 사용하였다.
이렇게 변환된 영상으로부터 얼음과 물을 분류하였다. 특히 SAR 위성은 특성상 표면에 이물질이 없는 수면에서는 후방산란 신호가 감지되지 않으며 표면이 단단하고 거친 얼음은 상대적으로 강한 후방산란 신호가 감지된다(Scheuchl et al.
반면에 VV 편파영상은 얇은 얼음을 감지 할 수 있지만 일정 두께 이상의 얼음은 구분하지 못하는 것으로 보인다. 이렇게 후방산란 영상만으로도 얼음의 면적을 정성적으로 판단할 수 있지만, 정확한 면적 산출을 위해서 질감 분석을 수행하였다.
본 연구에서는 SAR 영상에서 겨울철에 생성되는 백두산 천지의 얼음 면적을 산출하고자 하였다. 하지만 SAR 영상은 후방산란의 강도 영상밖에 제공할수 없는 단점이 있기 때문에, 이 단점을 극복하기 위해 질감 분석을 사용하였다. 본 연구에서는 질감 분석으로 VV와 VH 편광 영상에 대해 총 20개의 GLCM 레이어를 생성하였다.
대상 데이터
2는 연구 흐름도이다. 본 연구에 사용된 SAR 위성 영상은 유럽우주국(ESA)에서 발사된 Sentinel-1 위성 영상이다(Geudtner et al., 2014). 2014년에 처음 발사된 이 위성의 영상은 누구나 무료로 사용 가능하다는 장점이 있으며 영상과 함께 영상처리 소프트웨어인 SNAP (Sentinel Application Platform)을 함께 제공한다.
2014년에 처음 발사된 이 위성의 영상은 누구나 무료로 사용 가능하다는 장점이 있으며 영상과 함께 영상처리 소프트웨어인 SNAP (Sentinel Application Platform)을 함께 제공한다. 본 연구에서는 얼음의 면적과 기온과의 상관관계를 분석하기 위해 얼음이 얼기 시작하는 2016년 10월부터 이듬해 4월까지를 연구기간으로 설정하였다. 백두산 지역은 Sentinel-1 위성의 32번 Track과 134번 Track이 겹치는 곳에 있어 6일마다 영상획득이 가능하다.
하지만 SAR 영상은 후방산란의 강도 영상밖에 제공할수 없는 단점이 있기 때문에, 이 단점을 극복하기 위해 질감 분석을 사용하였다. 본 연구에서는 질감 분석으로 VV와 VH 편광 영상에 대해 총 20개의 GLCM 레이어를 생성하였다. 생성된 GLCM 레이어 에 SVM알고리즘을 사용하여 분류 정확도를 높이고자 했다.
본 연구의 연구지역은 백두산 천지로 이 지역은 겨울철 낮은 기온으로 인하여 천치 표면에 얼음이 형성된다. 특히 10월부터 얼음이 얼기 시작하여 이듬해 4월까지 유지가 된다.
각 영상의 GLCM 레이어는 기준 픽셀로부터 창의 크기는 9×9, 각도는 0º , 45º , 90º , 135º의 4가지 전방향에 대해 분석하여 생성되었다. 이 과정에 의해 생성된 레이어는 각 편파에 대해 10개가 생성되었으며, 한 영상에는 VV와 VH 편파에 대해 총 20개의 레이어가 생성되었다(Table 2).
특히 10월부터 얼음이 얼기 시작하여 이듬해 4월까지 유지가 된다. 이 연구에서는 이러한 얼음 탐지를 위해서 기상현상에 제약을 덜 받는 SAR 영상을 사용하였다.
또한, C-밴드의 Sentinel-1 위성 영상외에도 다른 밴드의 위성 영상을 사용하여 다중밴드 분석을 할 수도 있다. 질감 분석 단계에서는 생성된 GLCM 레이어 20개를 모두 입력자료로서 사용하였다. 하지만 일부 레이어는 영상 분류에 효과적인 반면 다른 레이어는 분류 결과에 오차를 증가시키는 원인이 될수 있다.
8(c)와 같이 훈련자료를 생성하였다. 훈련자료는 관심지역(Region Of Interest: ROI)를 사용하여 물, 얼음 그리고 땅의 3가지 클래스로 생성하였다. 훈련자료를 사용하여 분류된 결과가 Fig.
데이터처리
이 연구를 위해서는 2016년 10월부터 2017년 4월까지 Sentinel-1 영상을 획득하고 획득된 영상에 Gray-Level Cooccurrence Matrix (GLCM) 알고리즘을 적용하여 얼음 면적을 산출하였다. 산출된 얼음 면적은 천지와 가장 가까운 삼지연 기상관측소의 기온 자료와 비교 하여 상관관계 분석을 진행하였다.
이론/모형
, 2011). 따라서 이러한 단점을 보완하기 위하여 후방산란영상에 Gray-Level Co-occurrence Matrix (GLCM) 알고 리즘을 적용하여 질감 분석(Texture analysis)을 실시 하였다. GLCM은 기준이 되는 픽셀과 그 주변 픽셀의 밝기 값을 변환하여 질감정보가 있는 레이어를 생성하는 방법이다.
SVM 은 감독분류법 알고리즘 중 하나로, 사전에 정의된 훈련데이터를 필요로 한다(Cortes and Vapnik, 1995). 또한 데이터를 분류하기 위해서 만들어진 기준인 초평면(Hyperplane)을 사용한다. SVM은 가장 적합한 초평면을 찾기 위해 데이터와 초평면 간의 거리인 마진(Margin)을 반복 계산하며 이 마진이 최대가 되는 초평면을 찾아 결정한다(Smola and Schlkopf, 2004).
본 연구에서는 질감 분석으로 VV와 VH 편광 영상에 대해 총 20개의 GLCM 레이어를 생성하였다. 생성된 GLCM 레이어 에 SVM알고리즘을 사용하여 분류 정확도를 높이고자 했다. 영상 분류 결과의 정확도는 분석에 사용된 7개의 영상 평균 95% 이상으로 나타나 상당히 높은 분류 정확도를 보여주었다.
영상 분류는정확도 향상을 위해 100회 반복 수행하였으며, 도출된 영상 분류 결과에서 얼음의 면적을 산출하였다. 영상 분류 결과의 정확도 분석은 오차 행렬(Error matrix)을 이용하였다. 분류에 사용한 훈련자료와 영상의 오차 행렬을 분석하여 종합 정확도(overall accuracy)를 산출했다(식 (1)).
이 과정을 거쳐 생성된 질감 레이어에 머신러닝알고리즘 중 하나인 Support Vector Machine (SVM) 알고리즘을 적용하여 영상 분류를 진행하였다. SVM 은 감독분류법 알고리즘 중 하나로, 사전에 정의된 훈련데이터를 필요로 한다(Cortes and Vapnik, 1995).
따라서 이 연구에서는 Sentinel-1 영상을 활용하여 얼음 면적을 산출하고 산출된 면적과 온도 자료와의 상관 분석을 통하여 향후 화산활동 탐지 예측 연구의 틀을 마련하고자 한다. 이 연구를 위해서는 2016년 10월부터 2017년 4월까지 Sentinel-1 영상을 획득하고 획득된 영상에 Gray-Level Cooccurrence Matrix (GLCM) 알고리즘을 적용하여 얼음 면적을 산출하였다. 산출된 얼음 면적은 천지와 가장 가까운 삼지연 기상관측소의 기온 자료와 비교 하여 상관관계 분석을 진행하였다.
성능/효과
해당 연구에서는 화산 분화시에 발생한 화산가스와 화산재로 인한 주변 빙하의 영향성을 분석하였다. 결과적으로 화산가스로 인해 주변 기후가 변하여 빙하의 두께가 변화하였음을 밝혔다. 그러나 마그마 관입으로 인한 수온 상승에 관한 연구는 미비하다.
하지만 천지 내부에 땅으로 분류되거나, 천지 외부에 얼음이나 물로 분류되는 것과 같은 오차가 발생하였다. 그럼에도 불구하고 해당 영상 분류 결과의 정확도는 약 96%로 계산되었으며, 영상 전체의 평균적인 분류 정확도 또한 95% 이상으로 나타났다.
3ºC였다. 본 연구결과는 기온과 얼음의 면적이 반비례하는 것으로 나타났다. 해당 연구기간 동안 기온과 얼음의 면적의 상관계수는 −0.
영상 분류 결과의 정확도는 분석에 사용된 7개의 영상 평균 95% 이상으로 나타나 상당히 높은 분류 정확도를 보여주었다. 분류 결과에서 산출된 얼음의 면적과 기온과의 상관관계 분석을 진행하였고, 높은 상관관계를 보였다. 하지만 얼음의 면적이 최대가 되는 2017년 1월 13일 영상은 기온이 약 −24ºC 임에도 불구하고 천지의 북쪽과 남쪽 일부가 얼음으로 분류되지 않았다.
생성된 GLCM 레이어 에 SVM알고리즘을 사용하여 분류 정확도를 높이고자 했다. 영상 분류 결과의 정확도는 분석에 사용된 7개의 영상 평균 95% 이상으로 나타나 상당히 높은 분류 정확도를 보여주었다. 분류 결과에서 산출된 얼음의 면적과 기온과의 상관관계 분석을 진행하였고, 높은 상관관계를 보였다.
후속연구
또한, 얼음 면적의 분류결과와 비교 분석 대상인 기온자료는 천지와 30 km 떨어진 지점의 자료를 사용하였으므로 거리와 고도에 따른 대기변화를 고려하여 실제적인 기온이나 수온 값을 대신할 수 있도록 하는 추가적인 부분이 필요하다. 그럼에도 불구하고 본 연구의 결과는 백두산의 화산활동 분석을 위한 연구 방법 중 하나로 사용될수 있을 것이다. 특히, 얼음의 면적 변화를 통해 수온의 변화를 탐지하는 새로운 방법에 대해 제시하는 연구 결과가 될 것이다.
, 2001). 따라서 이러한 특성을 사용한다면 물과 얼음의 구분이 가능할 것이다. 하지만 후방산란의 강도(Intensity)영상에는 신호의 노이즈가 발생한다.
전체 면적이 얼음으로 나타나지 않은 이유는 천지의 깊이나 해당 지점의 지형의 영향으로 생각된다. 본 연구는 연구기간을 1년으로 설정하였지만, 장기적 분석을 위해 연구기간을 늘려 분석할 필요가 있다. 또한, C-밴드의 Sentinel-1 위성 영상외에도 다른 밴드의 위성 영상을 사용하여 다중밴드 분석을 할 수도 있다.
특히, 얼음의 면적 변화를 통해 수온의 변화를 탐지하는 새로운 방법에 대해 제시하는 연구 결과가 될 것이다. 본 연구에서 얻을 수 있는 겨울철의 수온 변화의 경향성과 함께 열적외선 영상 에서 얻을 수 있는 수온 변화의 경향성을 함께 분석 한다면 서로의 단점을 보완하여 1년간의 수온변화의 경향성을 얻을 수 있으로 생각된다. 본 연구는 상대 적으로 제한적인 자료만을 사용하여 진행되었다.
그럼에도 불구하고 본 연구의 결과는 백두산의 화산활동 분석을 위한 연구 방법 중 하나로 사용될수 있을 것이다. 특히, 얼음의 면적 변화를 통해 수온의 변화를 탐지하는 새로운 방법에 대해 제시하는 연구 결과가 될 것이다. 본 연구에서 얻을 수 있는 겨울철의 수온 변화의 경향성과 함께 열적외선 영상 에서 얻을 수 있는 수온 변화의 경향성을 함께 분석 한다면 서로의 단점을 보완하여 1년간의 수온변화의 경향성을 얻을 수 있으로 생각된다.
본 연구는 상대 적으로 제한적인 자료만을 사용하여 진행되었다. 하지만 추후에 많은 양의 자료에 대해서도 본 연구에서 제안한 방법은 효과적인 자료처리 기법이 될 것이다.
Foody, G. M., and Mathur, A., 2004, A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on geoscience and remote sensing, 42, 6, 1335-1343.
Geudtner, D., Torres, R., Snoeij, P., Davidson, M., and Rommen, B., 2014,. Sentinel-1 system capabilities and applications. In. Proc, 2014 IEEE Geoscience and Remote Sensing Symposium, 1457-1460.
Hong, S.H., Jang, M.J., Jung, S.W., and Park, S.W., 2018, A Review on Monitoring Mt. Baekdu Volcano Using Space-based Remote Sensing Observations, Korean Journal of Remote Sensing, 34, 6-4, 1503-1517
Jang, M.W., Lee, H.J., Kim, Y.H., and Hong, S.Y., 2011, Applicability of Satellite SAR Imagery for Estimating Reservoir Storage, Journal of the Korean Society of Agricultural Engineer, 53, 6, 7-16.
Kadavi, P.R., and Lee, C.W., 2018, Land cover classification analysis of volcanic island in Aleutian Arc using an artificial neural network (ANN) and a support vector machine (SVM) from Landsat imagery. Geosciences Journal, 22, 4, 653-665.
Kim, N.S., 2011, An Analysis on influence Area by the simulation over Mt. Baekdu Eruption, Journal of The Korean Association of Regional Geographers, 17, 3, 348-356.
Kim, S.W., Choi, E.K., Jung, S.J., Kim, S.H., Lee, K.H., and Yun, S.H., 2013, A Preliminary Study for Predicting a Damage Range of Pyroclastic Flows, Lahars, and Volcanic Flood caused by Mt. Baekdusan Eruption, Journal Korean Earth Science Society, 34, 6, 479-491.
Park, J.W., Korosov, A.A., Babiker, M., Won, J.S., Hansen, M.W., and Kim, H.C., 2019, Classification of Sea Ice Types in Sentinel-1 SAR images. The Cryosphere Discussions.
Scheuchl, B., Caves, R., Cumming, I., and Staples, G., 2001, Automated sea ice classification using spaceborne polarimetric SAR data. In IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium, 01CH37217, 7, 3117-3119.
Suh, J.W., Yi, H.W., Kim, S.M., and Park, H.D., 2013, Prediction of the Area Inundated by Lake Effluent According to Hypothetical Collapse Scenarios of Cheonji Ground at Mt. Baekdu, The Journal of Engineering Geology, 23, 4, 409-425.
Trunk, L., and Bernard, A., 2008, Investigating crater lake warming using ASTER thermal imagery: Case studies at Ruapehu, Pos, Kawah Ijen, and Copahu Volcanoes. Journal of volcanology and geothermal research, 178, 2, 259-270.
Yun, S.H., and Lee, J.H., 2012, Analysis of Unrest Signs of Activity at the Baegdusan Volcan, Journal of the Petrological Society of Korea 21(1), 3, 1-12.
Yun, S.H., Won, C.K., and Lee, M.W., 1993, Cenozoic Volcanic Activity and Petrochemistry of Volcanic Rocks in the Mt. Paektu Area, Journal of the Geological Society of Korea, 29, 3, 291-307.
Zulpe, N., and Pawar, V., 2012, GLCM textural features for brain tumor classification. International Journal of Computer Science Issues, 9 ,3, 354.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.