고해상도 RGB와 SAR 융합 데이터를 활용한 도심 건물 높이 예측에 관한 연구 = Study on Building Height Estimation from Combined High Resolution RGB and SAR Imagery

국문 초록 (Abstract)

도심 지역에서의 정밀한 건물 높이 추정은 포병 운용, 작전 지형 분석 등 군사 적 의사결정에 있어 핵심적인 요소이다. 그러나 기존의 단일 광학(Optical) 또는 레이더(Radar) 영상 기반 접근법은 공간 해상도 한계, 조도 및 기상 조건 의존 성, 구조적 정보 부족 등의 제약이 있다. 이에 본 연구는 초고해상도 항공 RGB(8cm) 영상과 Sentinel-1 SAR VV/VH 편파 데이터를 융합하여 도심 건물의 높이(nDSM)를 미터 단위 정밀도로 예측 하는 H-FuseNet(High-Resolution Fusion Network) 을 제안하였다. 제안된 모 델은 U-Net 기반 인코더–디코더 구조를 중심으로, 지역적 텍스처 일관성을 보 완하기 위한 PatchGAN 판별기를 보조적으로 결합하였다. RGB 영상은 옥상 질 감·색상·경계 등 세밀한 시각적 단서를 제공하고, SAR 영상은 수직 구조물의 반 사 특성(이중 반사, 체적 산란 등)을 통해 높이 단서를 보완한다. 이종 센서 간 물리적 차이를 최소화하기 위하여 정합(Alignment) 및 방사보정(Radiometric Calibration)를 수행하였으며, 정규화(Normalization)를 통해 픽셀 단위의 융합이 가능한 5채널 입력 텐서[R,G,B,VV,VH]로 변환하였다. 실험은 네덜란드 암스테르담 지역의 항공 RGB, Sentinel-1 SAR, nDSM 데이 터를 이용하여 수행되었다. 그 결과, 제안된 H-FuseNet은 MAE 0.287m, RMSE 0.777m로 기존 건물 높이 연구 대비 낮은 오차를 달성하였다. 이 연구는 초고해상도 광학 영상과 레이더 데이터를 융합한 다중소스 딥러닝 모델을 통해, 전시·작전 환경에서도 신뢰성 있는 건물 높이 추정이 가능함을 입 증하였다. 또한, 본 모델은 도심 작전 간 포병 사격 진지 선정, 작전 지형 분석, 전술적 의사결정 지원체계 구축 등 다양한 군사적 응용에 활용될 수 있다.

목차 (Table of Contents)

• 제1장 서 론--------------------------------------1
• 제2장 이론적 배경 및 관련 연구--------------------3
• 2.1. 데이터 종류---------------------------------3
• 2.1.1 광학 영상 기반 데이터 소스-----------------3
• 2.1.2 레이더 영상 기반 데이터 소스 --------------5
• 2.1.3 nDSM(수치표고모델)--------------------7
• 2.2 관련 연구----------------------------------8
• 2.2.1 그림자 기반 방법-------------------------8
• 2.2.2 RGB 영상을 활용한 단순 회귀 방법---------8
• 2.1.3 SAR 기반 딥러닝 모델--------------------9
• 2.2.4 기존 연구 한계---------------------------9
• 제3장 H-FuseNet------------------------------10
• 3.1. Research Flow---------------------------10
• 3.2. 데이터 수집 및 전처리----------------------14
• 3.2.1 데이터 소스 및 수집----------------------14
• 3.2.2 정합-----------------------------------16
• 3.2.3 정규화---------------------------------17
• 3.3. 모델 구성---------------------------------18
• 3.3.1 입력 융합-------------------------------18
• 3.3.2 U-Net(Generator)---------------------19
• 3.3.3 PatchGAN 판별기(Discriminator)------20
• 3.3.4 손실함수--------------------------------20
• 제3장 H-FuseNet------------------------------10
• 3.4. 최적화 및 학습절차-------------------------21
• 3.4.1 학습 구성 및 파라미터--------------------22
• 3.4.2 학습 절차-------------------------------22
• 제4장 결과 분석---------------------------------25
• 4.1. 정성적 결과--------------------------------25
• 4.2. 정량적 결과--------------------------------28
• 제5장 결 론-------------------------------------29
• 참고문헌----------------------------------------31
• 영문초록----------------------------------------35