[논문]기계학습을 통한 주간 반투명 구름탐지 연구: GK-2A/AMI를 이용하여

변유경; 진동현; 성노훈; 우종호; 전우진; 한경수

doi:10.7780/kjrs.2022.38.6.1.15

기계학습을 통한 주간 반투명 구름탐지 연구: GK-2A/AMI를 이용하여
A Study on Daytime Transparent Cloud Detection through Machine Learning: Using GK-2A/AMI 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1181 - 1189

변유경 (부경대학교 지구환경시스템과학부 공간정보시스템공학과) , 진동현 (부경대학교 지구환경시스템과학부 공간정보시스템공학과) , 성노훈 (부경대학교 지구환경시스템과학부 공간정보시스템공학과) , 우종호 (부경대학교 지구환경시스템과학부 공간정보시스템공학과) , 전우진 (부경대학교 지구환경시스템과학부 공간정보시스템공학과) , 한경수 (부경대학교 지구환경시스템과학부 공간정보시스템공학과)

초록
AI-Helper

구름은 대기 중에 떠 있는 작은 물방울이나 얼음 알갱이들 또는 혼합물 등으로 구성되며 지구 표면의 약 2/3를 덮고 있다. 위성영상내에서의 구름은 일부 다른 지상 물체 또는 지표면과 유사한 반사도 특성으로 인해 구름과 구름이 아닌 영역을 분리하는 구름탐지는 매우 어려운 작업이다. 특히 뚜렷한 특징을 가지는 두꺼운 구름과 달리 얇은 반투명 구름은 위성영상내에서 구름과 배경의 대비가 약하고 지표면과 혼합되어져 나타나기 때문에 대부분 구름탐지에서 쉽게 놓쳐지고 많은 어려움을 주는 대상으로 작용한다. 이러한 구름탐지의 반투명 구름의 한계점을 극복하기 위해, 본 연구에서는 머신러닝 기법(Random Forest [RF], Convolutional Neural Networks [CNN])을 활용하여 반투명 구름을 중점으로 한 구름탐지 연구를 수행하였다. Reference자료로는 MOderate Resolution Imaging Spectroradiometer (MODIS)에서 제공하는 MOD35자료에서 Cloud Mask와 Cirrus Mask를 활용하였으며 반투명 구름 픽셀을 고려한 모델 훈련을 위해 훈련 데이터의 픽셀 비율을 구름, 반투명 구름, 청천이 약 1:1:1이 되도록 구성하였다. 연구의 정성적 비교 결과, RF와 CNN 모두 반투명 구름을 포함한 다양한 형태의 구름 등을 잘 탐지하였고, RF 모델 결과와 CNN 모델 결과를 혼합한 RF+CNN경우에는 개별 모델의 한계점을 개선시키며 구름탐지가 잘 수행되어진 것을 확인하였다. 연구의 정량적 결과 RF의 전체 정확도(OA) 값은 92%, CNN은 94.11%를 보였고, RF+CNN은 94.29%의 정확도를 보였다.

Abstract ▼ AI-Helper

Clouds are composed of tiny water droplets, ice crystals, or mixtures suspended in the atmosphere and cover about two-thirds of the Earth's surface. Cloud detection in satellite images is a very difficult task to separate clouds and non-cloud areas because of similar reflectance characteristics to some other ground objects or the ground surface. In contrast to thick clouds, which have distinct characteristics, thin transparent clouds have weak contrast between clouds and background in satellite images and appear mixed with the ground surface. In order to overcome the limitations of transparent clouds in cloud detection, this study conducted cloud detection focusing on transparent clouds using machine learning techniques (Random Forest [RF], Convolutional Neural Networks [CNN]). As reference data, Cloud Mask and Cirrus Mask were used in MOD35 data provided by MOderate Resolution Imaging Spectroradiometer (MODIS), and the pixel ratio of training data was configured to be about 1:1:1 for clouds, transparent clouds, and clear sky for model training considering transparent cloud pixels. As a result of the qualitative comparison of the study, bothRF and CNN successfully detected various types of clouds, including transparent clouds, and in the case of RF+CNN, which mixed the results of the RF model and the CNN model, the cloud detection was well performed, and was confirmed that the limitations of the model were improved. As a quantitative result of the study, the overall accuracy (OA) value of RF was 92%, CNN showed 94.11%, and RF+CNN showed 94.29% accuracy.

주제어

표/그림 (8)

그림 Fig. 1. Study area of this study.
표 Table 1. GK-2A/AMI Channel Information
그림 Fig. 2. Percentage of pixels in the dataset.
그림 Fig. 3. Random forest feature Importance.
표 Table 2. U-Net hyperparameter
그림 Fig. 4. Qualitative results comparison (2021.05.22.0150 UTC): (a) GK-2A RGB image, (b) GK-2A cloud mask, (c) MODIS cloud mask, (d) RF result, (e) CNN result, and (f) RF+CNN result.
그림 Fig. 5. Qualitative results comparison (2021.08.23.0120 UTC): (a) GK-2A RGB image, (b) GK-2A cloud mask, (c) MODIS cloud mask, (d) RF result, (e) CNN result, and (f) RF+CNN result.
표 Table 3. Quantitative results

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구에서는 최근 많이 활용되어지고 머신러닝 기법을 활용하여 구름탐지의 한계점으로 언급되어지는 얇은 반투명 구름탐지 개선을 위주로 연구를 수행하고자 한다.
본 연구는GK-2A/AMI 영상을 활용하여 반투명 구름 개선을 목적으로 머신러닝 모델(Random Forest, CNN)을 통한 구름탐지 연구를 수행하였다. 반투명 구름 개선을 위해 입력 데이터 셋에서의 구름, 반투명 구름, 청천의 비율이 약 1:1:1이 되도록 구성을 하였고 구름과 반투명 구름의 Reference 자료로 MOD35자료의 MODIS Cloud Mask와 Cirrus Mask를 활용하였다.

제안 방법

L1B자료란 기상센서가 관측한 원시자료(raw data)에서 복사 및 위치보정을 수행하여 사용자가 실제 사용이 가능한 자료를 의미한다. Random Forest 모델의 입력변수로 활용하는 반사도 자료 산출을 위해서는 L1B 자료에서 반사도 변환 과정이 필요하기 때문에, 국가기상위성센터에서 제공해주는 Conversion table을 활용하여 픽셀 값들을 반사도 및 밝기온도로 변환하는 작업을 수행하였다.
두 모델은 구름 탐지에 있어 서로 다른 방식으로 수행하기 때문에 서로 다른 특징을 지니고 있고, 이에 따라 각자의 장단점이 존재한다. 따라서 본 연구에서는 두 모델 결과에 대한 상호보완 가능성을 확인하기 위해, RF결과와 CNN결과를 합한 RF+CNN 결과물을 산출하였다. 그리고 해당 결과는 개별 모델들의 구름탐지 개선 가능성이 존재하는지에 대해 분석하기 위해 정성적·정량적 비교 수행 시에 활용하였다.
4, 5). 모델별 결과들은 Cloud, Transparent Cloud, Clear로 3개의 Flag로 산출이 되지만, 본 연구의 연구목적은 얇은 반투명 구름을 중점적으로 개선시킨 구름탐지이기 때문에 Transparent Cloud는 Cloud로 포함시켜 최종적으로 Cloud, Clear로 2개의 Flag를 가진 결과로 평가를 수행하였다. 먼저 Fig.
본 연구는 공간 일치화와 입력 데이터셋 구축 과정 수행 후, 모델별 훈련 및 검증을 통해 산출되어지는 구름탐지 결과들을 정량적, 정성적으로 평가함으로써 연구가 진행된다.
본 연구에서는 RF, CNN, RF+CNN 결과를 GK-2A RGB 영상, GK-2A Cloud Mask 및 MODIS Cloud Mask 자료를 활용하여 정성적 평가를 수행하였다(Figs. 4, 5).
GK-2A 구름 탐지 자료의 공간 해상도는 2 km, 시간 해상도는 전구 영역은 10분, 한반도 영역은 2분으로, 각 픽셀별로 Cloud, Probably Cloud, Clear의 3개의 Flag를 통해 구름 존재 여부를 표현하고 있다. 본 연구에서는 구름 영역과 청천역을 구분하는 것을 목적으로 하고 있기 때문에 Cloud, Probably Cloud의 구분은 불필요하다 판단하여 Probably Cloud를 Cloud Flag로 포함하여 Cloud, Clear 총 2개의 Flag로 활용하였다. 해당자료는 본 연구의 정성적 비교 수행시에 연구 결과와의 비교를 목적으로 활용되었다.

대상 데이터

본 연구는GK-2A/AMI 영상을 활용하여 반투명 구름 개선을 목적으로 머신러닝 모델(Random Forest, CNN)을 통한 구름탐지 연구를 수행하였다. 반투명 구름 개선을 위해 입력 데이터 셋에서의 구름, 반투명 구름, 청천의 비율이 약 1:1:1이 되도록 구성을 하였고 구름과 반투명 구름의 Reference 자료로 MOD35자료의 MODIS Cloud Mask와 Cirrus Mask를 활용하였다. 모델 훈련 및 테스트를 통해 산출된 RF, CNN의 구름탐지 결과와 더불어 두 모델의 결과를 결합한 RF+CNN 결과까지 산출하였고, 모델 결과물들의 정성적 평가 결과, 반투명 구름을 포함한 다양한 구름 형태들을 모두 잘 탐지한 것을 확인하였다.
본 연구의 연구지역은 대한민국을 포함한 동아시아영역(위도 33°N–43°N, 경도 124°N–132°N)으로, 각 계절별로 서로 다른 기단의 영향을 받아 사계절이 뚜렷하다는 특징이 있다. 본 연구에서는 다양한 형태의 구름을 형성시키는 여름의 경우를 위해 해당 지역을 연구지역으로 선정하였다. 연구기간으로는 2021년 4월에서 8월로, 여름을 포함하였다.
본 연구에서는 훈련 데이터는 145개, 검증 데이터는 61개, 테스트 데이터는 88개의 scene 설정하여 모델 훈련 및 검증을 진행하였다. 그리고 훈련 데이터 셋에서 구름, 반투명 구름, 청천의 픽셀 분포가 어느 한쪽으로 치우치는 경우를 대비하여, 모델 성능을 높이기 위해 훈련 데이터 픽셀 구성을 구름(Cloud), 반투명 구름(Transparent Cloud), 청천(Clear)이 Fig.
본 연구의 연구지역은 대한민국을 포함한 동아시아영역(위도 33°N–43°N, 경도 124°N–132°N)으로, 각 계절별로 서로 다른 기단의 영향을 받아 사계절이 뚜렷하다는 특징이 있다

데이터처리

그리고 해당 결과는 개별 모델들의 구름탐지 개선 가능성이 존재하는지에 대해 분석하기 위해 정성적·정량적 비교 수행 시에 활용하였다.
본 연구는 선정된 검증지표들을 활용하여 모델별 구름탐지 결과물에 대해 정량적 평가를 수행하였다(Table 3). RF의 경우 POD값이 90.

이론/모형

정지궤도 위성인 GK-2A 자료와 극궤도 위성인 MODIS 자료는 각각 geostationary, swath로 다른 Projection 형태이기 때문에 공간 일치화 과정이 필요하다. 따라서 GK-2A 및 MODIS 위성영상을 Great Circle Distance (GCD)를 활용하여 공간 일치화 과정을 수행하였다. 아래의 식은 임의의 점 P1, P2의 GCD를 구하는 공식이며 R은 지구 반지름, θ은 위도, ø은 경도를 의미한다.

성능/효과

03%로 POD는 RF+CNN이 높은 탐지율을 보여주었고 FAR은 RF가 낮은 오탐지율을 나타냈다. OA는 RF가 92%, CNN은 4.11%, RF+CNN은 94.29%로 RF+CNN이 높은 전체 정확도를 나타냈다.
11%를 나타냈다. RF와 CNN의 결과물을 합한 RF+CNN의 경우 POD값이 94.61%, FAR은 3.03%, OA는 94.29%를 나타냈다. POD값의 경우 RF+CNN이 94.
00%로 제일 낮은 값을 보였다. 따라서 RF+CNN이 RF보다 POD값이 3.73%, OA값이 2.29%개선된 것을 확인할 수 있었고 FAR값이 CNN보다 0.15%가 개선된 것을 확인할 수 있었다.
모델 훈련 및 테스트를 통해 산출된 RF, CNN의 구름탐지 결과와 더불어 두 모델의 결과를 결합한 RF+CNN 결과까지 산출하였고, 모델 결과물들의 정성적 평가 결과, 반투명 구름을 포함한 다양한 구름 형태들을 모두 잘 탐지한 것을 확인하였다. 또한 GK-2A Cloud Mask 및 MODIS Cloud Mask에서 구름을 미탐지, 오탐지하는 경우를 모델 결과에서는 잘 탐지한 것을 확인할 수 있었다. 정량적 평가결과, POD는 RF가 90.
반투명 구름 개선을 위해 입력 데이터 셋에서의 구름, 반투명 구름, 청천의 비율이 약 1:1:1이 되도록 구성을 하였고 구름과 반투명 구름의 Reference 자료로 MOD35자료의 MODIS Cloud Mask와 Cirrus Mask를 활용하였다. 모델 훈련 및 테스트를 통해 산출된 RF, CNN의 구름탐지 결과와 더불어 두 모델의 결과를 결합한 RF+CNN 결과까지 산출하였고, 모델 결과물들의 정성적 평가 결과, 반투명 구름을 포함한 다양한 구름 형태들을 모두 잘 탐지한 것을 확인하였다. 또한 GK-2A Cloud Mask 및 MODIS Cloud Mask에서 구름을 미탐지, 오탐지하는 경우를 모델 결과에서는 잘 탐지한 것을 확인할 수 있었다.
본 연구는 반투명 구름을 중점적으로 입력 데이터 세트를 구성하여 MOD35자료의 Cloud Mask 및 Cirrus Mask 자료를 활용한 머신러닝 모델을 구축함으로써 반투명 구름을 개선시킨 구름탐지 결과물을 산출하였다는 것에 의의를 둘 수 있다.
또한 GK-2A Cloud Mask 및 MODIS Cloud Mask에서 구름을 미탐지, 오탐지하는 경우를 모델 결과에서는 잘 탐지한 것을 확인할 수 있었다. 정량적 평가결과, POD는 RF가 90.88%, CNN은 94.43%, RF+CNN은 94.61%였 으 며 FAR은 RF가 2.85%, CNN은 3.18%, RF+CNN은 3.03%로 POD는 RF+CNN이 높은 탐지율을 보여주었고 FAR은 RF가 낮은 오탐지율을 나타냈다. OA는 RF가 92%, CNN은 4.

후속연구

구름탐지 자료는 계절의 영향을 많이 받기 때문에 구름으로 많이 혼동되어지는 적설이 존재하는 겨울과 같이 계절을 고려하는 분석을 수행한다면 더 좋은 결과가 나올 것으로 사료된다.

참고문헌 (22)

Ackerman, S., 2010. Discriminating clear-sky from cloud with modis, Journal of Geophysical Research: Atmospheres, 103(D24): 32141-32157. https://doi.org/10.1029/1998JD200032

상세보기
Ghasemian, N. and M. Akhoondzadeh, 2018. Introducing two Random Forest based methods for cloud detection in remote sensing images, Advances in Space Research, 62(2): 288-303. https://doi.org/10.1016/j.asr.2018.04.030

상세보기
Gomez-Chova, L., G. Camps-Valls, J. Calpe-Maravilla, L. Guanter, and J. Moreno, 2007. Cloud-screening algorithm for envisat/meris multispectral images, IEEE Transactions on Geoscience and Remote Sensing, 45: 4105-4118. https://doi.org/10.1109/TGRS.2007.905312

상세보기
Han, H.G., K.S. Lee, S. Choi, M. Seo, D. Jin, N.H. Seong, D. Jung, H. Kim, and K.S. Han, 2019. Comparison of visualization enhancement techniques for himawari-8/ahi-based true color image production, Korean Journal of Remote Sensing, 35(3): 483-489. https://doi.org/10.7780/kjrs.2019.35.3.11

원문보기 상세보기
Irish, R.R., J.L. Barker, S.N. Goward, and T. Arvidson, 2006. Characterization of the landsat-7 etm+ automated cloud-cover assessment (ACCA) algorithm, Photogrammetric Engineering & Remote Sensing, 72(10): 1179-1188. https://doi.org/10.14358/PERS.72.10.1179

상세보기
Jo, W. and K.H. Park, 2022. Deep learning based land cover change detection using u-net, Journal of the Korean Geographical Society, 57(3): 297-306. https://doi.org/10.22776/kgs.2022.57.3.297
Li, X., X. Yang, X. Li, S. Lu, Y. Ye, and Y. Ban, 2022. GCDB-UNet: A novel robust cloud detection approach for remote sensing images, Knowledge-Based Systems, 238: 107890. https://doi.org/10.1016/j.knosys.2021.107890

상세보기
Liu, C., S. Yang, D. Di, Y. Yang, C. Zhou, X. Hu, and B.J. Sohn, 2022. A machine learning-based cloud detection algorithm for the Himawari-8 spectral image, Advances in Atmospheric Sciences, 39(12): 1994-2007. https://doi.org/10.1007/s00376-021-0366-x

상세보기
Luo, C., S. Feng, X. Yang, Y. Ye, X. Li, B. Zhang, Z. Chen, and Y. Quan, 2022. LWCDnet: A Lightweight Network for Efficient Cloud Detection in Remote Sensing Images, IEEE Transactions on Geoscience and Remote Sensing, 60: 1-16. https://doi.org/10.1109/TGRS.2022.3173661

상세보기
Mohajerani, S., T.A. Krammer, and P. Saeedi, 2018. Cloud detection algorithm for remote sensing images using fully convolutional neural networks, arXiv preprint arXiv:1810.05782. https://doi.org/10.48550/arXiv.1810.05782
Ronneberger, O., P. Fischer, T. Brox, 2015. U-net: Convolutional networks for biomedical image segmentation, In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds), Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015, Springer, Cham, Switzerland, vol. 9351, pp. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28
Shao, Z., Y. Pan, C. Diao, and J. Cai, 2019. Cloud detection in remote sensing images based on multiscale features-convolutional neural network, IEEE Transactions on Geoscience and Remote Sensing, 57(6): 4062-4076. https://doi.org/10.1109/TGRS.2018.2889677

상세보기
Strabala, K.I., 2005. MODIS cloud mask user's guide, University of Wisconsin-Madison, Madison, WI, USA.
Tran, H., P. Nguyen, M. Ombadi, K.l. Hsu, S. Sorooshian, and X. Qing, 2019. A cloud-free modis snow cover dataset for the contiguous united states from 2000 to 2017, Scientific Data, 6(1): 1-13. https://doi.org/10.1038/sdata.2018.300

상세보기
Wang, C.X., S. Platnick, S.K. Meyer, Z.B. Zhang, and Y.P. Zhou, 2020; A machine-learning-based cloud detection and thermodynamic-phase classification algorithm using passive spectral observations, Atmospheric Measurement Techniques, 13: 2257-2277. https://doi.org/10.5194/amt-13-2257-2020

상세보기
Wang, X., M. Min, F. Wang, J. Guo, B. Li, and S. Tang, 2019. Intercomparisons of cloud mask products among fengyun-4a, himawari-8, and modis, IEEE Transactions on Geoscience and Remote Sensing, 57: 8827-8839. https://doi.org/10.1109/TGRS.2019.2923247

상세보기
Wei, J., W. Huang, Z. Li, L. Sun, X. Zhu, Q. Yuan, L. Liu, and M. Cribb, 2020. Cloud detection for landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches, Remote Sensing of Environment, 248: 112005. https://doi.org/10.1016/j.rse.2020.112005

상세보기
Xie, F., M. Shi, Z. Shi, J. Yin, and D. Zhao, 2017. Multilevel cloud detection in remote sensing images based on deep learning, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(8): 3631-3640. https://doi.org/10.1109/JSTARS.2017.2686488

상세보기
Zhang, C., X. Zhuge, and F. Yu, 2019. Development of a high spatiotemporal resolution cloud-type classification approach using Himawari-8 and CloudSat, International Journal of Remote Sensing, 40(16): 6464-6481. https://doi.org/10.1080/01431161.2019.1594438

상세보기
Zhang, W., S. Jin, L. Zhou, X. Xie, F. Wang, L. Jiang, Y. Zheng, P. Qu, G. Li, and X. Pan, 2022. Multi-feature embedded learning SVM for cloud detection in remote sensing images, Computers and Electrical Engineering, 102: 108177. https://doi.org/10.1016/j.compeleceng.2022.108177

상세보기
Zhang, Y., B. Guindon, and J. Cihlar, 2002. An image transform to characterize and compensate for spatial variations in thin cloud contamination of landsat images, Remote Sensing of Environment, 82: 173-187. https://doi.org/10.1016/j.compeleceng.2022.108177

상세보기
Zhu, Z. and C.E. Woodcock, 2012. Object-based cloud and cloud shadow detection in landsat imagery, Remote Sensing of Environment, 118: 83-94. https://doi.org/10.1016/j.rse.2011.10.028

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