[논문]Sentinel-2A/B 위성영상의 주기합성을 위한 구름 및 구름 그림자 탐지 기법 개발

김선화; 은정

doi:10.7780/kjrs.2021.37.5.1.13

Sentinel-2A/B 위성영상의 주기합성을 위한 구름 및 구름 그림자 탐지 기법 개발
Development of Cloud and Shadow Detection Algorithm for Periodic Composite of Sentinel-2A/B Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.1, 2021년, pp.989 - 998

김선화 ((주)유에스티21) , 은정 ((주)유에스티21)

초록
AI-Helper

구름의 영향을 크게 받는 광학위성영상의 활용에 있어 일정 주기 합성은 구름의 영향을 최소화할 수 있는 유용한 방법이다. 최근 주기 합성 시 구름과 구름 그림자 정보가 직접 입력되어 일정 주기 시 두 인자의 영향을 가장 덜 받는 최적의 화소를 선택하는 기법이 제시되었다. 최적의 합성 결과를 도출하기 위해서는 구름과 구름 그림자의 정확한 추출이 필수적이다. 또한 농작물과 같이 분광정보가 중요한 대상의 경우 주기 합성 시 분광정보의 손실이 최소화되어야 한다. 본 연구에서는 구름과 구름 그림자의 높은 탐지정확도를 유지하면서 분광정보의 손실이 적은 탐지 기법을 도출하기 위해, 강원도 고랭지 배추밭을 대상으로 두 분광척도(Haze Optimized Tranformation; HOT, MeanVis)를 이용한 방법과 Sentinel-2A/B에서 제공되는 구름 정보를 비교 분석하였다. 2019년~2021년까지 자료를 분석한 결과 Sentinel-2A/B위성의 구름 정보는 F1값이 0.91인 탐지 정확도를 보이나, 밝은 인공물이 구름으로 오탐지되었다. 이에 비해 HOT에 임계치(=0.05)를 적용해 획득한 구름 탐지 결과는 상대적으로 낮은 탐지 정확도(F1=0.72)를 보였으나, 오탐지가 적어 분광정보의 손실을 최소화하였다. 구름 그림자의 경우, Sentinel-2A/B 부가 레이어에서는 최소한의 그림자만이 탐지된 결과를 볼 수 있었으나, MeanVis에 임계치(= 0.015)를 적용했을 시 지형적으로 발생한 그림자와 구별 가능한 구름 그림자만을 탐지할 수 있었다. 분광척도 기반 구름 및 그림자 정보를 입력해 안정된 월별 합성된 식생지수결과를 획득하였으며, 향후 Sentinel-2A/B의 높은 정확도의 구름 정보를 주기 합성에 입력해 비교할 예정이다.

Abstract ▼ AI-Helper

In the utilization of optical satellite imagery, which is greatly affected by clouds, periodic composite technique is a useful method to minimize the influence of clouds. Recently, a technique for selecting the optimal pixel that is least affected by the cloud and shadow during a certain period by directly inputting cloud and cloud shadow information during period compositing has been proposed. Accurate extraction of clouds and cloud shadowsis essential in order to derive optimal composite results. Also, in the case of an surface targets where spectral information is important, such as crops, the loss of spectral information should be minimized during cloud-free compositing. In thisstudy, clouds using two spectral indicators (Haze Optimized Tranformation and MeanVis) were used to derive a detection technique with low loss ofspectral information while maintaining high detection accuracy of clouds and cloud shadowsfor cabbage fieldsin the highlands of Gangwon-do. These detection results were compared and analyzed with cloud and cloud shadow information provided by Sentinel-2A/B. As a result of analyzing data from 2019 to 2021, cloud information from Sentinel-2A/B satellites showed detection accuracy with an F1 value of 0.91, but bright artifacts were falsely detected as clouds. On the other hand, the cloud detection result obtained by applying the threshold (=0.05) to the HOT showed relatively low detection accuracy (F1=0.72), but the loss ofspectral information was minimized due to the small number of false positives. In the case of cloud shadows, only minimal shadows were detected in the Sentinel-2A/B additional layer, but when a threshold (= 0.015) was applied to MeanVis, cloud shadowsthat could be distinguished from the topographically generated shadows could be detected. By inputting spectral indicators-based cloud and shadow information,stable monthly cloud-free composited vegetation index results were obtained, and in the future, high-accuracy cloud information of Sentinel-2A/B will be input to periodic cloud-free composite for comparison.

주제어

표/그림 (12)

그림 Fig. 1. Distribution of study sites (http://www.google.co.kr/maps and Landsat 8 images).
그림 Fig. 2. Photos from the high altitude cabbage fields (a, b: August, 2021, c, d: September, 2021).
표 Table 1. Specifications of Sentinel-2A/B satellite (https://en.wikipedia.org/wiki/Sentinel-2)
표 Table 2. The data used in this study
표 Table 3. Multispectral indexes for identifying cloud pixel
그림 Fig. 3. Sentinel-2A/B natural color composite images (a: May 14, 2020, b: May 24, 2020, c: July 13, 2020) of Gwinemi fields.
표 Table 4. Typical indicators for evaluating cloud and shadow detection accuracy (Hu et al., 2020)
그림 Fig. 4. (a) Sentinel-2A/B natural color composite image, (b) cloud mask obtained from Sentinel-2A/B quality scene classification layer, and (c) cloud mask from Sentinel-2A/B HOT index on July 28, 2021.
그림 Fig. 5. (a) Sentinel-2A/B natural color composite image, (b) thin cirrus mask, (c) cloud mask obtained from Sentinel-2A/B quality scene classification layer, and (d) cloud mask from Sentinel-2A/B HOT index of Anbandeok fields on September 17, 2019.
그림 Fig. 6. (a) Sentinel-2A/B natural color composite image, (b) cloud shadow mask obtained through visual interpretation, (c) cloud mask obtained from Sentinel-2A/B quality scene classification layer, (d) cloud shadow mask with 0.015, (e) 0.02, (f) 0.025 threshold values applied to the Sentinel-2A/B MeanVis image of Maebongsan fields on May 29, 2021.
표 Table 5. Cloud and cloud shadow detection accuracies
그림 Fig. 7. Sentinel-2A/B monthly composite NDVI images of May (a), June (b), July (c), 2021 of Gwinemi fields.

AI 본문요약
AI-Helper

대상 데이터

2019년~2020년 Sentinel-2A/B L2A자료가 제공되지 않아, 본 연구에서는 Sentinel-2A/B L1C 자료를 제공받아 ESA에서 제공하는 Sen2Cor 255 대기보정 소프트웨어를 이용하여 L2A자료로 변환하여 사용하였다. 이때 영상 대상지역이 강원도 산악지역이 대부분으로, 에어로졸 모델은 시골(rural)로 선택하였고, 계절이 5월에서 10월로 중위도 여름으로 선택해 적용하였다.
고랭지 배추밭을 모니터링하기 위한 위성영상으로 본 연구에서는 Sentinel-2A/B 영상을 사용하였다. 이는 향후 개발될 농림위성의 분광밴드 특성과 가장 유사한 위성이며(Table 1), 재방문주기도 5일로 가장 비슷하기 때문이다.
사용한 자료의 시기는 주기 합성 시 가장 문제가 되는 자료수의 영향을 분석하기 위해, 최근 잦은 태풍과 긴우기로 구름의 영향을 많이 받은 2020년 자료를 사용하였으며, 이와 비교하기 위해 평년과 비슷한 기상을 보인 2019년과 2021년 자료도 사용하였다. 고랭지 배추의 생육주기를 고려하여 2019년과 2020년은 5월부터 10월까지 자료를 사용하였으며, 2021년은 연구에 사용 가능한 5~7월까지의 영상을 사용하였다(Table 2). 이 시기의 사용된 총 50개의 Sentinel-2A/B L1C영상은 미국 USGS EarthExplorer (https://earthexplorer.
L2A자료 에는 대기보정된 반사율 뿐만 아니라, 다수의 부가정보(각도, 대기, 눈, 구름 정보 등)가 제공되는데 구름과 구름 그림자 정보가 제공되는 Quality scene classification (QSC) 레이어를 본 연구에서 사용하였다. 본 레이어에는 총 12개 분류 등급이 있으며, 이중 본 연구에서는 구름 그림자(화소값 3),높은 확률과 중간 확률로 분류된 구름(화소값 8, 9), 얇은 권운(화소값 10)의 정보만을 사용하였다. 구름은 가시광선, 열적외선밴드의 반사율 임계치 필터링 기법을 이용해 탐지되며, 얇은 권운은 1.
본 연구에서는 높은 고도로 구름과 안개가 자주 나타나는 강원도 강릉과 태백의 고랭지 배추밭을 대상으로 하였다. Fig.
이는 향후 개발될 농림위성의 분광밴드 특성과 가장 유사한 위성이며(Table 1), 재방문주기도 5일로 가장 비슷하기 때문이다. 사용한 자료의 시기는 주기 합성 시 가장 문제가 되는 자료수의 영향을 분석하기 위해, 최근 잦은 태풍과 긴우기로 구름의 영향을 많이 받은 2020년 자료를 사용하였으며, 이와 비교하기 위해 평년과 비슷한 기상을 보인 2019년과 2021년 자료도 사용하였다. 고랭지 배추의 생육주기를 고려하여 2019년과 2020년은 5월부터 10월까지 자료를 사용하였으며, 2021년은 연구에 사용 가능한 5~7월까지의 영상을 사용하였다(Table 2).
고랭지 배추의 생육주기를 고려하여 2019년과 2020년은 5월부터 10월까지 자료를 사용하였으며, 2021년은 연구에 사용 가능한 5~7월까지의 영상을 사용하였다(Table 2). 이 시기의 사용된 총 50개의 Sentinel-2A/B L1C영상은 미국 USGS EarthExplorer (https://earthexplorer.usgs.gov)에서 제공받았으며, 배추밭의 정확한 경계 및 필지별 모니터링을 위해 2020년에 갱신된 스마트팜맵(https:// www.data.go.kr/site)을 사용하였다.

데이터처리

이와 함께 구름과 구름 그림자 탐지 정확도에 대한 정량적 수치를 분석하였다. Table 5와 같이, 육안판독을 통한 탐지 결과를 기준으로 HOT와 MeanVis 척도 기반 구름 및 구름 그림자 탐지결과, Sentinel-2A/B 부가 정보의 탐지 정확도를 비교하였다. 기본적으로 구름 탐지 결과는 Sentinel-2A/B의 탐지 결과가 높게 나타났으나, Precision 값은 HOT척도를 이용한 구름 탐지 알고리즘이 더 높게 나타났다.

이론/모형

이때 영상 대상지역이 강원도 산악지역이 대부분으로, 에어로졸 모델은 시골(rural)로 선택하였고, 계절이 5월에서 10월로 중위도 여름으로 선택해 적용하였다. L2A자료 에는 대기보정된 반사율 뿐만 아니라, 다수의 부가정보(각도, 대기, 눈, 구름 정보 등)가 제공되는데 구름과 구름 그림자 정보가 제공되는 Quality scene classification (QSC) 레이어를 본 연구에서 사용하였다. 본 레이어에는 총 12개 분류 등급이 있으며, 이중 본 연구에서는 구름 그림자(화소값 3),높은 확률과 중간 확률로 분류된 구름(화소값 8, 9), 얇은 권운(화소값 10)의 정보만을 사용하였다.
구름은 가시광선, 열적외선밴드의 반사율 임계치 필터링 기법을 이용해 탐지되며, 얇은 권운은 1.375 µm 밴드(밴드 10)에 반사율 임계치를 적용하여 탐 지된다(https://sentinels.copernicus.eu/web/sentinel/tech nical-guides/sentinel-2-msi/level-2a/algorithm)
eu/web/sentinel/tech nical-guides/sentinel-2-msi/level-2a/algorithm). 이와 함께 구름 그림자는 neural network와 지형학적 특징을 이용한 Kohonen map 알고리즘을 이용해 탐지된다.

성능/효과

얇은 권운의 경우 두꺼운 구름에 비해 탐지 정확도가 많이 감소된 것을 볼 수 있다. 구름 그림자의 경우, accuracy 척도는 두 방법 다 비슷하게 나타났으나, F1과 같은 정확도 척도에서는 MeanVis척도를 이용한 결과가 Sentinel-2A/B의 부가 정보보다 높게 나타난다. 이는 정성적 비교 결과에서 봤듯이, Sentinel-2A/B에서 구름 그 림자의 탐지 면적이 매우 작게 탐지되었기 때문이다.
MeanVis의 임계치가 커질수록 정확도가 감소하는 것을 볼 수 있는데, 이는 산악지역의 사면에 의한 그림자가 구름 그림자로 오탐지되기 때문이다. 그러나, 구름에 의한 그림자와 사면에 의한 그림자의 차이가 MeanVis 척도의 임계치에 의해 구분될 수 있다는 결과를 확보하였다. 정성, 정량적 분석 결과 MeanVis의 임계치는 0.
Table 5와 같이, 육안판독을 통한 탐지 결과를 기준으로 HOT와 MeanVis 척도 기반 구름 및 구름 그림자 탐지결과, Sentinel-2A/B 부가 정보의 탐지 정확도를 비교하였다. 기본적으로 구름 탐지 결과는 Sentinel-2A/B의 탐지 결과가 높게 나타났으나, Precision 값은 HOT척도를 이용한 구름 탐지 알고리즘이 더 높게 나타났다. 이는 정성적 비교결과에서 보듯이, Sentinel-2A/B가 과탐지되는 경향이 나타난 것으로 보인다.
특히, 구름 그림자 탐지 알고리즘은 지형에 의해 발생되는 그림자와의 구분이 가능해 분광정보의 손실을 줄였다. 또한 단순한 분광척도에 단일 임계치를 적용하는 방식으로 그 알고리즘 자체가 간단하고, 계산량이 적다는 장점이 있다. 임계치가 고랭지 배추밭을 대상으로 3년의 Sentinel-2A/B에만 제한적으로 결정된 결과이기 때문에, 향후 다양한 농경지와 보다 많은 시계열 자료의 적용이 필요하다.
오탐지되는 결과는 주기 합성 시 분광정보의 손실을 야기하므로, 농업 활용을 위한 주기 합성에 문제가 될 수 있다. 본 연구에서 제시한 HOT와 MeanVis 척도에 임계치를 적용한 알고리즘은 상대적으로 탐지 정확도는 낮으나, 오탐지를 줄여 분광 정보의 손실을 최소화하였다. 특히, 구름 그림자 탐지 알고리즘은 지형에 의해 발생되는 그림자와의 구분이 가능해 분광정보의 손실을 줄였다.
본 연구에서 제시한 HOT와 MeanVis 척도에 임계치를 적용한 알고리즘은 상대적으로 탐지 정확도는 낮으나, 오탐지를 줄여 분광 정보의 손실을 최소화하였다. 특히, 구름 그림자 탐지 알고리즘은 지형에 의해 발생되는 그림자와의 구분이 가능해 분광정보의 손실을 줄였다. 또한 단순한 분광척도에 단일 임계치를 적용하는 방식으로 그 알고리즘 자체가 간단하고, 계산량이 적다는 장점이 있다.
특히 구름이 자주 발생되는 고랭지 지역에서 배추의 정확한 생육 모니터링을 위해서는 더욱 그렇다. 현재 공식적으로 Sentinel-2A/B 위성영상과 함께 제공되고 있는 구름 정보는 탐지 정확도가 높으나, 밝은 인공물을 구름으로 오탐지되는 경우가 발견되었다. 오탐지되는 결과는 주기 합성 시 분광정보의 손실을 야기하므로, 농업 활용을 위한 주기 합성에 문제가 될 수 있다.

후속연구

임계치가 고랭지 배추밭을 대상으로 3년의 Sentinel-2A/B에만 제한적으로 결정된 결과이기 때문에, 향후 다양한 농경지와 보다 많은 시계열 자료의 적용이 필요하다. 이와 함께 본 구름과 구름 그림자 탐지 결과가 주기 합성 시 정량적으로 얼마나 활용성이 있는지도 추가 연구로 진행 될 예정이다.
또한 단순한 분광척도에 단일 임계치를 적용하는 방식으로 그 알고리즘 자체가 간단하고, 계산량이 적다는 장점이 있다. 임계치가 고랭지 배추밭을 대상으로 3년의 Sentinel-2A/B에만 제한적으로 결정된 결과이기 때문에, 향후 다양한 농경지와 보다 많은 시계열 자료의 적용이 필요하다. 이와 함께 본 구름과 구름 그림자 탐지 결과가 주기 합성 시 정량적으로 얼마나 활용성이 있는지도 추가 연구로 진행 될 예정이다.

참고문헌 (12)

Doninck J.V. and H. Tumisto, 2017. Influence of compositing criterion and data availability on pixel-based Landsat TM/ETM+ image compositing over Amazonian forests, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10: 857-867.

상세보기
Dybbroe, A., K.G. Karlsson, and A. Thoss, 2005. NWCSAF AVHRR cloud detection and anaysis using dynamic thresholds and radiative transfer modeling, Part I: Algorithm description, Journal of Applied Meteorology and Climatology, 44: 39-54.

상세보기
Griffiths, P., C. Nendel, and P. Hostert, 2019. Intra-annual reflectace composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping, Remote Sensing of Environment, 220: 135-151.

상세보기
Huang, H., C. Wang, S. Liu, Z. Sun, D. Zhang, C. Liu, Y. Jiang, S. Zhan, H. Zhang, and R. Xu, 2020. Single spectral imagery and faster R-CNN to identify hazardous and noxious substances spills, Environmental Pollution, 258: 113688.

상세보기
Kawano K. and J.I. Kudoh, 2001. Cloud detection method fro NOAA AVHRR images by using local area parameters, Proc. of the IEEE 2001 Onternational Geoscience and Remote Sensing Symposium, Sydney, NSW, AU, Jul. 9-13, vol. 5, pp. 2155-2157.
Kim, S.H., J. Eun, S.J. Kang, and K.S. Lee, 2011. Detection of short-term changes using MODIS daily dynamic cloud-free composite algorithm, Korean Journal of Remote Sensing, 27(3): 259-276.

원문보기 상세보기
Liu, Z., L. Han, P. Zhou, X. Wang, and T. Wu, 2017. A method for cloud interpretation in ZY-3 satellite imagery and its application, Remote Sensing Information, 32: 41-46.
Liu, Z., Y. Li, and F. Huang, 2007. Cloud detection of MODIS satellite images based on dynamic cluster, Remote Sensing Information, 4: 33-35.
Skakun, S., C.O. Justice, E. Vermote, and J.C. Roger, 2017. Transitioning from MODIS to VIIRS: an analysis of interconsistency of NDVI data sets for agricultural monitoring, International Journal of Remote Sensing, 39(4): 971-992.

상세보기
Sun, S., 2017. A multi-spectral remote sensing imagery cloud detection algorithm based on spectral angle principle, Microcomputer Its Apple, 36: 16-18.
Wu, J., 2015. Cloud detection algorithm for domestic high-resolution multispectral image data, Computer Networks, 41: 45-47.
Xiong, Q., Y. Wang, D. Liu, S. Ye, Z. Du, W. Liu, J. Huang, W. Su, D. Zhu, X. Yao, and X. Zhang, 2020. A cloud detection approach based on hybrid multispectral features with dynamic thresholds for GF-1 remote sensing images, Remote Sensing, 12: 450.

상세보기

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