[논문]영역-점 회귀 크리깅 기반 다중센서 위성영상의 공간-분광 융합: 고해상도 적색 경계 및 단파 적외선 밴드 생성 실험

박소연; 강솔아; 박노욱

doi:10.7780/kjrs.2022.38.5.1.7

영역-점 회귀 크리깅 기반 다중센서 위성영상의 공간-분광 융합: 고해상도 적색 경계 및 단파 적외선 밴드 생성 실험
Spatio-spectral Fusion of Multi-sensor Satellite Images Based on Area-to-point Regression Kriging: An Experiment on the Generation of High Spatial Resolution Red-edge and Short-wave Infrared Bands 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.1, 2022년, pp.523 - 533

박소연 (인하대학교 공간정보공학과) , 강솔아 (인하대학교 공간정보공학과) , 박노욱 (인하대학교 공간정보공학과)

초록
AI-Helper

이 논문에서는 상호보완적인 공간 및 분광해상도를 가진 다중센서 위성영상을 이용하여 공간해상도와 분광해상도를 향상시키기 위해 영역-점 회귀 크리깅(area-to-point regression kriging, ATPRK) 기반의 2단계 spatio-spectral fusion method (2SSFM)을 제안하였다. 2SSFM은 ATPRK와 random forest 회귀 모형을 결합하여 다중센서 위성영상에서 높은 공간해상도를 갖는 분광 밴드를 예측한다. 첫 번째 단계에서는 다중센서 위성영상 사이의 공간해상도 차이를 감소시키기 위해 ATPRK 기반 공간 상세화를 수행한다. 두 번째 단계에서는 다중센서 위성영상 사이의 분광 밴드의 관계성을 정량화하기 위해 random forest를 이용한 회귀 모델링을 적용하였다. 2SSFM의 예측 성능은 적색 경계와 단파 적외선 밴드를 생성하는 사례 연구를 통해 평가하였다. 사례 연구에서 2SSFM은 실제 분광 밴드와 유사한 분광패턴을 보이면서 공간해상도가 향상된 적색 경계와 단파 적외선 밴드를 생성할 수 있었으며, 2SSFM가 고해상도 위성영상에서 제공하지 않은 분광 밴드 생성에 유용함을 확인할 수 있었다. 따라서 2SSFM을 통해 실제로 획득 불가능하지만 환경 모니터링에 효과적인 분광 밴드를 예측함으로써 다양한 분광 지수를 생성할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

This paper presents a two-stage spatio-spectral fusion method (2SSFM) based on area-to-point regression kriging (ATPRK) to enhance spatial and spectral resolutions using multi-sensor satellite images with complementary spatial and spectral resolutions. 2SSFM combines ATPRK and random forest regression to predict spectral bands at high spatial resolution from multi-sensor satellite images. In the first stage, ATPRK-based spatial down scaling is performed to reduce the differences in spatial resolution between multi-sensor satellite images. In the second stage, regression modeling using random forest is then applied to quantify the relationship of spectral bands between multi-sensor satellite images. The prediction performance of 2SSFM was evaluated through a case study of the generation of red-edge and short-wave infrared bands. The red-edge and short-wave infrared bands of PlanetScope images were predicted from Sentinel-2 images using 2SSFM. From the case study, 2SSFM could generate red-edge and short-wave infrared bands with improved spatial resolution and similar spectral patterns to the actual spectral bands, which confirms the feasibility of 2SSFM for the generation of spectral bands not provided in high spatial resolution satellite images. Thus, 2SSFM can be applied to generate various spectral indices using the predicted spectral bands that are actually unavailable but effective for environmental monitoring.

주제어

표/그림 (8)

그림 Fig. 1. Location of the study area with the PlanetScope true color composite imagery acquired on April 4, 2022.
그림 Fig. 2. Workflow of the two-stage of spatio-spectral fusion method (2SSFM). Dark boxes represent the major two stages employed in this study.
표 Table 1. Summary of Sentinel-2 and PlanetScope images used in this study
그림 Fig. 3. Prediction results of two stages of 2SSFM and original Sentinel-2 SWIR band at the prediction date. The black box shown in the full image is enlarged for comparison purposes.
그림 Fig. 4. Prediction results per individual stages of 2SSFM with actual Sentinel-2 and PlanetScope red-edge images at the prediction date. The black two boxes (A and B) shown in the full image are enlarged in the second and third rows, respectively.
표 Table 2. Accuracy statistics for predicting the red-edge band (the best case is underlined)
그림 Fig. 5. Scatter-density plots of predicted versus true values for ATPRK and 2SSFM.
그림 Fig. 6. Color composite prediction results with actual Sentinel-2 and PlanetScope images at the prediction date. The two black boxes (A and B) shown in the full image are enlarged in the second and third rows, respectively. All color composite images are displayed with NIR-red-edge-green as RGB.

AI 본문요약
AI-Helper

문제 정의

이 연구에서는 공간 및 분광해상도 향상을 위해 고해상도 다중센서 위성영상을 이용하는 새로운 공간-분광 융합 방법을 제안하였다. 제안된 2단계 spatio-spectral fusion method (2SSFM)은 공간해상도 향상을 위한 ATPRK와 분광해상도 향상을 위한 기계학습 기반의 회귀 모형을 순차적으로 적용한다.

가설 설정

적색 경계 밴드의 경우, PlanetScope 영상의 적색 경계 밴드를 참값으로 간주하고 적색 경계 밴드가 없다는 가정 하에 PlanetScope-like 밴드 값과의 비교를 통해 오차를 계산하였다. 이 때, Sentinel-2 영상과 PlanetScope 영상에서 하루 정도의 시기 차이는 분광 반사율의 변화가 거의 없고 동일한 조건에서 획득된 영상으로 가정하였다. 단파 적외선 밴드의 경우, 2.
2SSFM으로부터생성된적색경계밴드와단파적외선 밴드의 정량적인 평가는 서로 다른 기준을 적용하였다. 적색 경계 밴드의 경우, PlanetScope 영상의 적색 경계 밴드를 참값으로 간주하고 적색 경계 밴드가 없다는 가정 하에 PlanetScope-like 밴드 값과의 비교를 통해 오차를 계산하였다. 이 때, Sentinel-2 영상과 PlanetScope 영상에서 하루 정도의 시기 차이는 분광 반사율의 변화가 거의 없고 동일한 조건에서 획득된 영상으로 가정하였다.

제안 방법

제안된 2단계 spatio-spectral fusion method (2SSFM)은 공간해상도 향상을 위한 ATPRK와 분광해상도 향상을 위한 기계학습 기반의 회귀 모형을 순차적으로 적용한다. 2SSFM의 예측 성능 평가를 위해 고해상도 분광특성을 고려한 절차가 없는 기존 공간상세화 기법인 ATPRK와 비교하였으며, 정량 및 정성적 분석을 위해 고해상도 적색 경계 및 단파 적외선 밴드를 생성하는 공간-분광 융합 실험을 수행하였다. 국내 소규모 필지로 구성된 작물 주산지에서 촬영된 Sentinel-2 영상과 PlanetScope 영상을 이용하는 사례 연구를 수행하였다.
2SSFM의 예측 성능 평가를 위해 적색 경계와 단파 적외선 밴드가 없는 고해상도 영상을 고려하여 두 밴드를 생성하는 실험을 수행하였다. 실험 결과, 2SSFM의 첫 번째 단계인 ATPRK을 적용한 공 간상세화 과정을 통해 저해상도 영상의 특성이 유지되면서 공간해상도가 향상된 결과를 생성할 수 있었다.
국내 소규모 필지로 구성된 작물 주산지에서 촬영된 Sentinel-2 영상과 PlanetScope 영상을 이용하는 사례 연구를 수행하였다. 사례 연구 결과를 바탕으로 공간-분광 융합에서 각 방법의 예측 성능을 평가하고 제안점을 제시하였다.
5 m인 PlanetScope 가시광선 및 근적외선 밴드와의 분광학적 관계성을 정량화하여 PlanetScope 영상의 적색 경계 혹은 단파 적외선 밴드를 예측한다. 이 때, 회귀 모델링 과정에서 두 입력 자료의 공간해상도를 맞춰주기 위해 2SSFM의 1단계에서는 Sentinel-2 영상의 가시광선 및 근적외선 밴드를 20 m로, 2단계에서는 PlanetScope 영상을 10 m로 업스케일링하여 저해상도에서 다중센서 위성영상 간 관계성을 추정한다. 업스케일링에는 저해상도 화소 안에 포함되는 고해상도 화소들의 평균값을 이용하였다.
이 연구에서 제안한 2SSFM은 입력 자료 간 공간해상도 차이에 따른 영향을 감소시키기 위해 공간해상도 향상 과정을 두 단계로 나누어 적용하는 방식을 고려하였다(Fig. 2).
이 연구에서는 공간해상도 20 m인 Sentinel-2 적색 경계 혹은 단파 적외선 밴드를 10 m로 공간해상도를 향상시킨 후, 공간해상도 2.5 m인 PlanetScope 가시광선 및 근적외선 밴드와의 분광학적 관계성을 정량화하여 PlanetScope 영상의 적색 경계 혹은 단파 적외선 밴드를 예측한다. 이 때, 회귀 모델링 과정에서 두 입력 자료의 공간해상도를 맞춰주기 위해 2SSFM의 1단계에서는 Sentinel-2 영상의 가시광선 및 근적외선 밴드를 20 m로, 2단계에서는 PlanetScope 영상을 10 m로 업스케일링하여 저해상도에서 다중센서 위성영상 간 관계성을 추정한다.
이 연구에서는 분광해상도가 높은 저해상도 영상과 분광해상도가 낮은 고해상도 영상을 융합하여 기존 고해상도 영상에는 없는 분광 밴드를 생성하는 공간-분광 융합 방법으로 2SSFM을 제안하였다. 2SSFM은 공간 상세화 기법인 ATPRK와 회귀 모델링을 두 단계로 결합한 방법으로, 다중센서 위성영상 사이의 공간해상도 차이에 따른 영향을 감소시키기 위해 저해상도 영상에 대하여 ATPRK를 적용하여 공간해상도를 향상시킨 후 기계학습 기반의 RF 회귀 모형을 이용하여 고해상도 영상의 분광 밴드를 생성할 수 있다.
이 연구에서는 공간 및 분광해상도 향상을 위해 고해상도 다중센서 위성영상을 이용하는 새로운 공간-분광 융합 방법을 제안하였다. 제안된 2단계 spatio-spectral fusion method (2SSFM)은 공간해상도 향상을 위한 ATPRK와 분광해상도 향상을 위한 기계학습 기반의 회귀 모형을 순차적으로 적용한다. 2SSFM의 예측 성능 평가를 위해 고해상도 분광특성을 고려한 절차가 없는 기존 공간상세화 기법인 ATPRK와 비교하였으며, 정량 및 정성적 분석을 위해 고해상도 적색 경계 및 단파 적외선 밴드를 생성하는 공간-분광 융합 실험을 수행하였다.

대상 데이터

3은 2SSFM의 두 단계로부터 각각 생성된 단파 적외선 밴드 생성 결과를 시각적으로 보여주고 있다. 2SSFM의 1단계 적용 결과는 공간해상도 20 m의 Sentinel-2 단파 적외선 밴드를 10 m의 가시광선 및 근적외선 밴드를 부가자료로 이용하여 ATPRK를 적용한 것이다. 호수의 대략적인 형태가 나타나고, 원 자료에서 밀집되어 있는 밭 필지들이 흐릿하게 보이는 현상이 감소한 것을 볼 수 있다.
5 m에서 이용 가능한 참값이 없기 때문에 2SSFM을 통해 생성된 자료에 대해 시각적 평가를 수행하였다. 5개 영상 획득 시기 중에서 연구 지역 내 작물의 식생 활력도가 가장 높은 4월 4일은 예측 결과에 대한 시각적인 변화가 두드러지기 때문에 주요 예측 시기로 선정하여 분석에 이용하였다.
2SSFM의 예측 성능 평가를 위해 고해상도 분광특성을 고려한 절차가 없는 기존 공간상세화 기법인 ATPRK와 비교하였으며, 정량 및 정성적 분석을 위해 고해상도 적색 경계 및 단파 적외선 밴드를 생성하는 공간-분광 융합 실험을 수행하였다. 국내 소규모 필지로 구성된 작물 주산지에서 촬영된 Sentinel-2 영상과 PlanetScope 영상을 이용하는 사례 연구를 수행하였다. 사례 연구 결과를 바탕으로 공간-분광 융합에서 각 방법의 예측 성능을 평가하고 제안점을 제시하였다.
그리고 대규모 영역을 포함하는 산림 지역과는 다르게 국내 농경지는 소규모 필지에서 작물을 재배하기 때문에 고해상도 위성영상을 사용하는 것이 적합하다. 따라서 이 연구에서는 이를 고려하여 마늘과 양파 주산지인 경상남도 합천군 초계면 일부 지역을 고해상도 다중센서 위성영상을 이용한 공간-분광 융합 사례 연구 지역으로 선정하였다(Fig. 1).
2SSFM의 두 단계의 필요성을 평가하기 위해 단계별 성능 분석을 수행하였는데, 1단계와 2단계 결과의 공간 해상도가 다르고 1단계 결과에 대한 참값이 없기 때문에 시각적 평가만 수행하였다. 또한 기존 공간상세화 방법의 공간-분광 융합에서의 적용성을 평가하기 위해, 공간해상도 20 m인 Sentinel-2 영상의 적색 경계 밴드와 공간해상도 2.5 m PlanetScope 영상의 가시광선 및 근적외선 밴드를 입력으로 사용하여 ATPRK를한번 적용하는 경우를 비교 대상으로 고려하였다.
이 과정은 일반적인 회귀 분석과 유사하지만, 저해상도 영상에서 개별 밴드 간 상이한 공간해상도와 저해상도 영상과 고해상도 영상 간 상이한 공간해상도를 모두 고려해야 한다. 사례 연구에서 사용된 영상을 예로 들면, Sentinel-2 영상의 경우 가시광선 및 근적외선 밴드는 공간해상도가 10 m인 반면 적색 경계 및 단파 적외선 밴드는 20 m로 동일한 위성영상 내 분광 밴드 별 공간해상도가 상이하다. 또한 공간해상도 2.
2). 첫 번째 단계에서는 저해상도 영상에서 공간해상도가 낮은 분광 밴드를 대상으로 공간해상도가 높은 분광 밴드를 부가자료로 사용하여 ATPRK를 적용한다. 첫 번째 단계의 예측 결과로 공간해상도가 향상된 저해상도 분광 밴드가 생성되며, 두 번째 단계에서 고해상도 영상의 분광 밴드와 회귀 모델링의 적용을 통해 고해상도 영상에 없는 분광 밴드를 최종적으로 생성한다.

데이터처리

2SSFM의 두 단계의 필요성을 평가하기 위해 단계별 성능 분석을 수행하였는데, 1단계와 2단계 결과의 공간 해상도가 다르고 1단계 결과에 대한 참값이 없기 때문에 시각적 평가만 수행하였다. 또한 기존 공간상세화 방법의 공간-분광 융합에서의 적용성을 평가하기 위해, 공간해상도 20 m인 Sentinel-2 영상의 적색 경계 밴드와 공간해상도 2.
이 때, Sentinel-2 영상과 PlanetScope 영상에서 하루 정도의 시기 차이는 분광 반사율의 변화가 거의 없고 동일한 조건에서 획득된 영상으로 가정하였다. 단파 적외선 밴드의 경우, 2.5 m에서 이용 가능한 참값이 없기 때문에 2SSFM을 통해 생성된 자료에 대해 시각적 평가를 수행하였다. 5개 영상 획득 시기 중에서 연구 지역 내 작물의 식생 활력도가 가장 높은 4월 4일은 예측 결과에 대한 시각적인 변화가 두드러지기 때문에 주요 예측 시기로 선정하여 분석에 이용하였다.
이 때, 회귀 모델링 과정에서 두 입력 자료의 공간해상도를 맞춰주기 위해 2SSFM의 1단계에서는 Sentinel-2 영상의 가시광선 및 근적외선 밴드를 20 m로, 2단계에서는 PlanetScope 영상을 10 m로 업스케일링하여 저해상도에서 다중센서 위성영상 간 관계성을 추정한다. 업스케일링에는 저해상도 화소 안에 포함되는 고해상도 화소들의 평균값을 이용하였다.

성능/효과

2SSFM은 ATPRK를 이용한 결과에서 나타난 block artifacts를 두 단계 분석 절차의 적용으로 완화할 수 있었다. Fig.
이러한 정량적 비교 결과는 다중센서 위성영상을 이용할 때 서로 다른 분광패턴을 잘 반영하기 위해서는 ATPRK보다 회귀 모델링을 추가로 적용하는 2SSFM이 더 적합함을 나타낸다. 2SSFM의 1단계와 같이 동일한 센서 영상의 공간해상도를 향상시키기 위해서는 ATPRK를 사용하는 것이 적합하지만, 서로 다른 센서로 촬영되어 분광 특성이 상이한 두 영상 간의 관계를 정량화하는 데에는 회귀모델링이 적합하다.
2 이상)에서 2SSFM의 예측 성능이 두드러졌다. 2SSFM이 실제 PlanetScope 영상의 분광패턴과 유사하고 입력 자료 간 공간해상도 차이를 감소시켜 높은 구조적인 유사도를 보였다. ATPRK의 낮은 예측 성능은 ATPRK가 입력 자료인 저해상도 영상 특성을 예측 결과에 반영하는 잔차 보정의 영향으로 인해 상대적으로 PlanetScope 영상이 아닌 Sentinel-2 영상의 분광 특성에 맞춰 예측을 한 것에 기인한 것으로 판단된다.
경향 성분으로 전체 영상 변동성의 95% 이상을 설명할 수 있기 때문에 잔차 보정의 영향이 예측 결과에 크게 작용하지 않을 수 있다. 2단계 결과는 타 위성센서로부터 획득된 고해상도 분광 밴드를 부가자료로 이용하여 RF 회귀 모형을 적용한 것인데, 도로나 필지 사이 경계가 뚜렷하게 나타난다. 다중센서 위성영상을 이용한 RF 회귀 모형의 결정계수는 94.
Fig. 4와 6의 B 지역에 나타나는 Sentinel-2 영상의 분광패턴을 따르는 2SSFM의 1단계 결과와 ATPRK 결과와는 다르게, 2번째 단계인 회귀 모델링을 통해 2SSFM의 결과가 PlanetScope 영상의 분광패턴을 반영하고 있음을 확인할 수 있다. 그러나 회귀 모델링은 두 영상의 가시광선 및 근적외선 밴드에서의 관계성만을 이용하기 때문에 2SSFM의 결과에서 PlanetScope 영상의 적색 경계 밴드에 대한 정보를 충분히 반영하지 못한 부분들이 여전히 남아 있다.
호수의 대략적인 형태가 나타나고, 원 자료에서 밀집되어 있는 밭 필지들이 흐릿하게 보이는 현상이 감소한 것을 볼 수 있다. ATPRK의 경향 성분 추정 시 RF 회귀 모형의 결정계수는 95.9%로 매우 높은 설명능력을 가졌다. 경향 성분으로 전체 영상 변동성의 95% 이상을 설명할 수 있기 때문에 잔차 보정의 영향이 예측 결과에 크게 작용하지 않을 수 있다.
이는 적색 경계 밴드가 상대적으로 단파 적외선 밴드에 비해 가시광선 및 근적외선 밴드와 파장 영역과 가깝고 유사한 분광 특성을 보이기 때문인 것으로 판단된다. B 지역과 같이 공간해상도 향상 효과만이 반영된 2SSFM의 1단계 결과는 Sentinel-2 영상에 나타나는 분광패턴을 그대로 따르는 반면, 2단계 결과에서는 이러한 양상이 없어지고 PlanetScope 영상과 유사하게 나타났다.
개별 방법론의 차이는 적색 경계 밴드의 예측 결과와 원 PlanetScope 영상의 녹색-적색 경계-근적외선 밴드의 컬러 합성 영상에서 두드러진다(Fig. 6).
적색 경계 및 단파 적외선 밴드가 많이 활용될 수 있는 분야는 작물의 분광학적인 변화 혹은 수분 함량 등에 대한 세부적인 식생 모니터링이 필요한 농경지나 산림 지역이다. 그리고 대규모 영역을 포함하는 산림 지역과는 다르게 국내 농경지는 소규모 필지에서 작물을 재배하기 때문에 고해상도 위성영상을 사용하는 것이 적합하다. 따라서 이 연구에서는 이를 고려하여 마늘과 양파 주산지인 경상남도 합천군 초계면 일부 지역을 고해상도 다중센서 위성영상을 이용한 공간-분광 융합 사례 연구 지역으로 선정하였다(Fig.
2단계 결과는 타 위성센서로부터 획득된 고해상도 분광 밴드를 부가자료로 이용하여 RF 회귀 모형을 적용한 것인데, 도로나 필지 사이 경계가 뚜렷하게 나타난다. 다중센서 위성영상을 이용한 RF 회귀 모형의 결정계수는 94.5%로 동일한 위성영상을 사용한 1단계에 비해 낮지만 여전히 매우 높은 설명 능력을 보였다.
6). 두 방법 모두 공간해상도 향상 효과가 나타났지만, ATPRK로 예측한 결과에서는 일부 필지에서 적색 경계 밴드의 값이 높게 예측되어 연두색으로 밝게 나타나는 부분이 있다. 이는 원 Sentinel-2 영상에서 높은 값으로 나타나는 부분의 영향이 그대로 예측 결과에 반영되었기 때문이다.
5에 나타나는 과추정된 값들의 영향인 것으로 판단된다. 또한 B 지역에서는 2SSFM이 PlanetScope 영상에 나타나는 일부 필지에서의 높은 반사율 값을 더 잘 반영하고 있음을 확인할 수 있다.
실험 결과, 2SSFM의 첫 번째 단계인 ATPRK을 적용한 공 간상세화 과정을 통해 저해상도 영상의 특성이 유지되면서 공간해상도가 향상된 결과를 생성할 수 있었다. 또한 다중센서 위성영상 간 분광학적인 관계성을 RF 회귀 모형을 이용하여 정량화함으로써 PlanetScope-like 적색 경계 밴드를 생성할 수 있었는데, 기존 ATPRK에 나타나는 block artifacts 현상과 과추정 양상을 감소시킬 수 있음을 확인할 수 있었다. 그러나 제안 방법으로 생성된 고해상도 분광 밴드는 실제 값보다 과추정된 경향을 포함하고 있기 때문에 향후 고해상도 영상의 분광학적인 특성을 효과적으로 반영할 수 있는 절차를 포함한 개선이 필요하다.
2SSFM의 예측 성능 평가를 위해 적색 경계와 단파 적외선 밴드가 없는 고해상도 영상을 고려하여 두 밴드를 생성하는 실험을 수행하였다. 실험 결과, 2SSFM의 첫 번째 단계인 ATPRK을 적용한 공 간상세화 과정을 통해 저해상도 영상의 특성이 유지되면서 공간해상도가 향상된 결과를 생성할 수 있었다. 또한 다중센서 위성영상 간 분광학적인 관계성을 RF 회귀 모형을 이용하여 정량화함으로써 PlanetScope-like 적색 경계 밴드를 생성할 수 있었는데, 기존 ATPRK에 나타나는 block artifacts 현상과 과추정 양상을 감소시킬 수 있음을 확인할 수 있었다.
영상 전반에 걸쳐 2SSFM의 예측 결과는 원 고해상도 영상인 PlanetScope 영상보다 Sentinel-2 영상과 더 유사한 반사율 값을 보이고 있다. 동일한 날짜에 취득되고 유사한 분광 파장 영역임에도 불구하고 Sentinel-2 영상과 PlanetScope 영상의 반사율 값은 각각 대략 0.
ATPRK의 낮은 예측 성능은 ATPRK가 입력 자료인 저해상도 영상 특성을 예측 결과에 반영하는 잔차 보정의 영향으로 인해 상대적으로 PlanetScope 영상이 아닌 Sentinel-2 영상의 분광 특성에 맞춰 예측을 한 것에 기인한 것으로 판단된다. 이러한 정량적 비교 결과는 다중센서 위성영상을 이용할 때 서로 다른 분광패턴을 잘 반영하기 위해서는 ATPRK보다 회귀 모델링을 추가로 적용하는 2SSFM이 더 적합함을 나타낸다. 2SSFM의 1단계와 같이 동일한 센서 영상의 공간해상도를 향상시키기 위해서는 ATPRK를 사용하는 것이 적합하지만, 서로 다른 센서로 촬영되어 분광 특성이 상이한 두 영상 간의 관계를 정량화하는 데에는 회귀모델링이 적합하다.
그러나 회귀 모델링은 두 영상의 가시광선 및 근적외선 밴드에서의 관계성만을 이용하기 때문에 2SSFM의 결과에서 PlanetScope 영상의 적색 경계 밴드에 대한 정보를 충분히 반영하지 못한 부분들이 여전히 남아 있다. 이러한 한계점에도 불구하고 2SSFM은 기존 연구에서 시도하지 않았던 다중 센서 영상을 이용한 공간-분광 융합을 통해 고해상도 분광 밴드의 생성이 가능함을 제시하였다.
4의 A 지역을 보면 2SSFM의 각 단계를 적용할수록 공간해상도 향상 효과는 두드러짐을 확인할 수 있다. 적색 경계 밴드의 1단계와 2단계에서 RF 회귀 모형의 결정계수는 각각 98.9%와 96.4%로 단파 적외선 밴드 예측보다 높은 설명능력을 보였다. 이는 적색 경계 밴드가 상대적으로 단파 적외선 밴드에 비해 가시광선 및 근적외선 밴드와 파장 영역과 가깝고 유사한 분광 특성을 보이기 때문인 것으로 판단된다.
첫 번째 단계에서는 저해상도 영상에서 공간해상도가 낮은 분광 밴드를 대상으로 공간해상도가 높은 분광 밴드를 부가자료로 사용하여 ATPRK를 적용한다. 첫 번째 단계의 예측 결과로 공간해상도가 향상된 저해상도 분광 밴드가 생성되며, 두 번째 단계에서 고해상도 영상의 분광 밴드와 회귀 모델링의 적용을 통해 고해상도 영상에 없는 분광 밴드를 최종적으로 생성한다.
5 m로 직접적으로 변환하는 ATPRK와 2SSFM을 적색 경계 밴드 예측에 적용한 결과의 오차 통계를 나타내고 있다. 총 5개 시기에 대한 예측 결과에서 2SSFM이 ATPRK에 비해 높은 예측 정확도와 SSIM를 보였다. 특히 반사율이 높은 구간(0.

후속연구

25 사이에 분포하고 있어 값 범위가 상이하다. 공간-분광 융합에 입력되는 두 영상의 값 범위 차이가 클 때 예측 성능이 낮아질 가능성이 있기 때문에 앞으로 다중센서 위성영상 간 반사율 구간에 따른 차이를 세분화하여 모델링하는 것과 같은 추가 절차가 필요할 것으로 보인다.
또한 다중센서 위성영상 간 분광학적인 관계성을 RF 회귀 모형을 이용하여 정량화함으로써 PlanetScope-like 적색 경계 밴드를 생성할 수 있었는데, 기존 ATPRK에 나타나는 block artifacts 현상과 과추정 양상을 감소시킬 수 있음을 확인할 수 있었다. 그러나 제안 방법으로 생성된 고해상도 분광 밴드는 실제 값보다 과추정된 경향을 포함하고 있기 때문에 향후 고해상도 영상의 분광학적인 특성을 효과적으로 반영할 수 있는 절차를 포함한 개선이 필요하다. 이러한 개선 절차가 포함된다면 이 연구에서 제안한 공간-분광 융합 방법을 이용하여 현재 운용되는 고해상도 위성영상에서 제공하지 않는 분광 밴드를 생성함으로써 환경 모니터링에 필요한 정보 제공이 가능할 것으로 기대된다.
그러나 제안 방법으로 생성된 고해상도 분광 밴드는 실제 값보다 과추정된 경향을 포함하고 있기 때문에 향후 고해상도 영상의 분광학적인 특성을 효과적으로 반영할 수 있는 절차를 포함한 개선이 필요하다. 이러한 개선 절차가 포함된다면 이 연구에서 제안한 공간-분광 융합 방법을 이용하여 현재 운용되는 고해상도 위성영상에서 제공하지 않는 분광 밴드를 생성함으로써 환경 모니터링에 필요한 정보 제공이 가능할 것으로 기대된다.

참고문헌 (28)

Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
Choi, J.S., Y. Kim, and M. Kim, 2019. S3: A spectralspatial structure loss for pan-sharpening networks, IEEE Geoscience and Remote Sensing Letters, 17(5): 829-833. https://doi.org/10.1109/LGRS.2019.2934493

상세보기
Claverie, M., J. Ju, J.G. Masek, J.L. Dungan, E.F. Vermote, J.C. Roger, S.V. Skakun, and C. Justice, 2018. The harmonized Landsat and Sentinel-2 surface reflectance data set, Remote Sensing of Environment, 219: 145-161. https://doi.org/10.1016/j.rse.2018.09.002

상세보기
Du, Q., N.H. Younan, R. King, and V.P. Shah, 2007. On the performance evaluation of pan-sharpening techniques, IEEE Geoscience and Remote Sensing Letters, 4(4): 518-522. https://doi.org/10.1109/LGRS.2007.896328

상세보기
Govender, M., K. Chetty, and H. Bulcock, 2007. A review of hyperspectral remote sensing and its application in vegetation and water resource studies, Water SA, 33(2): 145-151. https://doi.org/10.4314/wsa.v33i2.49049

상세보기
Horler, D.N.H., M. Dockray, and J. Barber, 1983. The red edge of plant leaf reflectance, International Journal of Remote Sensing, 4(2): 273-288. https://doi.org/10.1080/01431168308948546

상세보기
Jacques, D.C., L. Kergoat, P. Hiernaux, E. Mougin, and P. Defourny, 2014. Monitoring dry vegetation masses in semi-arid areas with MODIS SWIR bands, Remote Sensing of Environment, 153: 40-49. https://doi.org/10.1016/j.rse.2014.07.027

상세보기
Jiang, X., S. Fang, X. Huang, Y. Liu, and L. Guo, 2021. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands, Remote Sensing, 13(4): 579. https://doi.org/10.3390/rs13040579

상세보기
Kim, Y. and N.-W. Park, 2016. Spatial disaggregation of coarse scale satellite-based precipitation data using machine learning model and residual kriging, Journal of Climate Research, 11(2): 183-195 (in Korean with English abstract). http://dx.doi.org/10.14383/cri.2016.11.2.1

상세보기
Kim, Y. and N.-W. Park, 2017. Impact of trend estimates on predictive performance in model evaluation for spatial downscaling of satellite-based precipitation data, Korean Journal of Remote Sensing, 33(1): 25-35. https://doi.org/10.7780/kjrs.2017.33.1.3

원문보기 상세보기
Kyriakidis, P.C., 2004. A geostatistical framework for area to point spatial interpolation, Geographical Analysis, 36(3): 259-289. https://doi.org/10.1111/j.1538-4632.2004.tb01135.x

상세보기
Lee, Z., K. Carder, R. Arnone, and M. He, 2007. Determination of primary spectral bands for remote sensing of aquatic environments, Sensors, 7(12): 3428-3441. https://doi.org/10.3390/s7123428

상세보기
Lee, H.S. and K.S. Lee, 2017. Effect of red-edge band to estimate leaf area index in close canopy forest, Korean Journal of Remote Sensing, 33(5-1): 571-585 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.1.10

원문보기 상세보기
Li, Z., H.K. Zhang, D.P. Roy, L. Yan, and H. Huang, 2020. Sharpening the Sentinel-2 10 and 20 m bands to Planetscope-0 3 m resolution, Remote Sensing, 12(15): 2406. https://doi.org/10.3390/rs12152406

상세보기
Lu, P., W. Shi, Q. Wang, Z. Li, Y. Qin, and X. Fan, 2021. Co-seismic landslide mapping using Sentinel-2 10-m fused NIR narrow, red-edge, and SWIR bands, Landslides, 18(6): 2017-2037. https://doi.org/10.1007/s10346-021-01636-2

상세보기
Mayer, B. and A. Kylling, 2005. The libRadtran software package for radiative transfer calculations - description and examples of use, Atmospheric Chemistry and Physics, 5(7): 1855-1877. https://doi.org/10.5194/acp-5-1855-2005

상세보기
Park, N.-W., 2013. Spatial downscaling of TRMM precipitation using geostatistics and fine scale environmental variables, Advances in Meteorology, Article ID 237126, 2013: 1-9. https://doi.org/10.1155/2013/237126

상세보기
Park, N.-W., Y. Kim, and G.-H. Kwak, 2019. An overview of theoretical and practical issues in spatial downscaling of coarse resolution satellite derived products, Korean Journal of Remote Sensing, 35(4): 589-607. https://doi.org/10.7780/kjrs.2019.35.4.8

원문보기 상세보기
Planet, 2022. Planet imagery product specifications, https://assets.planet.com/docs/Planet_Combined_Imagery_Product_Specs_letter_screen.pdf, Accessed on Oct. 6, 2022.
Seong, N., M. Seo, K.-S. Lee, C. Lee, H. Kim, S. Choi, and K.-S. Han, 2015. A water stress evaluation over forest canopy using NDWI in Korean peninsula, Korean Journal of Remote Sensing, 31(2): 77-83 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.2.3

원문보기 상세보기
Song, H., B. Huang, K. Zhang, and H. Zhang, 2014. Spatio-spectral fusion of satellite images based on dictionary-pair learning, Information Fusion, 18: 148-160. http://dx.doi.org/10.1016/j.inffus.2013.08.005

상세보기
Sun, Y., Q. Qin, H. Ren, T. Zhang, and S. Chen, 2019. Red-edge band vegetation indices for leaf area index estimation from Sentinel-2/MSI imagery, IEEE Transactions on Geoscience and Remote Sensing, 58(2): 826-840. https://doi.org/10.1109/TGRS.2019.2940826

상세보기
Wang, Z., A.C. Bovik, H.R. Sheikh, and E.P. Simoncelli, 2004. Image quality assessment: from error visibility to structural similarity, IEEE Transactions on Image Processing, 13(4): 600-612. https://doi.org/10.1109/TIP.2003.819861

상세보기
Wang, Q., W. Shi, P.M. Atkinson, and Y. Zhao, 2015. Downscaling MODIS images with area-to-point regression kriging, Remote Sensing of Environment, 166: 191-204. https://doi.org/10.1016/j.rse.2015.06.003

상세보기
Wang, Q. and P.M. Atkinson, 2018. Spatio-temporal fusion for daily Sentinel-2 images, Remote Sensing of Environment, 204: 31-42. https://doi.org/10.1016/j.rse.2017.10.046

상세보기
Zhao, Y. and D. Liu, 2022. A robust and adaptive spatial-spectral fusion model for PlanetScope and Sentinel-2 imagery, GIScience & Remote Sensing, 59(1): 520-546. https://doi.org/10.1080/15481603.2022.2036054

상세보기
Zhou, J., Y. Qiu, J. Chen, and X. Chen, 2021. A geometric misregistration resistant data fusion approach for adding red-edge (RE) and short-wave infrared (SWIR) bands to high spatial resolution imagery, Science of Remote Sensing, 4: 100033. https://doi.org/10.1016/j.srs.2021.100033

상세보기
Zhu, X.X. and R. Bamler, 2012. A sparse image fusion algorithm with application to pan-sharpening, IEEE Transactions on Geoscience and Remote Sensing, 51(5): 2827-2836. https://doi.org/10.1109/TGRS.2012.2213604

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