[논문]Sentinel-1 SAR 영상과 AI 기법을 이용한 국내 중소규모 농업저수지의 수표면적 산출

최소연; 윤유정; 강종구; 박강현; 김근아; 이슬찬; 최민하; 정하규; 이양원

doi:10.7780/kjrs.2022.38.5.3.10

Sentinel-1 SAR 영상과 AI 기법을 이용한 국내 중소규모 농업저수지의 수표면적 산출
An Artificial Intelligence Approach to Waterbody Detection of the Agricultural Reservoirs in South Korea Using Sentinel-1 SAR Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.3, 2022년, pp.925 - 938

최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 박강현 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 김근아 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이슬찬 (성균관대학교 수자원학과) , 최민하 (성균관대학교 수자원학과) , 정하규 (국립재난안전연구원 재난정보연구실) , 이양원 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

농업용 저수지는 전국적으로 중요한 수자원으로 기후변화에 따른 가뭄과 같은 이상기후의 영향에 취약한 특성을 가지며 적절한 운영을 위해 강화된 관리가 필요하다. 지속적인 모니터링을 통한 수위 추적(water level tracking)이 필요하지만 현실적인 문제로 현장 실측 및 관측이 어려운 실정이다. 본 연구는 저수지 수표면적을 측정하기 위해 광역 모니터링이 가능한 위성레이더 자료를 이용하여 4가지 AI 모델 간의 수체 탐지 성능에 대해 객관적인 비교를 제시한다. 위성 레이더자료는 Sentinel-1 SAR 이미지를 사용하였으며, 광학영상과 달리 기상환경에 영향을 적게 받기 때문에 장기 모니터링에 적합하다. 드론 이미지, Sentinel-1 SAR 그리고 DSM 데이터를 사용하여 Support Vector Machine (SVM), Random Forest (RF), Artificial Neural Network (ANN), Automated Machine Learning (AutoML)의 4가지 AI 모델을 구축했다. 연구대상 저수지는 총 22개소로 유효저수량이 30만톤 미만의 중소형 저수지이다. 총 45개 이미지가 모델 훈련과 검증에 사용되었으며, 연구 결과 AutoML 모델이 Accuracy=0.92, mIoU=0.81로 다른 3가지 모델에 비해 수체 픽셀 분류에서 0.01-0.03 더 나은 것을 보여주었다. 해당 결과는 SAR 영상으로부터 AutoML을 이용한 중소형 저수지 대상의 수체 분류 기법이 기존의 머신러닝 기법만큼의 성능을 보이는 것을 보여주었고, 학습을 통한 수표면적 분류 기술의 저수지 모니터링에 대한 적용 가능성을 보여주었다.

Abstract ▼ AI-Helper

Agricultural reservoirs are an important water resource nationwide and vulnerable to abnormal climate effects such as drought caused by climate change. Therefore, it is required enhanced management for appropriate operation. Although water-level tracking is necessary through continuous monitoring, it is challenging to measure and observe on-site due to practical problems. This study presents an objective comparison between multiple AI models for water-body extraction using radar images that have the advantages of wide coverage, and frequent revisit time. The proposed methods in this study used Sentinel-1 Synthetic Aperture Radar (SAR) images, and unlike common methods of water extraction based on optical images, they are suitable for long-term monitoring because they are less affected by the weather conditions. We built four AI models such as Support Vector Machine (SVM), Random Forest (RF), Artificial Neural Network (ANN), and Automated Machine Learning (AutoML) using drone images, sentinel-1 SAR and DSM data. There are total of 22 reservoirs of less than 1 million tons for the study, including small and medium-sized reservoirs with an effective storage capacity of less than 300,000 tons. 45 images from 22 reservoirs were used for model training and verification, and the results show that the AutoML model was 0.01 to 0.03 better in the water Intersection over Union (IoU) than the other three models, with Accuracy=0.92 and mIoU=0.81 in a test. As the result, AutoML performed as well as the classical machine learning methods and it is expected that the applicability of the water-body extraction technique by AutoML to monitor reservoirs automatically.

주제어

표/그림 (10)

그림 Fig. 1. Study areas of (a) Location of study area and reservoirs, (b) Bonghwang, and (c) Drone Image.
그림 Fig. 2. Summary of the data used in this study. Input variables were the satellite data such as VV, VH polarization, Incidence Angle (IA), Digital Surface Models (DSM) and the in-situ observations from drone Images.
표 Table 1. Specifications of observed reservoirs (KRCC, 2021)
표 Table 2. Date used in this study
표 Table 2. Continued
그림 Fig. 3. An overview of AutoML pipeline covering with 4 sections (Data Preparation, Feature Engineering, Model generation and Model evaluation) (He et al., 2021).
표 Table 3. Hyperparameters and libraries used for the four AI models in this study
표 Table 4. Prediction results of four models (SVM, RF, ANN, and AutoML) across the six reservoirs
그림 Fig. 4. Confusion matrix of (a) SVM, (b) RF, (c) ANN, and (d) AutoML.
그림 Fig. 5. Comparison of water-body extraction results for 4 models at each of the 6 test sites.

AI 본문요약
AI-Helper

문제 정의

따라서, 본 연구에서는 기상현상에 비교적 영향을 적게 받는 SAR 영상을 활용해 국내 22개 중소규모 저수지를 대상으로 4가지의 수체 탐지 모델을 제안하며, 다중 AI의 성능을 객관적으로 비교하고 저수지별 AI 모델에 따른 정확도 특성을 살펴보고자 한다. 저수면적을 판단하기 위해서 Sentinel-1의 SAR 후방산란계수 및 지표면 고도자료를 입력 자료로 설정하였으며, 사용된 AI모델은 Support Vector Machine (SVM), Random Forest (RF)와 같은 머신러닝 모델과 Artificial Neural Network (ANN) 신경망 모델, 그리고 Automated Machine Learning (AutoML)을 포함한다.

제안 방법

SAR 위성영상은 주간 및 야간, 그리고 악천후에서도 사용할 수 있다는 장점을 가지고 있으며, 본 연구에서는 AI 모델별 Sentinel-1의 C밴드 SAR 영상을 이용하여 저수지 수체 탐지 알고리즘 성능간 객관적인 비교를 제시하였다. 사용된 AI 모델은 SVM, RF, ANN과 AutoML로 초매개변수 설정을 통해 분류 문제에 대해 최적의 모델을 구현하고 실측 자료를 통해 그 결과를 평가하였다.
실제 위성 영상이 촬영하는 날짜 혹은 1~2일 간격으로 드론 촬영을 실시하였다. 정사영상으로 제작된 연구대상 저수지의 현장관측 영상을 Senitnel-1의 해상도(10 m)와 동일하게 맞추기 위해 재투영 과정과 10 m 해상도 리샘플링 과정을 거쳐 화소형태의 GeoTiff 파일을 생성하였고 실측 수표면적 데이터셋을 구축하였다.

대상 데이터

4는 본 연구에 사용된 4가지 모델로부터 학습을 통해 생성된 최적의 알고리즘으로부터 수체 탐지 결과에 대한 혼동행렬을 보여준다. 검증에 사용된 데이터는 총 45개 저수지 영상 중 6개 저수지(BH, CR, DD, DG, DI, ER)가 랜덤하게 선택되었다. 모델 정확도는 SVM, RF, ANN 그리고 AutoML 순으로 0.
사용된 AI 모델은 SVM, RF, ANN과 AutoML로 초매개변수 설정을 통해 분류 문제에 대해 최적의 모델을 구현하고 실측 자료를 통해 그 결과를 평가하였다. 연구지역 저수지는 총 22곳으로 공사 관리 저수지와 미계측 저수지를 포함하며, 유효저수량이 30만 톤 미만의 중소규모 농업용 저수지에 해당한다. 각 모델의 상관관계는 0.
따라서, 본 연구에서는 기상현상에 비교적 영향을 적게 받는 SAR 영상을 활용해 국내 22개 중소규모 저수지를 대상으로 4가지의 수체 탐지 모델을 제안하며, 다중 AI의 성능을 객관적으로 비교하고 저수지별 AI 모델에 따른 정확도 특성을 살펴보고자 한다. 저수면적을 판단하기 위해서 Sentinel-1의 SAR 후방산란계수 및 지표면 고도자료를 입력 자료로 설정하였으며, 사용된 AI모델은 Support Vector Machine (SVM), Random Forest (RF)와 같은 머신러닝 모델과 Artificial Neural Network (ANN) 신경망 모델, 그리고 Automated Machine Learning (AutoML)을 포함한다. 해당 모델의 정확도 및 성능평가를 위해서 위성 촬영 날짜와 근접한 항공위성 자료를 실측 자료로 사용하였으며 이를 통해 인공지능을 이용하여 저수지수표면적 분석 정확도 개선 및 모니터링 기술 기반 구축에 적용할 수 있는 가능성을 확인하고자 한다.
저수지당 Sentinle-1의 VV, VH 후방산란계수와 DSM의 지형정보자료를 픽셀별로 제작하였고 총 22개 저수지에 대한 45개의 영상을 랜덤하게 8:2 비율로 훈련과 검증용 2개 그룹으로 나누었으며, 수체 10,615 픽셀과 비수체 30,823 픽셀, 총 41,438 픽셀이 모델 훈련에 사용되었으며, 수체 1,804 픽셀과 비수체 4,624픽셀의 총 6,428 픽셀이 모델 검증에 사용되었다.

데이터처리

SAR 위성영상은 주간 및 야간, 그리고 악천후에서도 사용할 수 있다는 장점을 가지고 있으며, 본 연구에서는 AI 모델별 Sentinel-1의 C밴드 SAR 영상을 이용하여 저수지 수체 탐지 알고리즘 성능간 객관적인 비교를 제시하였다. 사용된 AI 모델은 SVM, RF, ANN과 AutoML로 초매개변수 설정을 통해 분류 문제에 대해 최적의 모델을 구현하고 실측 자료를 통해 그 결과를 평가하였다. 연구지역 저수지는 총 22곳으로 공사 관리 저수지와 미계측 저수지를 포함하며, 유효저수량이 30만 톤 미만의 중소규모 농업용 저수지에 해당한다.

후속연구

Senitnel-1은 10 m 해상도를 가지며 무료로 데이터를 접근할 수 있다는 장점이 있지만, 중소규모 저수지를 탐지하기에는 부족하였다. 이와 관련해서 다른 위성영상을 사용하는 추가적인 방안이 고려될 수 있는데, 주파수가 다른 SAR 영상을 같이 사용하는 방법 및 광학 영상과 융합하는 기술 등을 적용할 수 있을 것으로 본다. 그 외에도 학습을 통한 수표면 분류의 정확도를 향상시키기 위해서 충분한 양의 레이블 영상의 확보가 필요할 것으로 보인다.
저수면적을 판단하기 위해서 Sentinel-1의 SAR 후방산란계수 및 지표면 고도자료를 입력 자료로 설정하였으며, 사용된 AI모델은 Support Vector Machine (SVM), Random Forest (RF)와 같은 머신러닝 모델과 Artificial Neural Network (ANN) 신경망 모델, 그리고 Automated Machine Learning (AutoML)을 포함한다. 해당 모델의 정확도 및 성능평가를 위해서 위성 촬영 날짜와 근접한 항공위성 자료를 실측 자료로 사용하였으며 이를 통해 인공지능을 이용하여 저수지수표면적 분석 정확도 개선 및 모니터링 기술 기반 구축에 적용할 수 있는 가능성을 확인하고자 한다.
, 2018;Merchant, 2020). 향후 딥러닝 기반의 영상 인식 모델을 구축한 후 동일한 데이터셋을 사용하여 탐지 및 평가할 예정이다. 이를 통해 저수지 수체 탐지 정확도가 향상될 것으로 사료된다.

참고문헌 (34)

Bai, T., D. Li, K. Sun, Y. Chen, and W. Li, 2016. Cloud detection for high-resolution satellite imagery using machine learning and multi-feature fusion, Remote Sensing, 8(9): 715. https://doi.org/10.3390/rs8090715

상세보기
Byun, H.R., 2009. Comparative analysis of the drought diagnosis and related systems, Journal of the Korean Society of Hazard Mitigation, 9: 7-18.
Chen, Z. and S. Zhao, 2022. Automatic monitoring of surface water dynamics using Sentinel-1 and Sentinel-2 data with Google Earth Engine, International Journal of Applied Earth Observation and Geoinformation, 113: 103010. https://doi.org/10.1016/j.jag.2022.103010

상세보기
Duan, S., 2022. AutoML-Based Drought Forecast with Meteorological Variables, arXiv preprint arXiv: 2207.07012. https://doi.org/10.48550/arXiv.2207.07012
Filipponi, F., 2019. Sentinel-1 GRD preprocessing workflow. Proceedings, 18(1): 11. https://doi.org/10.3390/ECRS-3-06201

상세보기
Geudtner, D., R. Torres, P. Snoeij, M. Davidson, and B. Rommen, 2014. Sentinel-1 system capabilities and applications, Proc. of 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, QC, Jul. 13-18, pp. 1457-1460. https://doi.org/10.1109/IGARSS.2014.6946711
Giustarini, L., R. Hostache, P. Matgen, G.J. Schumann, P.D. Bates, and D.C. Mason, 2013. A change detection approach to flood mapping in urban areas using TerraSAR-X, IEEE Transactions on Geoscience and Remote Sensing, 51: 2417-2430. https://doi.org/10.1109/TGRS.2012.2210901

상세보기
He, X., K. Zhao, and X. Chu, 2021. AutoML: A survey of the state-of-the-art, Knowledge-Based Systems, 212: 106622. https://doi.org/10.1016/j.knosys.2020.106622

상세보기
Helfer, F., C. Lemckert, and H. Zhang, 2012. Impacts of climate change on temperature and evaporation from a large reservoir in Australia, Journal of Hydrology, 475: 365-378. https://doi.org/10.1016/j.jhydrol.2012.10.008

상세보기
Jang, M.W., H.J. Lee, L.H. Kim, and S.Y. Hong, 2011. Applicability of satellite SAR imagery for estimating reservoir storage, Journal of the Korean Society of Agricultural Engineers, 53(6): 7-16. https://doi.org/10.5389/KSAE.2011.53.6.007

원문보기 상세보기
Jeon, E.I., S.H. Kim, B.S. Kim, K.H. Park, and O.I. Choi, 2020. Semantic segmentation of drone imagery using deep learning for seagrass habitat monitoring, Korean Journal of Remote Sensing, 36(2-1): 199-215. https://doi.org/10.7780/kjrs.2020.36.2.1.8

원문보기 상세보기
Jeon, H., D.J. Kim, J. Kim, S.K.P. Vadivel, J. Kim, T. Kim, and S. Jeong, 2020. Selection of optimal band combination for machine learning-based water body extraction using SAR satellite images, Journal of the Korean Association of Geographic Information Studies, 23(3): 120-131. https://doi.org/10.11108/kagis.2020.23.3.120

원문보기 상세보기
Jeong, J.H., S.C. Oh, S.C. Lee, J.Y. Kim, and M.H. Choi, 2021. Sentinel-1 SAR image-based waterbody detection technique for estimating the water storage in agricultural reservoirs, Journal of Korea Water Resources Association, 54(7): 535-544. https://doi.org/10.3741/JKWRA.2021.54.7.535

원문보기 상세보기
Jin, H., Q. Song, and X. Hu, 2019. Auto-Keras: An efficient neural architecture search system, Proc. of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Anchorage, AK, Aug. 4-8, pp. 1946-1956.
Kang, J., G. Kim, Y. Jeong, S. Kim, Y. Youn, S. Cho, and Y. Lee, 2021. U-Net cloud detection for the SPARCS cloud dataset from Landsat 8 images, Korean Journal of Remote Sensing, 37(5-1): 1149-1161. https://doi.org/10.7780/kjrs.2021.37.5.1.25

원문보기 상세보기
Kim, W.Y., J.H. Jeong, and M.H. Choi, 2022. Evaluation of reservoir monitoring-based hydrological drought index using Sentinel-1 SAR waterbody detection technique, Korean Journal of Remote Sensing, 38(2): 153-166. https://doi.org/10.7780/kjrs.2022.38.2.2

원문보기 상세보기
KRCC (Korea Rural Community Corporation), 2021. Agricultural infrastructure facility specifications Certificate, https://www.data.go.kr/data/15044342/fileData.do, Accessed on Jan. 10, 2022.
Lee, D., E.J. Cheon, H. Yun, and M.H. Lee, 2019. A study on water surface detection algorithm using Sentinel-1 satellite imagery, Korean Journal of Remote Sensing, 35(5-2): 809-818. https://doi.org/10.7780/kjrs.2019.35.5.2.5

원문보기 상세보기
Lee, J.H., J.W. Seo, and C.J. Kim, 2012. Analysis on trends, periodicities and frequencies of Korean drought using drought indices, Journal of Korea Water Resources Association, 45(1): 75-89. https://doi.org/10.3741/JKWRA.2012.45.1.75

원문보기 상세보기
Lee, J.H., S.Y. Park, M.G. Kim, and I.M. Chung, 2021. Hydrological drought analysis and monitoring using multiple drought indices: The case of Mulrocheon watershed, KSCE Journal of Civil and Environmental Engineering Research, 41(5): 477-484. https://doi.org/10.12652/Ksce.2021.41.5.0477

원문보기 상세보기
Li, M., L. Hong, J. Guo, and A. Zhu, 2021. Automated extraction of lake water bodies in complex geographical environments by fusing Sentinel1/2 data, Water, 14(1): 30. https://doi.org/10.3390/w14010030

상세보기
Liashchynskyi, P. and P. Liashchynskyi, 2019. Grid search, random search, genetic algorithm: a big comparison for NAS, arXiv preprint arXiv:1912.06059. https://arxiv.org/abs/1912.06059
Lin, Y.N., S.H. Yun, A. Bhardwaj, and E.M. Hill, 2019. Urban flood detection with Sentinel-1 multitemporal synthetic aperture radar (SAR) observations in a Bayesian framework: A case study for Hurricane Matthew, Remote Sensing, 11(15): 1778. https://doi.org/10.3390/rs11151778

상세보기
Mariana, B. and D. Lucian, 2016. Random forest in remote sensing: A review of applications and future directions, ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

상세보기
Mas, J.F. and J.J. Flores, 2008. The application of artificial neural networks to the analysis of remotely sensed data, International Journal of Remote Sensing, 29(3): 617-663. https://doi.org/10.1080/01431160701352154

상세보기
Mountrakis, G., J. Im, and C. Ogole, 2011. Support vector machines in remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 66(3): 247-259. https://doi.org/10.1016/j.isprsjprs.2010.11.001

상세보기
Mullissa, A., A. Vollrath, C. Odongo-Braun, B. Slagter, J. Balling, Y. Gou, and J. Reiche, 2021. Sentinel-1 SAR backscatter analysis ready data preparation in Google Earth Engine, Remote Sensing, 13(10):1954. https://doi.org/10.3390/rs13101954

상세보기
Nam, W.H., E.M. Hong, and J.Y. Choi, 2014. Uncertainty of water supply in agricultural reservoirs considering the climate change, Journal of the Korean Society of Agricultural Engineers, 56(2): 11-23. https://doi.org/10.5389/KSAE.2014.56.2.011

원문보기 상세보기
Pal, M., 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1): 217-222. https://doi.org/10.1080/01431160412331269698

상세보기
Paper, D., 2020. Scikit-Learn Classifier Tuning from Simple Training Sets, In: Hands-on Scikit-Learn for Machine Learning Applications, Apress, Berkeley, CA, USA, pp. 137-163. https://doi.org/10.1007/978-1-4842-5373-1_5
Puttinaovarat, S., K. Khaimook, W. Polnigongit, and P. Horkaew, 2015. Robust water body extraction from Landsat imagery by using gradual assignment of water index and DSM, Proc. of 2015 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), Kuala Lumpur, Malaysia, Oct. 19-21, pp. 122-126. https://doi.org/10.1109/ICSIPA.2015.7412175
Seo, M.J., D.K. Kim, W. Ahmad, and J.H. Cha, 2018. Estimation of stream flow discharge using the satellite synthetic aperture radar images at the mid to small size streams, Journal of Korea Water Resources Association, 51(12): 1181-1194. https://doi.org/10.3741/JKWRA.2018.51.12.1181

원문보기 상세보기
Shin, E.C. and J.K. Lee, 2012. Safety management improving way of small agricultural reservoir, Journal of the Korean Geosynthetics Society, 11(3): 53-58. https://doi.org/10.12814/jkgss.2012.11.3.053

원문보기 상세보기
Sun, S., Z. Cao, H. Zhu, and J. Zhao, 2019. A survey of optimization methods from a machine learning perspective, IEEE Transactions on Cybernetics, 50(8): 3668-3681. https://doi.org/10.1109/TCYB.2019.2950779

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