[논문]Landsat-8 OLI 영상정보의 대기 및 지표반사도 산출을 위한 OTB Extension 구현과 RadCalNet RVUS 자료를 이용한 성과검증

김광섭; 이기원

doi:10.7780/kjrs.2021.37.3.7

Landsat-8 OLI 영상정보의 대기 및 지표반사도 산출을 위한 OTB Extension 구현과 RadCalNet RVUS 자료를 이용한 성과검증
An Implementation of OTB Extension to Produce TOA and TOC Reflectance of LANDSAT-8 OLI Images and Its Product Verification Using RadCalNet RVUS Data 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.3, 2021년, pp.449 - 461

김광섭 (한성대학교 전자정보공학과) , 이기원 (한성대학교 전자정보공학과)

초록
AI-Helper

광학 위성정보에 대한 분석대기자료(ARD)는 각 센서 별 분광특성과 촬영각 등을 적용하는 전처리 작업에 의한 성과물이다. 대기보정 처리과정은 통하여 얻을 수 있는 대기반사도와 지표반사도는 기본적이면서 복잡한 알고리즘을 요구한다. 대부분 위성 정보처리 소프트웨어에서는 Landsat 위성 대기보정 처리 알고리즘 및 기능을 제공하고 있다. 또한 사용자는 클라우드 환경에서 Google Earth Engine(GEE)을 통하여 USGS-ARD와 같은 Landsat 반사도 성과에 직접 접근할 수 있다. 이번 연구에서는 고해상도 위성정보 처리에 활용되고 있는 Orfeo ToolBox(OTB) 오픈 소스 소프트웨어의 대기보정 기능을 확장 구현하였다. 현재 OTB 도구는 어떠한 Landsat 센서도 지원하지 않기 때문에, 이 확장 도구는 최초로 개발된 사례이다. 이 도구를 이용하여 RadCalNet 사이트의 Railroad Valley, United States(RVUS) 반사율 자료 값을 이용한 결과 검증을 위하여 같은 지역의 Landsat-8 OLI 영상의 절대 대기보정에 의한 반사도 성과를 산출하였다. 산출된 결과는 RVUS 자료를 기준으로 반사도 값과의 차이가 5% 미만으로 나타났다. 한편 이 반사도 성과는 USGS-ARD 반사도 값뿐만 아니라 QGIS Semi-automatic Classification Plugin과 SAGA GIS와 같은 다른 오픈 소스 도구에서 산출된 성과를 이용한 비교 분석을 수행하였다. OTB 확장도구로부터 산출한 반사도 성과는 RadCalNet RVUS의 자료와 높은 일치도를 나타내는 USGS-ARD의 값과 가장 부합되는 것으로 나타났다. 이 연구에서 OTB 대기보정 처리의 다양한 위성센서 적용 가능성을 입증한 결과로 이 모듈을 다른 센서정보로 확장하여 구현하는 경우에도 정확도가 높은 반사도 산출이 가능한 것을 확인할 수 있었다. 이와 같은 연구 방법은 향후 차세대중형위성을 포함하는 다양한 광학위성에 대한 반사도 성과 산출 도구개발에도 활용할 수 있다.

Abstract ▼ AI-Helper

Analysis Ready Data (ARD) for optical satellite images represents a pre-processed product by applying spectral characteristics and viewing parameters for each sensor. The atmospheric correction is one of the fundamental and complicated topics, which helps to produce Top-of-Atmosphere (TOA) and Top-of-Canopy (TOC) reflectance from multi-spectral image sets. Most remote sensing software provides algorithms or processing schemes dedicated to those corrections of the Landsat-8 OLI sensors. Furthermore, Google Earth Engine (GEE), provides direct access to Landsat reflectance products, USGS-based ARD (USGS-ARD), on the cloud environment. We implemented the Orfeo ToolBox (OTB) atmospheric correction extension, an open-source remote sensing software for manipulating and analyzing high-resolution satellite images. This is the first tool because OTB has not provided calibration modules for any Landsat sensors. Using this extension software, we conducted the absolute atmospheric correction on the Landsat-8 OLI images of Railroad Valley, United States (RVUS) to validate their reflectance products using reflectance data sets of RVUS in the RadCalNet portal. The results showed that the reflectance products using the OTB extension for Landsat revealed a difference by less than 5% compared to RadCalNet RVUS data. In addition, we performed a comparative analysis with reflectance products obtained from other open-source tools such as a QGIS semi-automatic classification plugin and SAGA, besides USGS-ARD products. The reflectance products by the OTB extension showed a high consistency to those of USGS-ARD within the acceptable level in the measurement data range of the RadCalNet RVUS, compared to those of the other two open-source tools. In this study, the verification of the atmospheric calibration processor in OTB extension was carried out, and it proved the application possibility for other satellite sensors in the Compact Advanced Satellite (CAS)-500 or new optical satellites.

주제어

표/그림 (10)

그림 Fig. 1. Solar spectral irradiance and Relative Spectral Response (RSR) for Blue, Green, Red, and NIR bands of Landsat-8 OLI sensor.
그림 Fig. 2. Point location of RVUS site (Lat.: 38.497, Lon.: -115.69) and unit square area of 1 * 1 km2 in Landsat-8 OLI images: (a) 2017-10-18 18: 21: 13, and (b) 2018-05-04. 18: 20: 05.
그림 Fig. 3. (a) Flow of process automation scripts for the OTB Extension, and (b) Accessing Landsat-8 OLI reflectance products form Google Earth Engine (GEE) to compare with the results by the OTB extension.
표 Table 1. Input parameters of Landsat-8 OLI images used in the OTB Extension
표 Table 2. Results of the reflectance products using Landsat-8 OLI images (2017-10-08 and 2018-05-04). RadCalNet and the value in the type mean the on-site measurement one and computed one by the OTB Extension, respectively. The number in the parenthesis means the average value of reflectance product within unit area of 1 * 1 km²
표 Table 3. Results of TOA and TOC reflectance products using Landsat-8 OLI image (2017-10-08) by USGS, QGIS, and SAGA GIS. The value in the type means the computed one by each tool. The number in the parenthesis means the average value of reflectance product within unit area of 1 * 1 km². The difference is different value with RadCalNet value at the same position
표 Table 4. Results of TOA and TOC reflectance products using Landsat-8 OLI image (2018-05-04) by USGS, QGIS, and SAGA GIS. The value in the type means the computed one by each tool. The number in the parenthesis means the average value of reflectance product within unit area of 1 * 1 km². The difference is different value with RadCalNet value at the same position
그림 Fig. 4. Reflectance products by OTB Extension, USGS, QGIS, and SAGA GIS with RadCalNet RVUS data: (a) TOA reflectance (2017-10-08), (b) TOC reflectance (2017-10-08), (c) TOA reflectance (2018-05-04), and (d) TOC reflectance (2018-05-04).
그림 Fig. 5. Box plot of each band results by OTB Extension, USGS-ARD, QGIS, and SAGA GIS, with RadCalNet RVUS data (2017-10-08): (a) B band of TOA reflectance, (b) G band of TOA reflectance, (c) R band of TOA reflectance, (d) NIR band of TOA reflectance, (e) B band of TOA reflectance, (f) G band of TOA reflectance, (g) R band of TOA reflectance, and (h) NIR band of TOA reflectance.
그림 Fig. 6. Box plot of each band results by OTB Extension, USGS-ARD, QGIS, and SAGA GIS, with RadCalNet RVUS data (2018-05-04): (a) B band of TOA reflectance, (b) G band of TOA reflectance, (c) R band of TOA reflectance, (d) NIR band of TOA reflectance, (e) B band of TOA reflectance, (f) G band of TOA reflectance, (g) R band of TOA reflectance, and (h) NIR band of TOA reflectance.

AI 본문요약
AI-Helper

문제 정의

이 연구에서는 Orfeo Tool Box(OTB)의 오픈소스 엔진을 기반으로 하여 Landsat-8 OLI위성정보에 대한 대기보정을 처리할 수 있도록 도구를 개발하고 이로부터 얻어진 결과를 검증하고자 하였다. 일반적으로 상업 소프트웨어는 개발 모듈에 대하여 여러 단계의 성능테스트를 수행하고 사용자들에게 그 결과를 제시하지만 오픈소스는 개발소스를 적용한 검증결과를 찾기가 어렵거나 사용자가 직접 검증을 해야 하는 경우도 많다.
주요한 연구 내용은 우선 두 시기의 Landsat-8 OLI 영상으로부터 이 연구에서 구현한 OTB Extension을 통하여 얻은 대기 및 지표반사도 성과에 대하여 동일한 시기에 해당하는 RadCalNet RVUS 자료를 기준으로 하여성과의 정확도를 비교해 보았다. 이후 USGS에서 제공하는 ARD(USGS-ARD) 성과와 함께 이 산출 성과값과의 차이를 확인해 보고자 하였다. 또한 같은 Landsat-8 OLI 영상정보를 가지고 다른 오픈소스 도구를 통하여 얻은 반사도 성과 결과값의 비교분석을 수행하여 도구별로 결과가 어떠한 차이가 있는지 비교해 보았다.

제안 방법

이후 USGS에서 제공하는 ARD(USGS-ARD) 성과와 함께 이 산출 성과값과의 차이를 확인해 보고자 하였다. 또한 같은 Landsat-8 OLI 영상정보를 가지고 다른 오픈소스 도구를 통하여 얻은 반사도 성과 결과값의 비교분석을 수행하여 도구별로 결과가 어떠한 차이가 있는지 비교해 보았다.
이 연구에서 오픈소스 도구인 OTB에서 구동되는 Landsat-8 OLI 위성정보의 절대 대기보정 작업과 반사도 성과를 산출하는 확장도구를 최초로 개발하였다. 이 도구로부터 얻은 대기 및 지표반사도 성과 RadCalNet RVUS의 자료를 기준값으로 하여 검증하였으며, USGSARD, QGIS, SAGA GIS와 같은 오픈소스 도구로 얻은 결과와도 비교분석하였다.
주요한 연구 내용은 우선 두 시기의 Landsat-8 OLI 영상으로부터 이 연구에서 구현한 OTB Extension을 통하여 얻은 대기 및 지표반사도 성과에 대하여 동일한 시기에 해당하는 RadCalNet RVUS 자료를 기준으로 하여성과의 정확도를 비교해 보았다. 이후 USGS에서 제공하는 ARD(USGS-ARD) 성과와 함께 이 산출 성과값과의 차이를 확인해 보고자 하였다.

대상 데이터

Landsat-8 OLI 센서 영상정보 중에서 이번 실험에 사용한 밴드는 총 네 개의 밴드로 Blue(450 nm~510 nm), Green(520 nm~600 nm), Red(630 nm~680 nm), Nearinfrared(840 nm~890 nm)이다. RadCalNet RVUS 데이터는 400 nm~2,500 nm 분광범위의 값을 수집하고 있음으로 네 개의 밴드에 대한 영역을 모두 포함하고 있기 때문에 실험과정에서는 분광범위의 값을 모두 고려하면서 동시 평균값을 같이 사용하였다.
개발 도구로부터 산출한 성과의 정확도 검증실험을 위하여 RadCalNet 자료를 이용하였다. 이 연구에서는 RadCalNet에서 제공하는 다섯 개의 측정 사이트 중에서 RVUS 지점(위도: 38.
개발 도구로부터 산출한 성과의 정확도 검증실험을 위하여 RadCalNet 자료를 이용하였다. 이 연구에서는 RadCalNet에서 제공하는 다섯 개의 측정 사이트 중에서 RVUS 지점(위도: 38.497, 경도: -115.690) 데이터를 사용하였다. RVUS 지역은 사막 지역이며, 현지 시간 기준으로 09:00~15:00 30분 간격으로 400 m~2500 m 분광자료를 측정한다.

데이터처리

Coordinated Universal Time(UTC) 기준으로는 17:00~23:00으로 Landsat-8 영상 촬영시기와 겹치는 것을 확인하였다. 실험과정에서 RadCalNet RVUS 자료를 기준값으로 하여 OTB Extension을 이용하여 Landsat-8 OLI 영상정보에서 산출한 대기 및 지표반사도 결과 값의 정확도를 파악하면서 USGS-ARD에서 제공하고 있는 반사도 성과와 대기보정 처리를 제공하고 있는 QGIS, SAGA GIS 오픈소스 도구를 사용하여 얻은 반사도 결과값과의 비교분석을 실시하였다.
이 연구에서 오픈소스 도구인 OTB에서 구동되는 Landsat-8 OLI 위성정보의 절대 대기보정 작업과 반사도 성과를 산출하는 확장도구를 최초로 개발하였다. 이 도구로부터 얻은 대기 및 지표반사도 성과 RadCalNet RVUS의 자료를 기준값으로 하여 검증하였으며, USGSARD, QGIS, SAGA GIS와 같은 오픈소스 도구로 얻은 결과와도 비교분석하였다. 실험결과로 OTB Extension의 반사도 산출성과는 USGS-ARD 성과와 마찬가지로 RadCalNet RVUS 자료를 기준으로 하여 ±5% 내의 차이를 보이기 때문에 결과 정확도가 신뢰할 수 있는 수준으로 나타났다.

성능/효과

실험결과로 OTB Extension의 반사도 산출성과는 USGS-ARD 성과와 마찬가지로 RadCalNet RVUS 자료를 기준으로 하여 ±5% 내의 차이를 보이기 때문에 결과 정확도가 신뢰할 수 있는 수준으로 나타났다
실험결과로 OTB Extension의 반사도 산출성과는 USGS-ARD 성과와 마찬가지로 RadCalNet RVUS 자료를 기준으로 하여 ±5% 내의 차이를 보이기 때문에 결과 정확도가 신뢰할 수 있는 수준으로 나타났다. 이 연구는 동일한 영상정보를 가지고 대기보정과 반사도 성과산출의 공통목적을 위한 기능을 제공하는 몇 가지 오픈소스 도구에서 얻은 결과간의 비교분석을 하였고, 그 결과로 도구별로 안정성과 일관성 측면에서 많은 차이가 있음을 알 수 있었다.

후속연구

이 연구에서 개발된 모듈은 Landsat-7 ETM+ 센서를 포함하여 나머지 Landsat 센서를 지원하는 기능까지 확장할 예정이다. 또한 추가실험으로 SNAP 도구의 iCOR 모듈이나 GRASS의 i.landsat.toar 모듈 등과 같이 국제적으로 사용자가 많은 오픈소스 도구로부터 얻어진 결과와의 상호검증도 필요하다. 한편 이 연구에서 개발한 도구는 우분투(Ubuntu) 운영체제에서 OTB 빌드과정을 요구하기 때문에 일반 사용자가 이용하기는 쉽지 않기 때문에 오픈소스 클라우드 환경에서 사용자가 온라인으로 접속하여 이 대기보정 모듈을 사용하는 방식을 고려하고 있다.
대기보정과 같은 처리과정은 위성정보 활용을 증대시킬 수 있는 ARD 제작을 위해서 필요한 과정이기 때문에 위성운용과 동시 고려되어야 한다. 반사도 성과를 산출하는 OTB Extension은 이번 연구에서 대기보정 처리에 대한 확장 가능성이 있는 것으로 나타났으므로 이 연구의 성과는 차세대중형위성(Compact Advanced Satellite-500)을 포함하여 앞으로 발사될 위성센서를 위한 확장 도구개발이 가능할 것으로 예상한다.
이 연구에서 개발된 모듈은 Landsat-7 ETM+ 센서를 포함하여 나머지 Landsat 센서를 지원하는 기능까지 확장할 예정이다. 또한 추가실험으로 SNAP 도구의 iCOR 모듈이나 GRASS의 i.
toar 모듈 등과 같이 국제적으로 사용자가 많은 오픈소스 도구로부터 얻어진 결과와의 상호검증도 필요하다. 한편 이 연구에서 개발한 도구는 우분투(Ubuntu) 운영체제에서 OTB 빌드과정을 요구하기 때문에 일반 사용자가 이용하기는 쉽지 않기 때문에 오픈소스 클라우드 환경에서 사용자가 온라인으로 접속하여 이 대기보정 모듈을 사용하는 방식을 고려하고 있다.

참고문헌 (22)

Badawi, M., D. Helder, L. Leigh, and X. Jing, 2019. Methods for Earth-Observing Satellite Surface Reflectance Validation, Remote Sensing, 11(13): 1543.

상세보기
Bernardo, N., F. Watanabe, T. Rodrigues, and E. Alcantara, 2017. Atmospheric Correction Issues for Retrieving Total Suspended Matter Concentrations in Inland Waters using OLI/Landsat-8 Image, Advances in Space Research, 59(9): 2335-2348.

상세보기
Bouvet, M., K. Thome, B. Berthelot, A. Bialek, J. Czapla-Myers, N.P. Fox, P. Goryl, P. Henry, L. Ma, S. Marcq, A. Meygret, B.N. Wenny, and E.R. Woolliams, 2019. RadCalNet: A Radiometric Calibration Network for Earth Observing Imagers Operating in the Visible to Shortwave Infrared Spectral Range, Remote Sensing, 11(20): 2401.

상세보기
Chen, Y., K. Sun, W. Li, X. Hu, P. Li, and T. Bai, 2021. Vicarious Calibration of FengYun-3D MERSI-II at Railroad Valley Playa Site: A Case for Sensors with Large View Angles, Remote Sensing, 13(7): 1347.
Feng, M., C. Huang, S. Channan, E.F. Vermote, J.G. Masek, and J.R. Townshend, 2012. Quality Assessment of Landsat Surface Reflectance Products using MODIS Data, Computers & Geosciences, 38(1): 9-22.

상세보기
Hermosilla, T., M.A. Wulder, J.C. White, N.C. Coops, and G.W. Hobart, 2017. Updating Landsat Time Series of Surface-reflectance Composites and Forest Change Products with New Observations, International Journal of Applied Earth Observation and Geoinformation, 63: 104-111.

상세보기
Houborg, R. and M.F. McCabe, 2017. Impacts of Dust Aerosol and Adjacency Effects on the Accuracy of Landsat 8 and RapidEye Surface Reflectances, Remote Sensing of Environment, 194: 127-145.

상세보기
Kim, K. and K. Lee, 2020a. Validation of Surface Reflectance Product of KOMPSAT-3A Image Data Application of RadCalNet Baotou(BTCN) Data, Korean Journal of Remote Sensing, 36(6-2): 1509-1521 (in Korean with English abstract).
Kim, K. and K. Lee, 2020b. A Validation Experiment of the Reflectance Products of KOMPSAT-3A Based on RadCalNet Data and Its Applicability to Vegetation Indexing, Remote Sensing, 12(23): 3971.

상세보기
Kuhn, C., A. de Matos Valerio, N. Ward, L. Loken, H.O. Sawakuchi, M. Kampel, J. Richey, P. Stadler, J. Crawford, R. Striegl, E. Vermote, N. Pahlevan, and D. Butman, 2019. Performance of Landsat-8 and Sentinel-2 Surface Reflectance Products for River Remote Sensing Retrievals of Chlorophyll-a and Turbidity, Remote Sensing of Environment, 224: 104-118.

상세보기
Lee, K. and K. Kim, 2019. An Experiment for Surface Reflectance Image Generation of KOMPSAT 3A Image Data by Open Source Implementation, Korean Journal of Remote Sensing, 35(6-4): 1327-1339 (in Korean with English abstract).

원문보기 상세보기
Lee, K. and K. Kim, 2020. Validation of Surface Reflectance Product of KOMPSAT-3A Image Data Using RadCalNet Data, Korean Journal of Remote Sensing, 36(2-1): 167-178 (in Korean with English abstract).
Marzo, A., P. Ferrada, F. Beiza, J. Alonso-Montesinos, J. Ballestrin, and R. Roman, 2016. Comparison of Atacama Desert Solar Spectra vs. ASTM G173-03 Reference Spectra for Solar Energy Application, http://proceedings.ises.org/paper/eurosun2016/eurosun2016-0144-Marzo.pdf, Accessed on Jun. 6, 2021.
NASA(National Aeronautics and Space Administration), 2013. https://landsat.gsfc.nasa.gov/landsat-8/spectral-response-operational-land-imager-band-band-average-relative-spectral-response, Accessed on May 6, 2021.
Pinto, T.C., X. Jing, and L. Leigh, 2020. Evaluation Analysis of Landsat Level-1 and Level-2 Data Products Using in Situ Measurements, Remote Sensing, 12(16): 2597.

상세보기
Qiu, S., Y. Lin, R. Shang, J. Zhang, L. Ma, and Z. Zhu, 2019. Making Landsat Time Series Consistent: Evaluating and Improving Landsat Analysis Ready Data, Remote Sensing, 11(1): 51.

상세보기
RadCalNet(Radiometric Calibration Network), 2018. RadCalNet Quick Start Guide, https://www.radcalnet.org/resources/RadCalNetQuickstartGuide_20180702.pdf, Accessed on Jun. 6, 2021.
Siqueira, A., A. Lewis, M. Thankappan, Z. Szantoi, B. Killough, P. Goryl, S. Labahn, J. Ross, T. Tadono, A. Rosenqvist, J. Lacey, and M. Steventon, 2020. CEOS Analysis Ready Data for Land: Implementation Phase and Next Steps, Proc. of 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI, Sep. 29, pp. 3376-3378.
USGS(United States Geological Survey), 2018a. Landsat Collections. https://pubs.usgs.gov/fs/2018/3049/fs20183049.pdf, Accessed on Jun. 6, 2021.
USGS(United States Geological Survey), 2018b. Landsat8 Operational Land Imager-Thermal Infrared Sensor Solar and View Angle Generation Algorithm Description Document Version 2.0, https://prdwret.s3.us-west-2.amazonaws.com/assets/palladium/production/atoms/files/LSDS-1928_L8-OLI-TIRS_Solar-View-Angle-Generation_ADD-v2.pdf, Accessed on April 6, 2021.
Wei, J., Z. Lee, R. Garcia, L. Zoffoli, R.A. Armstrong, Shang, Z., R.A. Armstrong, Z. Shang, P. Sheldon, and R.F. Chen, 2018. An Assessment of Landsat-8 Atmospheric Correction Schemes and Remote Sensing Reflectance Products in Coral Reefs and Coastal Turbid Waters, Remote Sensing of Environment, 215: 18-32.

상세보기
Young, N.E., R.S. Anderson, S.M. Chignell, A.G. Vorster, R. Lawrence, and P.H. Evangelista, 2017. A Survival Guide to Landsat Preprocessing, Ecology, 98(4): 920-932.

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