[논문]고해상도 위성자료를 활용한 마른 잎 탐지

심수영; 진동현; 성노훈; 이경상; 서민지; 최성원; 정대성; 한경수

doi:10.7780/kjrs.2020.36.3.1

고해상도 위성자료를 활용한 마른 잎 탐지
Detection of Decay Leaf Using High-Resolution Satellite Data 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.3, 2020년, pp.401 - 410

초록
AI-Helper

최근 지구 온난화의 영향으로 변화하는 한반도 식물계절에 대한 연구가 많이 이루어지고 있다. 그러나 지리적인 특성상 봄철 식물계절에 비해 실측이 어려운 가을철 식물계절의 연구는 미비한 실정이다. 이에 본 연구에서는 대표적인 가을철 식물계절인 단풍과 낙엽 등을 '마른 잎'으로 정의하고 Landsat-8 위성영상을 기반으로 마른 잎 탐지를 수행하였다. NDVI를 이용하여 마른 잎의 1차 경계 값을 산출하고, 건강한 잎과의 분광특성 차이 및 NDWI를 이용하여 마른 잎의 2차 경계 값을 산출하였다. 본 연구의 마른 잎 탐지 알고리즘의 정확도 검증을 위해 POD, FAR 값을 이용하였으며, 검증 결과 POD는 98.619, FAR은 1.203으로 높은 정확성을 보였다.

Abstract ▼ AI-Helper

Recently, many studies have been conducted on the changing phenology on the Korean Peninsula due to global warming. However, because of the geographical characteristics, research on plant season in autumn, which is difficult to measure compared to spring season, is insufficient. In this study, all leaves that maple and fallen leaves were defined as 'Decay leaves' and decay leaf detection was performed based on the Landsat-8 satellite image. The first threshold value of decay leaves was calculated by using NDVI and the secondary threshold value of decay leaves was calculated using by NDWI and the difference of spectral characteristics with green leaves. POD, FAR values were used to verify accuracy of the dry leaf detection algorithm in this study, and the results showed high accuracy with POD of 98.619 and FAR of 1.203.

주제어

표/그림 (14)

그림 Fig. 1. Study of area; (a) Jirisan, (b)Songnisan, (c) Odaesan.
표 Table 1. Data used in this study
표 Table 2. Channels information of Landsat-8/OLI
표 Table 3. Landsat-8 Pixel Quality Assessment(pixel_qa) Bit Index
그림 Fig. 2. Histogram of NDVI value with leaf decay and green leaf.
그림 Fig. 3. 201801025 Jirisan; (a) output applied 1st threshold test, (b) RGB image.
그림 Fig. 4. Scatter plot of NDWI vs. α.
그림 Fig. 5. 20181025 Jirisan; (a) output applied 2nd threshold test, (b) RGB image.
그림 Fig. 6. 20171022 Songnisan; (a) output applied 2nd threshold test, (b) RGB image.
그림 Fig. 7. 20151017 Odaesan; (a) output applied 2nd threshold test, (b) RGB image.
그림 Fig. 8. 20171022 Jirisan; (a) Comparison of output and RGB image, (b) RGB image.
표 Table 4. Quantitative result using POD, FAR
그림 Fig. 9. 20171022 Songnisan; (a) Comparison of output and RGB image, (b) RGB image.
그림 Fig. 10. 20151017 Odaesan; (a) Comparison of output and RGB image, (b) RGB image.

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 이전 연구들의 취약점을 보완하기 위해 고해상도 위성영상을 기반으로 대표적 가을철 식물계절인 단풍과 낙엽 등을 ‘마른 잎’으로 정의 및 구분하였으며, 구분 결과에 대한 정확도 평가를 수행하였다.
본 연구는 변화하는 가을철 식물계절의 공간적 분포를 관측하고자 단풍이나 낙엽으로 떨어진 모든 잎들에 대해서 ‘마른잎’으로 정의하고 Landsat-8 위성영상을 활용하여 마른 잎 탐지를 수행하였다.

제안 방법

1차 경계 값으로 분류되지 않은 마른 잎 후보 픽셀들은 2차 경계 값을 적용하여 마른 잎 탐지를 수행하였다.
1차 경계 값으로 분류되지 않은 픽셀들을 대상으로2차 경계 값을 산출하고자NDWI(Normalized Difference Water Index)와 건강한 식생의 분광특성을 이용하여 산출한 α를 활용하였다.
검증자료로 구축해 놓은 데이터를 참값으로 사용하여 경계값의 정확도를 정량적으로 검증해보았다. Table 4는 각각 지리산, 속리산, 오대산의 마른 잎 경계 값설정에 따른 POD, FAR을 계산한 값이다.
하지만 본 연구에서는 현장자료가 미흡한 선행 연구의 한계점을 극복하기 위해서 고해상도 RGB 영상 기반 Photo Interpretation기법을 활용한 검증자료 확보 및 위성자료를 활용하여 마른 잎 탐지를 수행한 것에 의의가있다. 또한 선행연구에서 수행하지 않았던 NDWI와 RGB의 상관관계 분석 및 결과를 활용하여 마른 잎 탐지를 수행하였다. 이후 장기간의 위성자료를 활용하여 본 연구에서 제안한 NDWI와RGB의 상관관계를 기반으로 한 마른 잎 탐지 기법을 활용한다면 실측이 어려운 가을철 식물계절의 시기 변동연구에 도움이 될 것으로 기대된다.
마른 잎 탐지를 수행하기 이전에 식생인 픽셀과 식생이 아닌 픽셀을 구분하고자 주거지 및 도심지 또는 구름 및 그림자와 같이 식생이 아닌 픽셀을 데이터 전처리를 통하여 분류하였다.
마른 잎 탐지에서 경계 값의 정확도를 검증하기 위해서 정량적 검증과 정성적 검증을 수행하였다. 정량적 검증으로는 마른 잎 탐지의 성능을 확인하고자 POD (Probability Of Detection), FAR(False Alarm Ratio) 지수를 사용하였다.
마른 잎과 건강한 식생을 각각의 분광특성을 이용하여 구분하고자 추출된 픽셀들의 채널별 반사도값을 이용하여 NDVI(Normalized Difference Vegetation Index)값을 계산하였다. NDVI는 건강한 식생에서의 높은NIR(Ref_0.
마른 잎과 건강한 식생이 복잡하게 얽혀 있는 부분에서 각각 정확하게 구분되었는지 시각적으로 확인하기 위해 RGB 합성영상과 결과물을 비교해보았다. Fig.
식물이 노쇠하게 되면 뿌리에서 올라오는 수분 및 양분을 잎으로 전달하는 것을 중지하게 되어 엽록소가 파괴되고 안토시아닌이 형성되면서 잎의 색상이 붉은색 혹은 노란색으로 변하게 된다. 이러한 현상을 이용하여 잎의 안토시아닌 함량에 따라 나타나는 분광특성(Steele et al., 2009)과 유사한 분광 프로파일을 갖는 지역을 각각마른 잎과 건강한 식생으로 나누어 분류하였다. 이중70%는 훈련자료, 30%는 검증자료로 사용하였으며 본연구에서 마른 잎 탐지를 위하여 사용된 픽셀의 개수는 총 94,035개이다.
58 이하이면 마른 잎으로 구별할 수 있었다. 이후 NDVI 값이 1차 경계 값에 포함되지 않은 픽셀들은 NDWI와 (Blue+Green)/(Red)의 조합으로 2차 경계값을 도출하였으며 이를 적용하여 마른 잎 탐지를 수행하였다. 본 연구의 마른 잎 탐지 알고리즘의 정확도를 평가하기 위해 정량적 검증과 정성적 검증을 수행하였으며 정량적 검증으로는 POD, FAR 지수를 사용하였다.
5X + 2 라는 선형 일차방정식으로 표현할 수 있다. 이후 경계 값을 적용한 산출물을 이용하여 마른 잎 탐지의 공간적 분석을 수행하였다.

대상 데이터

본 연구에서 사용된 Landsat-8 자료는 전체 영상에서 구름이 40% 이하인 자료에 한해서 수집하였고 연구의 시간적 범위를 2013년부터 2018년까지 6년으로 넓게 설정하였으나, 3개의 산이 포함된 영상에서 구름에 가려진 영상이 많아 많은 자료를 확보하는데 한계가 있었다. 또한 Landsat-8 위성의 재방문 주기가 약 16일로 길어 자료의 부재가 많이 존재하였다.
Landsat-8 위성은 2013년 2월에 발사되었으며 가시광선부터 단파 적외선까지의 파장 영상을 제공하는 OLI센서와 열 적외선 파장 영상을 제공하는 TIRS(Thermal Infrared Sensor)센서로 구성되어 있으며 채널 및 파장은 Table 2와 같다. 본 연구에서 사용된 자료는 Level-2 Surface Reflectance이며 대기보정이 수행된 자료로 추가적인 전처리는 수행하지 않았다. 채널자료는 Band 2부터 Band 7까지의 자료를 사용하였다.
본 연구에서는 효과적인 마른 잎 탐지 수행을 위해USGS(United States Geological Survey)에서 제공하는Landsat-8 OLI(Operational Land Imager) 자료를 사용하였다. Landsat-8의 공간해상도는 30 m이며 시간해상도는 16일이다.
본 연구의 시간적 범위는 2013년 10월부터 2018년 10월까지로 설정하였다. 공간적범위는 Fig.
725°E)으로 지정하였다. 사용된 자료는 전체 영상에서 구름이 40% 이하인 자료만 수집하였으며 총 11개로 Table 1과 같다.
위 과정을 거친 임상도 자료는 Landsat-8 영상과 동일하게 Universal Transverse Mercator(UTM) 52N 좌표계와 30 m × 30 m 공간해상도로 재구성하여 사용하였다.
위성 자료 이외에 마른 잎 탐지를 수행에 있어도 심지 및 주거지역과 같이 식생이 아닌 픽셀을 제거하고자 산림청 산림공간정보서비스(Forest Geospatial Information System, FGIS)의 1:5,000 축척의 임상도를 사용하였다. 임상도는 우리나라 국토의 산림이 어떻게 분포하고 있는가를 보여주는 대표적인 산림지도로 다양한 속성정보를 포함하고있다.
, 2009)과 유사한 분광 프로파일을 갖는 지역을 각각마른 잎과 건강한 식생으로 나누어 분류하였다. 이중70%는 훈련자료, 30%는 검증자료로 사용하였으며 본연구에서 마른 잎 탐지를 위하여 사용된 픽셀의 개수는 총 94,035개이다.
주거지 및 도심지 픽셀의 전처리는 FGIS에서 제공하는 임상도를 사용하였다. 임상도는 각 도엽별로 shape파일 형식으로 제공하고 있어 ArcGIS Tool을 이용하여 각 도엽들을 통합(Merge)하고 식생이 아닌 지역을 추출(Select by attribute) 하였다.
본 연구에서 사용된 자료는 Level-2 Surface Reflectance이며 대기보정이 수행된 자료로 추가적인 전처리는 수행하지 않았다. 채널자료는 Band 2부터 Band 7까지의 자료를 사용하였다.

데이터처리

건강한 식생이 Green영역에서 상대적으로 높은 반사율을 보이고 마른 잎은 Red영역에서 상대적으로 높은 반사율을 보인다는 특성을 이용하여 α (3)를 계산하였다.
이후 NDVI 값이 1차 경계 값에 포함되지 않은 픽셀들은 NDWI와 (Blue+Green)/(Red)의 조합으로 2차 경계값을 도출하였으며 이를 적용하여 마른 잎 탐지를 수행하였다. 본 연구의 마른 잎 탐지 알고리즘의 정확도를 평가하기 위해 정량적 검증과 정성적 검증을 수행하였으며 정량적 검증으로는 POD, FAR 지수를 사용하였다.검증 결과 POD는 98.

이론/모형

마른잎의 공간적분포를 분석하기 위하여 훈련 및 검증자료를 RGB영상에서 사진판독(Photo Interpretation)기법을 사용하여 구축하였다. 사진판독 기법이란 영상의 대상물의 성질을 조사 또는 식별하여 분석함으로써 정성화 하는 기술을 의미한다.
임상도는 입목, 임종, 임상, 수종 등 총10개의 속성정보를 내포하고 있다. 이는 각각의 정보에 따라 코드 값이 부여되며 본 연구에서는 수종그룹코드(KOFTR_GROUP_CD)를 사용하였다.
마른 잎 탐지에서 경계 값의 정확도를 검증하기 위해서 정량적 검증과 정성적 검증을 수행하였다. 정량적 검증으로는 마른 잎 탐지의 성능을 확인하고자 POD (Probability Of Detection), FAR(False Alarm Ratio) 지수를 사용하였다. POD는 탐지확률로 100에 가까울수록 정확도가 높다는 것을 의미하고 FAR은 오탐지율로 0에 가까울수록 정확도가 높다는 것을 의미한다.

성능/효과

3의(a)는1차마른잎 분류를 통해 산출된 Landsat-8의 2018년 10월 25일 지리산 영상이고 (b)는 동일한 시공간의 RGB 합성영상이다. 1차 경계 값 적용을 통해 산출된 영상과 RGB영상을 비교한 결과, 고도가 높은 지역에 분포한 마른 잎과 고도가 낮은 지역에 분포한 건강한 식생이 공간적으로 유사하게 분류되었다.
정량적 검증으로는 마른 잎 탐지의 성능을 확인하고자 POD (Probability Of Detection), FAR(False Alarm Ratio) 지수를 사용하였다. POD는 탐지확률로 100에 가까울수록 정확도가 높다는 것을 의미하고 FAR은 오탐지율로 0에 가까울수록 정확도가 높다는 것을 의미한다.
본 연구의 마른 잎 탐지 알고리즘의 정확도를 평가하기 위해 정량적 검증과 정성적 검증을 수행하였으며 정량적 검증으로는 POD, FAR 지수를 사용하였다.검증 결과 POD는 98.619, FAR은 1.203로 정량적으로 높은 정확도를 나타냈다. 또한 지리산과 속리산 지역의 경계 값 적용 영상과 RGB 합성 영상에서 마른 잎의 공간적 분포가 유사하였다.
10)의 경우 마른 잎의 면적을 과대 추정하는 경향을 보였다. 또한 주거지 및 도심지 픽셀이 완전히 제거되지 않아 마른 잎으로 분류되는 것을 확인할 수 있었다. 따라서 추후 오대산에 대한 추가적인 경계 값 설정 및 도심지 픽셀에 대한 추가적인 제거가 이루어진다면 보다 효과적인 마른 잎 탐지를 수행할 수 있을 것으로 기대된다.
본 연구는 변화하는 가을철 식물계절의 공간적 분포를 관측하고자 단풍이나 낙엽으로 떨어진 모든 잎들에 대해서 ‘마른잎’으로 정의하고 Landsat-8 위성영상을 활용하여 마른 잎 탐지를 수행하였다. 마른 잎과 건강한 식생으로 각각 분류한 두 집단의 1차 경계 값은 NDVI에서 산출할 수 있었으며 NDVI가 0.78 이상이면 건강한 식생, 0.58 이하이면 마른 잎으로 구별할 수 있었다. 이후 NDVI 값이 1차 경계 값에 포함되지 않은 픽셀들은 NDWI와 (Blue+Green)/(Red)의 조합으로 2차 경계값을 도출하였으며 이를 적용하여 마른 잎 탐지를 수행하였다.
정량적 분석 결과 지리산, 속리산, 오대산의 POD값이 98.7, 97.5, 100으로 100에 가까운 높은 값을 가졌으며 FAR값이 0.1, 1.9, 2.2로 0에 가까운 낮은 값을 가지는 것으로 보아 정량적으로 높은 정확도를 가진다고 볼수있다.

후속연구

또한 주거지 및 도심지 픽셀이 완전히 제거되지 않아 마른 잎으로 분류되는 것을 확인할 수 있었다. 따라서 추후 오대산에 대한 추가적인 경계 값 설정 및 도심지 픽셀에 대한 추가적인 제거가 이루어진다면 보다 효과적인 마른 잎 탐지를 수행할 수 있을 것으로 기대된다.
또한 선행연구에서 수행하지 않았던 NDWI와 RGB의 상관관계 분석 및 결과를 활용하여 마른 잎 탐지를 수행하였다. 이후 장기간의 위성자료를 활용하여 본 연구에서 제안한 NDWI와RGB의 상관관계를 기반으로 한 마른 잎 탐지 기법을 활용한다면 실측이 어려운 가을철 식물계절의 시기 변동연구에 도움이 될 것으로 기대된다.

참고문헌 (21)

Choi, C.-H., S.-G. Jung, and K.-H. Park, 2016. Analyzing Relationship between Satellite-Based Plant Phenology and Temperature, Journal of the Korean Association of Geographic Information Studies, 19(1): 30-42 (in Korean with English abstract).

원문보기 상세보기
Delpierre, N., E. Dufrene, K. Soudani, E. Ulrich, S. Cecchini, J. Boe, and C. Francois, 2009. Modelling interannual and spatial variability of leaf senescence for three deciduous tree species in France, Agricultural and Forest Meteorology, 149(6-7): 938-948.

상세보기
Donnelly, A., L. Liu, X. Zhang, and A. Wingler, 2018. Autumn leaf phenology: discrepancies between in situ observations and satellite data at urban and rural sites, International Journal of Remote Sensing, 39(22): 8129-8150.

상세보기
Estrella, N. and A. Menzel, 2006. Responses of leaf coloring in four deciduous tree species to climate and weather in Germany, Climate Research, 32(3): 253-267.
Fisher, J. I. and J. F. Mustard, 2007. Cross-scalar satellite phenology from ground, Landsat, and MODIS data, Remote Sensing of Environment, 109(3): 261-273.

상세보기
Jeong, S.-J. and D. Medvigy, 2014. Macroscale prediction of autumn leaf coloration throughout the continental United States, Global Ecology and Biogeography, 23(11): 1245-1254.

상세보기
Jin, H. G., S. W. Kim, and Y. Kim, 2017. A spatial prediction for the flowering and autumnal dates in Korea, The Korean Journal of Applied Statistics, 30(3): 417-426 (in Korean with English abstract).

원문보기 상세보기
Kim, N.-S., H.-C. Lee, and J.-Y. Cha, 2013. A Study on Changes of Phenology and Characteristics of Spatial Distribution Using MODIS Images, Journal of the Korea Society of Environmental Restoration Technology, 16(5): 59-69 (in Korean with English abstract).

원문보기 상세보기
KMA, 2016. Seasonal Observation Guidelines, http://book.kma.go.kr/viewer/MediaViewer.ax?cid33397&rid5&moi5245, Accessed on Jun. 7, 2016.
Korner, C. and D. Basler, 2010. Phenology under global warming, Science, 327(5972): 1461-1462.

상세보기
Lee, B., E. Kim, J. Lee, J.-M. Chung, and J.-H. Lim, 2018. Detecting Phenology Using MODIS Vegetation Indices and Forest Type Map in South Korea, Korean Journal of Remote Sensing, 34(2-1): 267-282 (in Korean with English abstract).
Lee, B., K. Jang, E. Kim, M. Kang, J.-H. Chun, and J.-H. Lim, 2019. Predicting Forest Gross Primary Production Using Machine Learning Algorithms, Korean Journal of Agricultural and Forest Meteorology, 21(1): 29-41 (in Korean with English abstract).
Lee, K.M., W.T. Kwon, and S.H. Lee, 2009. A Study on Plant Phenological Trends in South Korea, Journal of The Korean Association of Regional Geographers, 15(3): 337-350 (in Korean with English abstract).
Park, S.J., H.D. Kim, and H.Y. Kim, 2006. A Study on the Trend of Cherry Blossom Day Change in the Korean Peninsula due to Climate Change, Proc. of The Korean Environmental Sciences Society Conference, Jeju, Nov. 16-18, vol. 15, pp. 439-442.
Shin, D.-H., H.-R. Kim, and Y.-H. You, 2012. Effects of Elevated $CO_2$ Concentration and Increased Temperature on the Change of the Phenological and Reproductive characteristics of Phytolocca insularis, a Korea endemic plant, Journal of Wetlands Research, 14(1): 1-9 (in Korean with English abstract).
Steele, M. R., A. A. Gitelson, D. C. Rundquist, and M. N. Merzlyak, 2009. Nondestructive estimation of anthocyanin content in grapevine leaves, American Journal of Enology and Viticulture, 60(1): 87-92.

상세보기
Ulsig, L., C. J. Nichol, K. F. Huemmrich, D. R. Landis, E. M. Middleton, A. I. Lyapustin, I. Mammarella, J. Levula, and A. Porcar-Castell, 2017. Detecting inter-annual variations in the phenology of evergreen conifers using long-term MODIS vegetation index time series, Remote Sensing, 9(1): 49.

상세보기
USGS, 2019. Landsat 8 Surface Reflectance Code (LaSRC) product guide- Version 2.0, https://www.usgs.gov/media/files/land-surface-reflectancecode-lasrc-product-guide, Accessed on Jun. 3, 2019.
Vitasse, Y., A. J. Porte, A. Kremer, R. Michalet, and S. Delzon, 2009. Responses of canopy duration to temperature changes in four temperate tree species: relative contributions of spring and autumn leaf phenology, Oecologia, 161(1): 187-198.

상세보기
Yun, J. I., 2006. Climate Change Impact on the Flowering Season of Japanese Cherry (Prunus serrulata var. spontanea) in Korea during 1941-2100, Korean Journal of Agricultural and Forest Meteorology, 8(2): 68-76 (in Korean with English abstract).
Zeng, H., G. Jia, and H. Epstein, 2011. Recent changes in phenology over the northern high latitudes detected from multi-satellite data, Environmental Research Letters, 6(4): 045508.

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