[논문]UNet기반 Sentinel-1 SAR영상을 이용한 수체탐지: 섬진강유역 대상으로

이도이; 박소련; 서동주; 김진수

doi:10.7780/kjrs.2022.38.5.3.8

UNet기반 Sentinel-1 SAR영상을 이용한 수체탐지: 섬진강유역 대상으로
Waterbody Detection Using UNet-based Sentinel-1 SAR Image: For the Seom-jin River Basin 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.3, 2022년, pp.901 - 912

이도이 (부경대학교 지구환경시스템과학부) , 박소련 (부경대학교 지구환경시스템과학부) , 서동주 (현강이엔지(주)) , 김진수 (부경대학교 공간정보시스템공학과)

초록
AI-Helper

전 세계적인 기후변화로 재해발생빈도가 증가하고 있으며, 국내에서도 이례적인 폭우 및 장마현상이 발생되고 있다. 이러한 기상이변현상은 가뭄, 홍수 등으로 이어져 2차피해를 유발할 수 있으므로 주기적인 모니터링과 신속한 탐지가 중요하다. 수체탐지를 위하여 광학영상을 활용한 연구가 지속적으로 이루어지고 있으나, 폭우를 동반하여 발생하는 홍수를 탐지하기 위해서는 구름의 영향으로 탐지하기 어렵다는 한계를 대변하기 위해 전천후 주야에 관계없이 관측가능한 합성개구레이더(synthetic aperture radar, SAR)를 활용한 연구가 필요하다. 본 연구에서는 개방데이터로서 24시간 이내에 수집 가능한 Sentinel-1 SAR 영상을 활용하여 최근 다양한 분야에서 활용되고 있는 딥러닝 알고리즘인 UNet을 적용하였다. 선행연구에서 SAR영상과 딥러닝 알고리즘을 이용하여 수체탐지 연구가 진행되고 있지만, 국내를 대상으로 소수의 연구만이 진행되었다. 따라서 SAR 영상의 딥러닝 적용가능성을 파악해보고자 UNet과 기존의 알고리즘인 임계값(thresholding) 방법을 비교하였으며, 5가지 지수와 Sentinel-2 normalized difference water index (NDWI)로 평가하였다. Intersect of union (IoU)로 정확도를 평가해 본 결과 UNet은 0.894, 임계값 방법은 0.699로 UNet의 정확도가 높은 것을 확인할 수 있었다. 본 연구를 통해 딥러닝 기반 SAR영상의 적용가능성을 확인할 수 있었으며, 고해상도의 SAR영상과 딥러닝 알고리즘을 적용한다면, 국내를 대상으로 주기적이고 정확한 수체의 변화탐지가 가능할 것이라 기대된다.

Abstract ▼ AI-Helper

The frequency of disasters is increasing due to global climate change, and unusual heavy rains and rainy seasons are occurring in Korea. Periodic monitoring and rapid detection are important because these weather conditions can lead to drought and flooding, causing secondary damage. Although research using optical images is continuously being conducted to determine the waterbody, there is a limitation in that it is difficult to detect due to the influence of clouds in order to detect floods that accompany heavy rain. Therefore, there is a need for research using synthetic aperture radar (SAR) that can be observed regardless of day or night in all weather. In this study, using Sentinel-1 SAR images that can be collected in near-real time as open data, the UNet model among deep learning algorithms that have recently been used in various fields was applied. In previous studies, waterbody detection studies using SAR images and deep learning algorithms are being conducted, but only a small number of studies have been conducted in Korea. In this study, to determine the applicability of deep learning of SAR images, UNet and the existing algorithm thresholding method were compared, and five indices and Sentinel-2 normalized difference water index (NDWI) were evaluated. As a result of evaluating the accuracy with intersect of union (IoU), it was confirmed that UNet has high accuracy with 0.894 for UNet and 0.699 for threshold method. Through this study, the applicability of deep learning-based SAR images was confirmed, and if high-resolution SAR images and deep learning algorithms are applied, it is expected that periodic and accurate waterbody change detection will be possible in Korea.

주제어

표/그림 (10)

그림 Fig. 1. Research area: Seom-jin river basin map.
표 Table 1. Satellite imagery used in the study
표 Table 2. Sources of satellites used for research
그림 Fig. 2. Suri Reservoir in Jeollanam-do: (a) google earth image, (b) ascending, (c) descending, (d) ascending terrain flattening not applied, (e) descending terrain flattening not applied, and (f) terrain flattening applied.
그림 Fig. 3. Histograms of images used in the study.
그림 Fig. 4. Examples of data used for training: (a) Input image, (b) Labeled image.
그림 Fig. 5. Augmentation image example (Vertical·Horizontal-Flip, Random-Rotate, and Grid-Distortion).
표 Table 3. Evaluation results of UNet and the Thresholding method
그림 Fig. 6. Result of input image, label, UNet, and thresholding method.
그림 Fig. 7. Compare Sentinel-1 and Sentinel-2 of Yo-cheon: (a) S1 image, (b) S1 NDWI water mask, (c) S2 image, (d) UNet prediction, (e–h) S1 S2 comparison error, and (i–l) Comparison of s1 UNet result and S2 NDWI.

AI 본문요약
AI-Helper

제안 방법

국토지리정보원에서 매년 고도의 영상을 사용하여 토지피복지도(land-cover map)를 제작하지만, 지역별 영상 수집 후 병합을 통해 제작되어, 정확한 시기와 날짜를 알 수 없다. 본 연구는 강수량, 기온, 계절에 따라 면적이 달라지는 수체의 특성으로 발생되는 한계를 보완하기 위해 Sentinel-1 SAR영상과 같은 공간해상도를 가지는 Sentinel-2 Level-2 위성영상을 사용하였으며 광학영상 밴드조합 중 수체 탐지에 효과적인 NDWI (7)로 수체를 레이블하여 비교하였다.
본 연구에서는 Sentinel-1 SAR 영상을 활용하여 딥러닝 UNet 모델과 기존의 임계값 방법을 적용하여 국내 하천과 저수지의 규모를 탐지하였으며, Sentinel-2 광학영상의 normalized differential water index (NDWI)와의 비교 및 평가를 진행하였다.
본 연구에서는 국내 지역 하천과 저수지에 대해 Sentinel-1 SAR영상을 기반으로 의미론적 분할 기법인 UNet과 기존의 수체탐지 방법인 임계값 기법의 비교와 평가를 수행하였다. 수체탐지에서 UNet의 정확도, 정밀도, 재현율, F1-score, IoU는 각각 0.
전처리과정은 (1) 궤도 보정으로 각 이미지에 정확한 궤도 파일을 적용하고 (2) 영상에 존재하는 열잡음(thermal noise)제거, (3) Beta0로의 방사 보정, (4) Lee Sigma 7×7 필터를 사용한스펙클 필터링(speckle-filtering), (5) Gamma0로의 지형 평탄화 및 (6) shuttle radar topography mission (SRTM), digital elevation model (DEM) 1sec를 사용한 지형 보정까지 총 6단계를 통해 진행되었다

대상 데이터

Fig. 7은 연구대상지역의 일부이자, 섬진강 내 주요 하천 중 하나인 요천의 Sentinel-1 SAR영상과 Sentinel-2 광학영상을 정성적으로 비교한 결과이며, 구름이 없고 영상수집일이 서로 가장 근접한 날짜인 Sentinel-1의 2020년 4월 9일 영상의 UNet모델 예측결과와 Sentinel-2 의 2020년 4월 7일 영상의 NDWI로 제작된 물 마스크를 비교하였다. 전반적인 수체를 탐지할 수 있었으나 NDWI와 UNet의 IoU 값은 0.
본 연구는 국내를 대상으로, 딥러닝 UNet모델을 활용한 수체탐지를 수행하였다. UNet모델은 batch size 16, epoch 150으로 설정하여 최적의 결과를 얻었으며, GPU geforce GTX 1060, tensorflow 2.
연구에 사용된 SAR 영상의 전처리는 Sentinel 시리즈 분석 소프트웨어인 Sentinel’s application platform (SNAP)의 Sentinel-1 toolbox를 사용하였다
이후, 수체(1), 비수체(0)로 이루어진 256×256 크기의 이진 영상(binary image)으로 가공하였으며, 280장의 영상을 모델의 입력 데이터로 생성되었다(Fig

데이터처리

추가적으로 구름이 없는 맑은 날의 Sentinel-2 광학영상을 사용하여 UNet 모델 예측결과와 비교평가를 수행하였다. 국토지리정보원에서 매년 고도의 영상을 사용하여 토지피복지도(land-cover map)를 제작하지만, 지역별 영상 수집 후 병합을 통해 제작되어, 정확한 시기와 날짜를 알 수 없다.

성능/효과

본 연구에서는 타 국가 대비 작은 국토 면적과 소규모 하천이 많은 국내의 특성을 고려한 수체탐지를 수행하였으며, 10 m의 해상도를 가지는 Sentinel-1 SAR영상을 활용한 280장의 데이터를 1,000장으로 증강하여 진행된 UNet모델의 평가결과는 IoU 0.894으로 비교적 높은 결과를 보인 것을 확인할 수 있었다. 증강 전과 후를 비교했을 때, IoU의 값의 변화는 약 0.
본 연구에서는 국내 지역 하천과 저수지에 대해 Sentinel-1 SAR영상을 기반으로 의미론적 분할 기법인 UNet과 기존의 수체탐지 방법인 임계값 기법의 비교와 평가를 수행하였다. 수체탐지에서 UNet의 정확도, 정밀도, 재현율, F1-score, IoU는 각각 0.991, 0.890, 0.875, 0.897, 0.894 이었으며, 임계값 방법의 정확도, 정밀도, 재현율, F1-score, IoU는 각각 0.897, 0788, 0.812, 0.798, 0.699으로 임계값 방법에 비해 UNet을 적용한 방법의 정확도가 상대적으로 더 높은 것을 확인할 수 있었다.
894으로 비교적 높은 결과를 보인 것을 확인할 수 있었다. 증강 전과 후를 비교했을 때, IoU의 값의 변화는 약 0.03의 차이를 보였으나, 정성적인 비교 결과에서는 증강을 수행한 학습의 결과가 미세한 하천과 소규모 저수지의 탐지 성능에서 우수한 성능을 보였다.

후속연구

하천과 저수지의 면적이 넓을수록 탐지성능이 높았고 소규모하천과 같은 미세한 지역에 대한 탐지가 어려운 것을 확인할 수 있었으며, 특정시기의 하천과 저수지 주변 논, 밭의 물이 함께 탐지되는 경향을 보였다. 이러한 한계를 보완하기 위해 미세한 지역에 대한 양질의 데이터에 대한 추가 확보와 함께 Sentinel-1과 Sentinel-2 위성영상을 융합하여 탐지성능을 개선할 수 있는 연구가 수행되어야 하며, 같은 시기의 고해상도 영상으로 획득된 영상과의 정량적인 비교 및 상관관계 분석을 통해 모델에 대한 객관적인 평가가 필요할 것으로 판단된다.

참고문헌 (32)

Agnihotri, A.K., A. Ohri, S. Gaur, N. Das, and S. Mishra, 2019. Flood inundation mapping and monitoring using SAR data and its impact on Ramganga River in Ganga basin, Environmental Monitoring and Assessment, 191(12): 1-16. https://doi.org/10.1007/s10661-019-7903-4

상세보기
Ahmad, W. and D. Kim, 2019. Estimation of flow in various sizes of streams using the Sentinel-1 Synthetic Aperture Radar (SAR) data in Han River Basin, Korea, International Journal of Applied Earth Observation and Geoinformation, 83: 101930. https://doi.org/10.1016/j.jag.2019.101930

상세보기
Bauer-Marschallinger, B., S. Cao, M.E. Tupas, F. Roth, C. Navacchi, T. Melzer, V. Freeman, and W. Wagner, 2022. Satellite-Based Flood Mapping through Bayesian Inference from a Sentinel-1 SAR Datacube, Remote Sensing, 14(15): 3673. https://doi.org/10.3390/rs14153673

상세보기
Caballero. I., J. Ruiz, and G. Navarro, 2019. Sentinel-2 satellites provide near-real time evaluation of catastrophic floods in the west Mediterranean, Water, 11(12): 2499. https://doi.org/10.3390/w11122499

상세보기
Carreno Conde, F. and M. De Mata Munoz, 2019. Flood monitoring based on the study of Sentinel-1 SAR images: The Ebro River case study, Water, 11(12): 2454. https://doi.org/10.3390/w11122454

상세보기
Clement, M.A., C.G. Kilsby, and P. Moore, 2018. Multitemporal synthetic aperture radar flood mapping using change detection, Journal of Flood Risk Management, 11(2): 152-168. https://doi.org/10.1111/jfr3.12303

상세보기
Goffi, A., D. Stroppiana, P. A. Brivio, B.G. Ordogna, and M. Boschetti, 2020. Towards an automated approach to map flooded areas from Sentinel-2 MSI data and soft integration of water spectral features, International Journal of Applied Earth Observation and Geoinformation, 84: 101951. https://doi.org/10.1016/j.jag.2019.101951

상세보기
Guo, Z., L. Wu, Y. Huang, Z. Guo, J. Zhao, and N. Li, 2022. Water-Body Segmentation for SAR Images: Past, Current, and Future, Remote Sensing, 14(7):1752. https://doi.org/10.3390/rs14071752

상세보기
Helleis, M., M. Wieland, C. Krullikowski, S. Martinis, and S. Plank, 2022. Sentinel-1-Based Water and Flood Mapping: Benchmarking Convolutional Neural Networks Against an Operational RuleBased Processing Chain, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 2023-2036. https://doi.org/10.1109/JSTARS.2022.3152127

상세보기
Jeon, H., D.J. Kim, and J. Kim, 2021. Water Body Detection using Deep Learning with Sentinel-1 SAR satellite data and Land Cover Maps, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Jul. 11-16, pp. 8495-8498. https://doi.org/10.1109/IGARSS47720.2021.9553555
Jeong, J., S. Oh, S. Lee, J. Kim, and M. 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 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2021.54.7.535

원문보기 상세보기
Katiyar, V., N. Tamkuan, and M. Nagai, 2021. Near-realtime flood mapping using off-the-shelf models with SAR imagery and deep learning, Remote Sensing, 13(12): 2334. https://doi.org/10.3390/rs13122334

상세보기
Kim, J.W., H.K. Jeon, and D.J. Kim, 2020. Extracting Flooded Areas in Southeast Asia Using SegNet and U-Net, Journal of the Korean Society for Remote Sensing, 36(5): 1095-1107 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.8

원문보기 상세보기
Kim, M., S. Kim, D. Lee, and J. Gam, 2022. Comparative study of deep learning model for semantic segmentation of water system in Arirang 5 satellite image, Journal of the Korean Society for Multimedia, 25(2): 206-214 (in Korean with English abstract). https://doi.org/10.9717/kmms.2022.25.2.206

원문보기 상세보기
Kim, M.U., H. Oh, S.J. Lee, Y. Choi, and S. Han, 2021. Deep Learning Based Water Segmentation Using KOMPSAT-5 SAR Images, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Jul. 11-16, pp. 4055-4058. https://doi.org/10.1109/IGARSS47720.2021.9554015
Landuyt, L., A. Van Wesemael, G.J.P. Schumann, R. Hostache, N.E. Verhoest, and F.M. Van Coillie, 2018. Flood mapping based on synthetic aperture radar: An assessment of established approaches, IEEE Transactions on Geoscience and Remote Sensing, 57(2): 722-739. https://doi.org/10.1109/tgrs.2018.2860054

상세보기
Lee, G.H., Y.U. Ryu, and J.S. Park, 2020. August 2020 Yeongsan River and Anjin River Basin Survey and Reason, Water for Future, 53(11): 21-48.
Liang, J. and D. Liu, 2020. A local thresholding approach to flood water delineation using Sentinel-1 SAR imagery, ISPRS Journal of Photogrammetry and Remote Sensing, 159: 53-62. https://doi.org/10.1016/j.isprsjprs.2019.10.017

상세보기
Manjusree, P., L. Prasanna Kumar, C.M. Bhatt, G.S. Rao, and V. Bhanumurthy, 2012. Optimization of threshold ranges for rapid flood inundation mapping by evaluating backscatter profiles of high incidence angle SAR images, International Journal of Disaster Risk Science, 3(2): 113-122. https://doi.org/10.1007/s13753-012-0011-5

상세보기
Mason, D.C., L. Giustarini, J. Garcia-Pintado, and H.L. Cloke, 2014. Detection of flooded urban areas in high resolution Synthetic Aperture Radar images using double scattering, International Journal of Applied Earth Observation and Geoinformation, 28: 150-159. https://doi.org/10.1016/j.jag.2013.12.002

상세보기
Modava, M. and G. Akbarizadeh, 2017. Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method, International Journal of Remote Sensing, 38(2): 355-370. https://doi.org/10.1080/01431161.2016.1266104

상세보기
MOIS (Ministry of Public Administration and Security), 2021. Annual Report on Natural Disaster Recovery, Ministry of Public Administration and Security, Sejong, Korea (in Korean).
Nemni, E., J. Bullock, S. Belabbes, and L. Bromley, 2020. Fully convolutional neural network for rapid flood segmentation in synthetic aperture radar imagery, Remote Sensing, 12(16): 2532. https://doi.org/10.3390/rs12162532

상세보기
Pashaei, M., H. Kamangir, M.J. Starek, and P. Tissot, 2020. Review and evaluation of deep learning architectures for efficient land cover mapping with UAS hyper-spatial imagery: A case study over a wetland, Remote Sensing, 12(6): 959. https://doi.org/10.3390/rs12060959

상세보기
Qiu, J., B. Cao, E. Park, X. Yang, W. Zhang, and P. Tarolli, 2021. Flood monitoring in rural areas of the Pearl River Basin (China) using Sentinel-1 SAR, Remote Sensing, 13(7): 1384. https://doi.org/10.3390/rs13071384

상세보기
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-net: Convolutional networks for biomedical image segmentation, arXiv preprint arXiv:1505.04597. https://doi.org/10.48550/arXiv.1505.04597
Small, M.L., 2011. How to conduct a mixed methods study: Recent trends in a rapidly growing literature, Annual Review of Sociology, 37: 57-86. https://doi.org/10.1146/annurev.soc.012809.102657

상세보기
Torres, R., P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Flourya, M. Brown, I.N. Traver, P. Deghaye, B. Duesmann, B. Rosich, N. Miranda, C. Brunob, M. L'Abbateb, R. Croci, A. Pietropaolo, M. Huchler, and F. Rostanc, 2012. GMES Sentinel-1 mission, Remote Sensing of Environment, 120: 9-24. https://doi.org/10.1016/j.rse.2011.05.028

상세보기
Uddin, K., M.A. Matin, and F.J. Meyer, 2019. Operational flood mapping using multi-temporal Sentinel-1 SAR images: A case study from Bangladesh, Remote Sensing, 11(13): 1581. https://doi.org/10.3390/rs11131581

상세보기
Verma, U., A. Chauhan, M.P. MM, and R. Pai, 2021. DeepRivWidth: Deep learning based semantic segmentation approach for river identification and width measurement in SAR images of Coastal Karnataka, Computers & Geosciences, 154: 104805. https://doi.org/10.1016/j.cageo.2021.104805

상세보기
Wang, G., M. Wu, X. Wei, and H. Song, 2020. Water identification from high-resolution remote sensing images based on multidimensional densely connected convolutional neural networks, Remote Sensing, 12(5): 795. https://doi.org/10.3390/rs12050795

상세보기
Zhang, B., G. Liu, R. Zhang, Y. Fu, Q. Liu, J. Cai, and X. Wang, 2021. Monitoring dynamic evolution of the glacial lakes by using time series of Sentinel-1A SAR images, Remote Sensing, 13(7): 1313. https://doi.org/10.3390/rs13071313

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