[논문]2019 강릉-동해 산불 피해 지역에 대한 PlanetScope 영상을 이용한 지형 정규화 기법 분석

정민경; 김용일

doi:10.7780/kjrs.2020.36.2.1.7

2019 강릉-동해 산불 피해 지역에 대한 PlanetScope 영상을 이용한 지형 정규화 기법 분석
Analysis on Topographic Normalization Methods for 2019 Gangneung-East Sea Wildfire Area Using PlanetScope Imagery 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.2 pt.1, 2020년, pp.179 - 197

정민경 (서울대학교 건설환경공학부) , 김용일 (서울대학교 건설환경공학부)

초록
AI-Helper

지형 정규화 기법은 영상 촬영 시의 광원, 센서 및 지표면 특성에 따라 발생하는 밝기값 상의 지형적인 영향을 제거하는 방법으로, 지형 조건으로 인해 동일 피복의 픽셀들이 서로 다른 밝기값을 지닐 때 그 차이를 감소시킴으로써 평면 상의 밝기값과 같아 보이도록 보정한다. 이러한 지형적인 영향은 일반적으로 산악 지형에서 크게 나타나며, 이에 따라 산불 피해 지역 추정과 같은 산악 지형에 대한 영상 활용에서는 지형 정규화 기법이 필수적으로 고려되어야 한다. 그러나 대부분의 선행연구에서는 중저해상도의 위성영상에 대한 지형 보정 성능 및 분류 정확도 영향 분석을 수행함으로써, 고해상도 다시기 영상을 이용한 지형 정규화 기법 분석은 충분히 다루어지지 않았다. 이에 본 연구에서는 PlanetScope 영상을 이용하여 신속하고 정확한 국내 산불 피해 지역 탐지를 위한 각 밴드별 최적의 지형 정규화 기법 평가 및 선별을 수행하였다. PlanetScope 영상은 3 m 공간 해상도의 전세계 일일 위성영상을 제공한다는 점에서 신속한 영상 수급 및 영상 처리가 요구되는 재난 피해 평가 분야에 높은 활용 가능성을 지닌다. 지형 정규화 기법 비교를 위해 보편적으로 이용되고 있는 7가지 기법을 구현하였으며, 토지 피복 구성이 상이한 산불 전후 영상에 모두 적용, 분석함으로써 종합적인 피해 평가에 활용될 수 있는 밴드 별 최적 기법 조합을 제안하였다. 제안된 방법을 통해 계산된 식생 지수를 이용하여 화재 피해 지역 변화 탐지를 수행하였으며, 객체 기반 및 픽셀 기반 방법 모두에서 향상된 탐지 정확도를 나타내었다. 또한, 화재 피해 심각도(burn severity) 매핑을 통해 지형 정규화 기법이 연속적인 밝기값 분포에 미치는 효과를 확인하였다.

Abstract ▼ AI-Helper

Topographic normalization reduces the terrain effects on reflectance by adjusting the brightness values of the image pixels to be equal if the pixels cover the same land-cover. Topographic effects are induced by the imaging conditions and tend to be large in high mountainousregions. Therefore, image analysis on mountainous terrain such as estimation of wildfire damage assessment requires appropriate topographic normalization techniques to yield accurate image processing results. However, most of the previous studies focused on the evaluation of topographic normalization on satellite images with moderate-low spatial resolution. Thus, the alleviation of topographic effects on multi-temporal high-resolution images was not dealt enough. In this study, the evaluation of terrain normalization was performed for each band to select the optimal technical combinations for rapid and accurate wildfire damage assessment using PlanetScope images. PlanetScope has considerable potential in the disaster management field as it satisfies the rapid image acquisition by providing the 3 m resolution daily image with global coverage. For comparison of topographic normalization techniques, seven widely used methods were employed on both pre-fire and post-fire images. The analysis on bi-temporal images suggests the optimal combination of techniques which can be applied on images with different land-cover composition. Then, the vegetation index was calculated from the images after the topographic normalization with the proposed method. The wildfire damage detection results were obtained by thresholding the index and showed improvementsin detection accuracy for both object-based and pixel-based image analysis. In addition, the burn severity map was constructed to verify the effects oftopographic correction on a continuous distribution of brightness values.

주제어

표/그림 (19)

그림 Fig. 1. Location of study site: PlanetScope post-fire image captured on 2019/04/27.
표 Table 1. Specifications of PlanetScope (Planet, 2020b)
표 Table 2. Specifications of images used in this study
그림 Fig. 2. Images used in this study: PlanetScope pre-fire images captured on 2019/04/04 (a) displayed with true colors (RGB), (b) with pseudo colors (NIR·RG), and post-fire images captured on 2019/04/08 (c) displayed with true colors (RGB), (d) with pseudo colors (NIR·RG).
그림 Fig. 3. Terrain information used in this study: (a) DEM from digital topographic maps, (b) slope derived from DEM, (c) aspect derived from DEM (angles measured clockwise from north), (d) cosine of solar incidence angle i.
표 Table 3. Topographic normalization models used in this study
그림 Fig. 4. Flowchart of topographic normalization and change detection process in this study.
그림 Fig. 5. Pre-fire images displayed with pseudo colors (NIR·RG) (a) before normalization, and after applying (b) Cosine model, (c) SCS model, (d) C-correction model, (e) SCS+C model, (f) Empirical rotation model, (g) Minnaert model, and (h) Minnaert+SCS model.
표 Table 4. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of pre-fire image (19/04/04) (Vegetation samples used to calculate empirical constants were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)
표 Table 5. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of post-fire image (19/04/08) (Vegetation samples used to calculate empirical constants were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)
표 Table 6. Mean, standard deviation, and coefficient of determination (R-squared) values for topographically normalized reflectance of post-fire image (19/04/08) (Burned vegetation pixels were evaluated in three groups depending on the values of cos i; Total pixels with whole range of cos i, well-illuminated pixels where cos i > median of cos i, and weakly-illuminated pixels where cos i ≤ median of cos i)
표 Table 7. Mean, standard deviation, and coefficient of determination (R-squared) values for NDVI calculated from topographically normalized PlanetScope image (NDVI values were evaluated in three groups depending on the values of cos i for vegetation pixels of pre-fire image (19/04/04) and both vegetation and burned vegetation pixels of post-fire image (19/04/08))
표 Table 8. Mean, standard deviation, and coefficient of determination (R-squared) values for SAVI calculated from topographically normalized PlanetScope image (SAVI values were evaluated in three groups depending on the values of cos i for vegetation pixels of pre-fire image (19/04/04) and both vegetation and burned vegetation pixels of post-fire image (19/04/08))
그림 Fig. 6. Image segmentation progress for object-based image analysis (zoom image); (a) original post-fire image, (b) segmentation results from SLIC superpixels, (c) segmentation results from DBSCAN, (d) results from assigning mean SAVI value for each object.
그림 Fig. 7. Thresholding of dSAVI based on the values determined by Equation (4); dSAVI histograms from (a) original image, (b) after topographic normalization with Method 1, and (c) after topographic normalization with Method 2.
표 Table 9. Accuracy assessment for wildfire-induced change detection with both object-based and pixel-based approaches
그림 Fig. 8. Burn severity maps obtained by applying thresholding; (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2.
그림 Fig. 9. Zoomed images of burn severity maps from (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2, and for visual comparison, (d) zoomed image of cosine of solar incidence angle i.
그림 Fig. 10. Histograms of cos i for each burn severity class of burn severity maps from (a) original image, (b) after topographic normalization with Method 1, (c) after topographic normalization with Method 2.

질의응답

핵심어	질문	논문에서 추출한 답변
	지형 정규화 기법의 표면의 반사 특성에 따른 구분은?	, 2010). 지형 정규화 기법은 지표면의 굴곡으로 인해 발생하는 픽셀 밝기값의 차이를 평면상의 밝기값처럼 보이도록 보정하며, 지표면의 반사 특성에 따라 Lambertian 접근법과 non-Lambertian 접근법으로 구분된다(Smith et al., 1980).
	지형 정규화 기법이란?	지형 정규화 기법은 영상 촬영 시의 광원, 센서 및 지표면 특성에 따라 발생하는 밝기값 상의 지형적인 영향을 제거하는 방법으로, 지형 조건으로 인해 동일 피복의 픽셀들이 서로 다른 밝기값을 지닐 때 그 차이를 감소시킴으로써 평면 상의 밝기값과 같아 보이도록 보정한다. 이러한 지형적인 영향은 일반적으로 산악 지형에서 크게 나타나며, 이에 따라 산불 피해 지역 추정과 같은 산악 지형에 대한 영상 활용에서는 지형 정규화 기법이 필수적으로 고려되어야 한다.
	고해상도 위성 영상 취득이 증가하면서 산악 지형에서 발생하는 화재에 대하여 기대되는 영향은?	특히, 지형적인 요인에 의한 영상 내 밝기 값의 차이는 산악 지형에서 크게 나타남에 따라 산불 피해 지역 추정과 같이 산악 지형을 포함한 영상 활용에서는 적절한 지형 정규화 기법에 대한 고려가 필수적이다. 산악 지형에서 발생한 화재의 경우, 원격탐사 영상 활용을 통해 낮은 현장 접근성을 대체할 수 있으며, 정확한 지형 정규화 적용을 통해 보다 정확한 산불 피해 지역 탐지가 가능할 것으로 기대된다.

참고문헌 (28)

Achanta, R., A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Susstrunk, 2012. SLIC superpixels compared to state-of-the-art superpixel methods, IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11): 2274-2282.

상세보기
Baraldi, A., M. Gironda, and D. Simonetti, 2009. Operational two-stage stratified topographic correction of spaceborne multispectral imagery employing an automatic spectral-rule-based decision-tree preliminary classifier, IEEE Transactions on Geoscience and Remote Sensing, 48(1): 112-146.

상세보기
Escuin, S., R. Navarro, and P. Fernandez, 2008. Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images, International Journal of Remote Sensing, 29(4): 1053-1073.

상세보기
Ester, M., H. P. Kriegel, J. Sander, and X. Xu, 1996. A density-based algorithm for discovering clusters in large spatial databases with noise, Proc. of International Conference on Knowledge Discovery and Data Mining (KDD-96), Portland, OR, Aug. 2-4, vol. 96, no. 34, pp. 226-231.
Gangwon Province, Research Institute for Gangwon, Gangwon KOFST (Korean Federation of Science & Technology Societies), 2019. 1st Gangwon Province Disaster Prevention (Wildfire) Forum 2019, http://bitly.kr/A6LxHQJV3, Accessed on Mar. 29, 2020 (in Korean).
Gao, M. L., W. J. Zhao, Z. N. Gong, H. L. Gong, Z. Chen, and X. M. Tang, 2014. Topographic correction of ZY-3 satellite images and its effects on estimation of shrub leaf biomass in mountainous areas, Remote Sensing, 6(4): 2745-2764.

상세보기
Gu, D. and A. Gillespie, 1998. Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry, Remote Sensing of Environment, 64(2): 166-175.

상세보기
Huete, A., 1988. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment, 25: 295-309.

상세보기
Hutchinson, M. F., 1989. A new method for gridding elevation and stream line data with automatic removal of spurious pits, Journal of Hydrology, 106: 211-232.

상세보기
Hutchinson, M. F., T. Xu, and J. A. Stein, 2011. Recent progress in the ANUDEM elevation gridding procedure, Proc. of Geomorphometry 2011, Redlands, CA, Sep. 7-11, pp. 19-22.
Key, C. H. and N. Benson, 2006. Landscape Assessment (LA) Sampling and Analysis Methods, In: Lutes, D. C. (Ed.), FIREMON: Fire Effects Monitoring and Inventory System, USDA Forest Service, Rocky Mountain Research Station General Technical Report RMRS-GTR-164-CD, Ogden, UT, USA, pp. 1-51.
Kolden, C. A., J. T. Abatzoglou, J. A. Lutz, C. A. Cansler, J. T. Kane, J. W. Van Wagtendonk, and C. H. Key, 2015. Climate contributors to forest mosaics: ecological persistence following wildfire, Northwest Science, 89(3): 219-238.

상세보기
Korea Forest Service, 2020. Comprehensive Plan for the Prevention of National Forest Fire 2020, http://bitly.kr/8OZNhLZQe, Accessed on Mar. 29, 2020 (in Korean).
Li, J. and D. P. Roy, 2017. A global analysis of Sentinel-2A, Sentinel-2B and Landsat-8 data revisit intervals and implications for terrestrial monitoring, Remote Sensing, 9(9): 902.

상세보기
Moreira, E. P. and M. M. Valeriano, 2014. Application and evaluation of topographic correction methods to improve land cover mapping using objectbased classification, International Journal of Applied Earth Observation and Geoinformation, 32: 208-217.

상세보기
Nichol, J. and L. K. Hang, 2008. The influence of DEM accuracy on topographic correction of Ikonos satellite images, Photogrammetric Engineering & Remote Sensing, 74(1): 47-53.

상세보기
Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66.

상세보기
Park, S. H., H. S. Jung, J. Choi, and S. Jeon, 2017. A quantitative method to evaluate the performance of topographic correction models used to improve land cover identification, Advances in Space Research, 60(7): 1488-1503.

상세보기
Planet, 2020a. Planet Education and Research Program, https://www.planet.com/markets/education-andresearch, Accessed on Mar. 29, 2020.
Planet, 2020b. Planet Imagery Product Specifications, https://assets.planet.com/docs/Planet_Combined_Imagery_Product_Specs_letter_screen.pdf, Accessed on Mar. 29, 2020.
Reeder, D. H., 2002. Topographic correction of satellite images: Theory and application, Ph.D. dissertation, Dartmouth College, Hanover, NH, USA.
Smith, J. A., T. L. Lin, and K. J. Ranson, 1980. The Lambertian assumption and Landsat data, Photogrammetric Engineering and Remote Sensing, 46(9): 1183-1189.
Soenen, S. A., D. R. Peddle, and C. A. Coburn, 2005. SCS+ C: A modified sun-canopy-sensor topographic correction in forested terrain, IEEE Transactions on Geoscience and Remote Sensing, 43(9):2148-2159.

상세보기
Tan, B., R. Wolfe, J. Masek, F. Gao, and E. F. Vermote, 2010. An illumination correction algorithm on Landsat-TM data, Proc. of 2010 IEEE International Geoscience and Remote Sensing Symposium, Honolulu, HI, Jul. 25-30, pp. 1964-1967.
Teillet, P. M., B. Guindon, and D. G. Goodenough, 1982. On the slope-aspect correction of multispectral scanner data, Canadian Journal of Remote Sensing, 8(2): 84-106.

상세보기
Thode, A. E., J. W. Van Wagtendonk, J. D. Miller, and J. F. Quinn, 2011. Quantifying the fire regime distributions for severity in Yosemite National Park, California, USA, International Journal of Wildland Fire, 20(2): 223-239.

상세보기
Valeriano, M. D. M., I. D. A. Sanches, and A. R. Formaggio, 2016. Topographic effect on spectral vegetation indices from Landsat TM data: Is topographic correction necessary?, Boletim de Ciencias Geodesicas, 22(1): 95-107.

상세보기
Waltz, E. D., 2015. The Principles and Practice of Image and Spatial Data Fusion, In: Hall, D. L., Llinas, J. (Ed.), Handbook of Multisensor Data Fusion, CRC press, Boca Raton, FL, USA, pp. 1-15.

저자의 다른 논문 :

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

연합인증