[논문]Gaofen-1 WFV 영상을 이용한 딥러닝 기반 대형 부유조류 분류

김의현; 김근용; 김수미; 유주형

doi:10.7780/kjrs.2020.36.2.2.6

Gaofen-1 WFV 영상을 이용한 딥러닝 기반 대형 부유조류 분류
Deep Learning Based Floating Macroalgae Classification Using Gaofen-1 WFV Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.2 pt.2, 2020년, pp.293 - 307

김의현 (한국해양과학기술원 해양위성센터) , 김근용 (한국해양과학기술원 해양위성센터) , 김수미 (한국해양과학기술원 해양ICT융합연구센터) , (중국 제1해양연구소 자연자원부) , 유주형 (한국해양과학기술원 해양위성센터)

초록
AI-Helper

매년 황해와 동중국해에서는 대형 부유조류인 녹조와 갈조가 대량으로 발생하고 있다. 이러한 대형 부유조류는 연안의 양식 시설물이나 해변으로 유입되며, 제거하는데 막대한 경제적 손실을 발생시킨다. 현재는 연안으로 유입되는 대형 부유조류를 탐지하기 위해 원격탐사 방법이 활발하게 사용되고 있다. 그러나 대형 부유조류는 해양의 다양한 대상들과 중첩되는 파장이 존재하기에 이를 정확하게 탐지하는데 한계가 있다. 더욱이 녹조와 갈조는 유사한 스펙트럼 특성을 보이기 때문에 원격탐사 자료를 이용한 구분을 더욱 어렵게 만든다. 따라서 본 연구에서는 위성 영상에 딥러닝 기법을 적용하여 녹조와 갈조를 효과적으로 구분하고자 하였다. 이를 위한 네트워크를 결정하기 위해 최적의 학습 조건을 찾아 AlexNet 신경망을 전이 학습하였으며, 학습과 검증을 위해 Gaofen-1 WFV 영상을 이용하여 데이터셋을 구성하였다. 최적의 학습 조건으로 학습된 네트워크를 이용하여 실험 데이터에 대한 결과를 확인하였다. 그 결과 실험 데이터에 대한 정확도는 88.89%를 보였으며, 녹조와 갈조에 대해 각각 66.67%와 100%의 정밀도로 구분이 가능하였다. 이는 전이 학습된 AlexNet 신경망이 녹조와 갈조의 미세한 차이를 구분할 수 있는 것으로 해석된다. 본 연구를 통해 해양의 다양한 대상으로부터 녹조와 갈조를 효과적으로 분류하고 각각 구분할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Every year, the floating macroalgae, green and golden tide, are massively detected at the Yellow Sea and East China Sea. After influx of them to the aquaculture facility or beach, it occurs enormous economic losses to remove them. Currently, remote sensing is used effectively to detect the floating macroalgae flowed into the coast. But it has difficulties to detect the floating macroalgae exactly because of the wavelength overlapped with other targets in the ocean. Also, it is difficult to distinguish between green and golden tide because they have similar spectral characteristics. Therefore, we tried to distinguish between green and golden tide applying the Deep learning method to the satellite images. To determine the network, the optimal training conditions were searched to train the AlexNet. Also, Gaofen-1 WFV images were used as a dataset to train and validate the network. Under these conditions, the network was determined after training, and used to confirm the test data. As a result, the accuracy of test data is 88.89%, and it can be possible to distinguish between green and golden tide with precision of 66.67% and 100%, respectively. It is interpreted that the AlexNet can be pick up on the subtle differences between green and golden tide. Through this study, it is expected that the green and golden tide can be effectively classified from various objects in the ocean and distinguished each other.

주제어

표/그림 (10)

그림 Fig. 1. Study area of this study.
표 Table 1. Specification about Gaofen-1 WFV(Wide Field of View multispectral cameras) images and acquisition date used in this study
그림 Fig. 2. Example subset images composed as 9 classes.
그림 Fig. 3. Schematic diagram of this study.
그림 Fig. 4. Training processes under the various Max Epoch (ME) and Mini-batch size (MBS).
표 Table 2. Training results of each conditions referred at the Fig. 4
그림 Fig. 5. Confusion matrixes under the two conditions.
그림 Fig. 6. Band-specific features and histogram visualized as a Deep Dream images.
그림 Fig. 7. Classification results of test data (Green and Golden tide).
그림 Fig. 8. Green tide images acquired at June 14th, 2017, but classified as golden tide(false positive).

질의응답

핵심어	질문	논문에서 추출한 답변
	AlexNet 신경망은 무엇으로 구성된 구조인가?	AlexNet 신경망은 Input layer, Convolution layer, Pooling layer, ReLU layer, Fully connected layer, Softmax layer, Output layer 등 25개의 계층(layer)으로 구성된 구조(architecture)이다. 계층을 구성하는 뉴런(neuron)은 전이 학습 과정에서 입력된 학습 데이터에 대해 얼마나 일치하는지 가중치를 결정하며, 이에 따른 오차를 결정하여 학습하게 된다.
	황해와 동중국해 연안은 원격탐사 영상에서 부유조류를 정확하게 탐지하는데 제약이 있는데, 그 이유는 무엇인가?	또한 양자강 하구 유출수로 인하여 탁도가 매우 높으며, 어업활동이 활발하여 크고 작은 선박이 존재한다. 높은 탁도와 복잡한 탐지 대상들이 혼재되어 있어 원격탐사 영상에서 부유조류를 정확하게 탐지하는데 제약이 있다. 그러므로 이 연구에서 제시하는 부유조류 탐지 및 구분 방법의 성능을 평가하기 위해 이 해역을 연구지역으로 선정하였다.
	Gaofen-1 위성의 특징은 무엇인가?	본 연구에서는 Gaofen-1 위성에 탑재된 WFV 센서영상을 이용하여 딥러닝 학습 및 분석에 필요한 데이터셋을 구성하였다. Gaofen-1 위성은 중국우주국(China National Space Administration, CNSA)에서 2013년 4월에 발사한 위성이며, 탑재된 WFV 센서의 촬영 영상은 16m의 공간해상도를 갖는 3개의 가시광선 밴드(적색, 녹색, 청색)와 1개의 근적외선(Near Infrared, NIR) 밴드로 구성되어 있다(Table 1).

참고문헌 (30)

Chen, Y.L., J.H. Wan, J. Zhang, Y.J. Ma, L. Wang, J.H. Zhao, and Z.Z. Wang, 2019. Spatial-temporal distribution of golden tide based on high-resolution satellite remote sensing in the South Yellow Sea, Journal of Coastal Research, 90(sp1): 221-227.

상세보기
Cui, T., F. Li, Y. Wei, X. Yang, Y. Xiao, X. Chen, R. Liu, Y. Ma, and J. Zhang, 2020. Super-resolution optical mapping of floating macroalgae from geostationary orbit, Applied Optics, 59(10): C70-C77.

상세보기
Cui, T., J. Zhang, L.E. Sun, Y.J. Jia, W. Zhao, Z.L. Wang, and J.M. Meng, 2012. Satellite monitoring of massive green macroalgae bloom (GMB): imaging ability comparison of multi-source data and drifting velocity estimation, International Journal of Remote Sensing, 33(17): 5513-5527.

상세보기
Dhillon, A. and G.K. Verma, 2019. Convolutional neural network: a review of models, methodologies and applications to object detection, Progress in Artificial Intelligence, 1-28.
Garcia, R.A., P. Fearns, J.K. Keesing, and D. Liu, 2013. Quantification of floating macroalgae blooms using the scaled algae index, Journal of Geophysical Research: Oceans, 118(1): 26-42.

상세보기
Hu, C., 2009. A novel ocean color index to detect floating algae in the global oceans, Remote Sensing of Environment, 113(10): 2118-2129.

상세보기
Hu, C., L. Feng, R.F. Hardy, and E.J. Hochberg, 2015. Spectral and spatial requirements of remote measurements of pelagic Sargassum macroalgae, Remote Sensing of Environment, 167: 229-246.

상세보기
Hu, L., C. Hu, and H.E. Ming-Xia, 2017. Remote estimation of biomass of Ulva prolifera macroalgae in the Yellow Sea, Remote Sensing of Environment, 192: 217-227.

상세보기
Hwang, E.K., S.J. Lee, D.S. Ha, and C.S. Park, 2016. Sargassum golden tides in the Shinan-gun and Jeju Island, Korea, Korean Journal of Fisheries and Aquatic Sciences, 49(5): 689-693 (in Korea with English abstract).

원문보기 상세보기
Kim, K., J. Shin, and J.H. Ryu, 2018. Application of multi-satellite sensors to estimate the green-tide area, Korean Journal of Remote Sensing, 34(2-2): 339-349 (in Korean with English abstract).
Kim, K., J. Shin, K.Y. Kim, and J.H. Ryu, 2019. Long-term trend of green and golden tides in the eastern Yellow Sea, Journal of Coastal Research, 317-323.
Krizhevsky, A., I. Sutskever, and G.E. Hinton, 2012. Imagenet classification with deep convolutional neural networks, Proc. of 26th Annual Conference on Neural Information Processing Systems, Siem Reap, Cambodia, Dec. 3-8, vol. 1, pp. 1097-1105.
Kwon, H.K., H. Kang, Y.H. Oh, S.R. Park, and G. Kim, 2017. Green tide development associated with submarine groundwater discharge in a coastal harbor, Jeju, Korea, Scientific Reports, 7(1): 1-9.
Kwon, K., B.J. Choi, K.Y. Kim, and K. Kim, 2019. Tracing the trajectory of pelagic Sargassum using satellite monitoring and Lagrangian transport simulations in the East China Sea and Yellow Sea, Algae, 34(4): 315-326.

원문보기 상세보기
Lee, J.H., I.C. Pang, I.J. Moon, and J.H. Ryu, 2011. On physical factors that controlled the massive green tide occurrence along the southern coast of the Shandong Peninsula in 2008: A numerical study using a particle-tracking experiment, Journal of Geophysical Research: Oceans, 116(C12).
Liang, X.J., P. Qin, Y.F. Xiao, K.Y. Kim, R.J. Liu, X.Y. Chen, and Q.B. Wang, 2019. Automatic remote sensing detection of floating macroalgae in the Yellow and East China Seas using extreme learning machine, Journal of Coastal Research, 272-281.
Liu, D., J.K. Keesing, P. He, Z. Wang, Y. Shi, and Y. Wang, 2013. The world's largest macroalgal bloom in the Yellow Sea, China: formation and implications, Estuarine, Coastal and Shelf Science, 129: 2-10.

상세보기
Min, S.H., J.D. Hwang, H.J. Oh, and Y.B. Son, 2019. Reflectivity characteristics of the green and golden tides from the Yellow Sea and East China Sea, Journal of Coastal Research, 310-316.
Mordvintsev, A., C. Olah, and M. Tyka, 2015. Deepdream-a code example for visualizing neural networks, Google Research, 2(5).
Qi, L., C. Hu, M. Wang, S. Shang, and C. Wilson, 2017. Floating algae blooms in the East China Sea, Geophysical Research Letters, 44(22): 11-501.
Smetacek, V. and A. Zingone, 2013. Green and golden seaweed tides on the rise, Nature, 504(7478): 84-88.

상세보기
Son, Y.B., B.J. Choi, Y.H. Kim, and Y.G. Park, 2015. Tracing floating green algae blooms in the Yellow Sea and the East China Sea using GOCI satellite data and Lagrangian transport simulations, Remote Sensing of Environment, 156: 21-33.

상세보기
Son, Y.B., J.E. Min, and J.H. Ryu, 2012. Detecting massive green algae (Ulva prolifera) blooms in the Yellow Sea and East China Sea using geostationary ocean color imager (GOCI) data, Ocean Science Journal, 47(3): 359-375.

원문보기 상세보기
Wang, S., L. Liu, L. Qu, C. Yu, Y. Sun, F. Gao, and J. Dong, 2019. Accurate Ulva prolifera regions extraction of UAV images with superpixel and CNNs for ocean environment monitoring, Neurocomputing, 348: 158-168.

상세보기
Xiao, J., Z. Wang, H. Song, S. Fan, C. Yuan, M. Fu, X. Miao, X. Zhang, R. Su, and C. Hu, 2020. An anomalous bi-macroalgal bloom caused by Ulva and Sargassum seaweeds during spring to summer of 2017 in the western Yellow Sea, China, Harmful Algae, 93: 101760.

상세보기
Xiao, Y., J. Zhang, T. Cui, J. Gong, R. Liu, X. Chen, and X. Liang, 2019. Remote sensing estimation of the biomass of floating Ulva prolifera and analysis of the main factors driving the interannual variability of the biomass in the Yellow Sea, Marine Pollution Bulletin, 140: 330-340.

상세보기
Xing, Q., R. Guo, L. Wu, D. An, M. Cong, S. Qin, and X. Li, 2017. High-resolution satellite observations of a new hazard of golden tides caused by floating Sargassum in winter in the Yellow Sea, IEEE Geoscience and Remote Sensing Letters, 14(10): 1815-1819.

상세보기
Ye, N.H., X.W. Zhang, Y.Z. Mao, C.W. Liang, D. Xu, J. Zou, Z.M. Zhuang, and Q.Y. Wang, 2011. 'Green tides' are overwhelming the coastline of our blue planet: taking the world's largest example, Ecological Research, 26(3): 477.
Zhang, J., J. Shi, S. Gao, Y. Huo, J. Cui, H. Shen, G. Liu, and P. He, 2019. Annual patterns of macroalgal blooms in the Yellow Sea during 2007-2017, PloS One, 14(1).

상세보기
Zhang, J., Y. Huo, H. Wu, K. Yu, J.K. Kim, C. Yarish, Y. Qin, C. Liu, R. Xu, and P. He, 2014. The origin of the Ulva macroalgal blooms in the Yellow Sea in 2013, Marine Pollution Bulletin, 89: 276-283.

상세보기

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