Research of Self-evolving Deep Learning Models for Environmental Monitoring in Remote Sensing: Detection of Marine Oil Spills, Extraction of Tidal Flat Waterlines, and Delineation of Glacier Terminus = 원격탐사 환경 모니터링을 위한 진화하는 딥 러닝 모델 연구: 해양 유류 유출 탐지, 조간대 수체 경계선 추출, 빙하 말단 경계선 추출

다국어 초록 (Multilingual Abstract)

Deep learning has become a key enabler of remote-sensing–based environmental monitoring because it can rapidly extract information from large volumes of satellite imagery. However, the appearance of targets and their surrounding background is often non-stationary: it changes with acquisition geometry, environmental forcing, seasonality, and site-specific conditions. As a result, robust deployment typically requires large and diverse labeled datasets. In practice, such labels are still most often produced by expert visual interpretation, which is labor-intensive and costly. This limitation becomes more critical in two operational settings. First, for many satellite missions—especially rapidly expanding small-satellite constellations with comparatively short design lifetimes—waiting to accumulate “sufficient” imagery and labels before building a model can reduce the usable lifetime of the algorithm, and may confine its applicability to retrospective analysis of past data. Second, for event-driven hazards such as oil spills (and similar sudden disasters), timely decision support requires a deployable model to be available immediately when an incident occurs; if model development is delayed until large training archives are collected, rapid response and information delivery may not be feasible. These constraints motivate an automated approach that can (i) bootstrap a usable model from limited initial supervision and (ii) keep the model current as new images arrive, without repeated full manual labeling cycles.
To address this need, this thesis proposes a self-evolving deep learning framework composed of three modules: (1) satellite-image analysis, (2) automatic training-data generation, and (3) model upgrade via iterative retraining. The framework is validated on three representative environmental-monitoring tasks—marine oil-spill detection, tidal-flat waterline extraction, and glacier-terminus delineation—selected because they share two practical characteristics that make static, one-shot model development fragile. First, all three tasks operate in highly variable, heterogeneous, and rapidly changing environments (e.g., tide- and turbidity-driven shoreline variability, speckle- and mélange-driven SAR variability at glacier fronts, and sea-state/geometry-driven variability for oil slicks and look-alikes). Second, precisely because of this variability, automatic training-data generation is intrinsically difficult: simple global rules often fail to produce consistently reliable labels across time and space, which is why many operational pipelines still require repeated expert intervention. These shared challenges provide a stringent testbed for evaluating whether a practical “update-as-you-observe” learning workflow can be realized for remote-sensing monitoring.
A central methodological contribution is Module-2, which implements guided post-classification to transform model outputs into new labels with sufficient quality for retraining. Rather than accepting raw predictions as pseudo-labels, Module-2 applies spatially constrained updating (e.g., buffers around expected boundaries or candidate regions), integrates task-specific auxiliary evidence (e.g., spectral-index guidance for optical waterlines), and uses conservative decision rules and morphological refinement to limit error propagation. This design explicitly targets the main failure mode in these monitoring problems—boundary ambiguity and scene-dependent nuisance variability—while reducing the need for sustained manual labeling as the data distribution broadens. To quantify model evolution consistently, the study adopts task-appropriate metrics, and for boundary-sensitive tasks further uses a composite score defined as the arithmetic mean of F1-score, Intersection over Union (IoU), Figure of Merit (FOM), and Mean Distance Error (MDE).
Across all three tasks, iterative self-evolving yields consistent net performance gains with modest cycle-to-cycle fluctuations. For tidal-flat waterline extraction, 16 self-evolving iterations improved the composite score from 0.82 to 0.89 (≈ +7%). For glacier-terminus delineation, 20 iterations improved the composite score from about 0.82 to about 0.87 (≈ +5%). For oil-spill detection, 23 iterations improved the full-scene F1-score from 0.84 to 0.90 (≈ +6%).
Importantly, the framework reduces reliance on fully manual labeling while maintaining strong performance: models trained with a smaller seed set plus automatically generated labels achieve accuracy comparable to—and in our experiments higher than—static baselines trained once using fully manual datasets of the same total size. Finally, the self-evolved models are applied to time-series monitoring case studies, including tidal-flat mapping and area-change estimation, glacier-terminus time-series construction and external comparison, and oil-slick distribution mapping from large SAR archives. Overall, these results demonstrate that an automated label-growth-and-retraining cycle is a practical and scalable way to keep remote-sensing monitoring models accurate and up to date under non-stationary conditions, while supporting reliable and temporally consistent environmental monitoring products for both long-term change analysis and event-driven response.

국문 초록 (Abstract)

딥 러닝은 모델은 대량의 위성영상을 신속하게 분석하여 환경정보를 추출할 수 있기 때문에, 원격탐사 기반 환경 모니터링의 핵심 기술 중 하나로 광범위하게 활용되고 있다. 그러나 실제 관측 환경에 따라 위성영상에서 목표물(target)과 배경(background)이 일관된 형태로 나타나지 않는다. 즉, 위성 센서의 촬영 기하 변수, 환경 상태 및 기상 조건, 계절성, 지역 고유의 지형·지표 특성 등에 따라 목표물의 형태와 명암·스펙트럼 특성이 지속적으로 변화하게 된다. 이러한 변동성 때문에, 안정적으로 동작하는 딥 러닝 모델을 구축하려면 일반적으로 다양성과 대표성을 고려한 대량의 학습자료가 필요 된다. 하지만 여전히 전문가 육안 판독을 통해 라벨을 생성하는 경우가 많아, 데이터 구축 시간 및 비용적인 측면에서 큰 제약을 초래하고 있다. 이러한 한계는 특히 두 가지 운영 시나리오에서 더욱 두드러진다. 첫째, 소형 위성 군집 등 일부 위성 임무는 설계 수명이 비교적 짧은 경우가 많아, “충분한” 영상과 라벨이 누적될 때까지 기다린 뒤 모델을 개발하면 알고리즘의 활용 가능 기간이 줄어들고, 심지어 과거 자료에 대한 사후 분석에만 모델이 제한될 수 있다. 둘째, 유류 유출(또는 유사한 돌발 재난)과 같이 사건 기반(event-driven)으로 발생하는 재해·재난의 경우, 사고 직후 즉시 활용 가능한 모델이 있어야 신속한 상황 판단과 의사결정 지원이 가능하다. 반대로 모델 구축이 지연되어 충분한 학습 아카이브가 마련된 뒤에야 개발이 가능하다면, 재난 대응을 위한 정보 제공이 적시에 이루어지기 어렵다. 따라서 제한된 초기 라벨로도 모델을 가동하고, 신규 영상이 유입될 때마다 반복적인 수작업 라벨링 없이 모델을 최신 상태로 유지 및 개선을 할 수 있는 자동화된 접근 방식이 요구된다.
본 학위논문은 이러한 요구에 대응하기 위해, 원격탐사 환경 모니터링을 위한 자기 진화형(self-evolving) 딥 러닝 프레임워크를 제안한다. 이 프레임워크는 (1) 위성영상 분석 (Module-Ⅰ), (2) 자동 학습자료 생성(Module-Ⅱ), (3) 반복 재 학습을 통한 모델 업그레이드 (Module-Ⅲ)로 구성되며, 신규 영상이 확보될 때마다 “관측라벨 확장재 학습”의 순환을 통해 모델을 성장시키는 것을 모표로 한다. 프레임워크의 유효성은 해양 유류 유출 탐지, 조간대 수체 경계선 추출, 빙하 말단 경계선 추출의 세가지 과제에 적용하여 검증하였다. 이 세 과제는 서로 다른 환경과 센서 조건을 갖지만, (1) 매우 이질적이고 변화가 큰 관측 환경에서 목표물의 신호가 시 공간적으로 크게 변동하며, (2) 이러한 변동성 때문에 자동 학습자료 생성이 본질적으로 어려워 단순 규칙 기반 라벨 생성(자동 라벨 생성 방법)만으로는 안정적인 품질을 확보하기 어렵다는 공통점이 존재한다. 따라서, 이들은 정적(static)인 “1회 개발” 모델이 취약해지기 쉬운 조건을 대표하며, 동시에 self-evolving 접근이 실제로 구현 가능한지 평가하기 위한 엄격한 검증이 될 수 있다.
본 연구의 핵심 방법론적 기여는 Module-Ⅱ에 구현한 가이드 기반 사후 분류(guided post-classification) 이다. 일반적인 준 지도 학습/자기 학습(self-training)에서는 모델 예측을 그대로 pseudo-label로 사용하여 재 학습하는 경우가 많으나, 원격탐사 환경 모니터링에서는 경계가 모호하거나 잡음 및 교란 요인이 큰 장면이 빈번하여 잘못된 예측이 다시 학습에 유입되는 확증 편향 및 오류 증폭이 주요 실패 요인이 된다. 본 논문은 이를 완화하기 위해, Module-Ⅱ가 원시 예측을 그대로 채택하지 않고 공간적으로 보정 영역을 제한하는 버퍼 기반 갱신(e.g., 경계 주변 또는 후보 영역 내부), 과제별 보조 데이터(e.g., 광학 기반 수체 경계선의 경우 스페트럴 인덱스), 보수적 의사결정 규칙과 형태학적 후처리 등을 결합하여 신규 라벨을 생성하도록 설계하였다. 이를 통해 장면 조건 변화와 경계 불확실성이 큰 환경에서도 라벨 품질 저하 및 오류 전파를 억제하면서, 신규 관측이 누적될수록 학습데이터의 다양성과 모델의 강건성을 함께 확장할 수 있도록 하였다. 모델의 진화 과정을 일관되게 평가하기 위해 과제별 지표를 사용하였으며, 경계 품질이 중요한 과제에서는 F1-score, IoU, FOM, MDE를 산술 평균한 종합 성능지표(composite score)를 활용하여 성능 변화를 정량화 하였다.
실험 결과, 세 과제 모두에서 self-evolving 반복 학습을 통해 일관된 성능 향상이 관찰 되었으며, 주기별(cycle-to-cycle)로는 일부 변동이 존재하더라도 장적으로는 증가 추세를 보였다. 조간대 수체 경계선 추출의 경우 16회 self-evolving 반복을 통해 종합 성능 지표가 0.82엣 0.89로 약 7% 향상 되었다. 빙하 단면 경계선 추출에서는 20회 반복 후 성능 지표가 0.82에서 0.87로 약 6% 향상되었다. 또한 본 프레임워크는 전면 수작업 라벨링 의존도를 낮추면서도 높은 성능을 유지하였다. 즉, 제한된 초기 라벨과 Module-Ⅱ로 자동 생성된 라벨을 결합해 구축한 self-evolved 모델은, 동일한 총 데이터 규모를 한번에 투입해 학습한 정적 모델과 비교한 결과 더 높은 성능을 달성하였다. 이는 guided post-classification기반 자동 라벨 확장이 단순한 데이터 “증량”을 넘어, 일관되지 않은 관측 조건에서 모델의 일반화 성능을 실질적으로 강화하는 방향으로 작동할 수 있음을 보여준다.
마지막으로 self-evolved모델들을 시계열 환경 모니터링 사례에 적용하여 운영적 활용 가능성을 검증하였다. 조간대의 경우 시계열 수체 경계선 기반 갯벌 지도화 및 면적 변화 산정에 적용하였고, 빙하 단면의 시계열 경계선 구축 및 외부 비교를 수행하였으며, 유류 유출은 대규모 SAR 아카이브를 대상으로 유막 분포를 지도화 하였다. 결론적으로, 본 연구는 원격탐사 환경 모니터링에서 문제가 되는 데이터 분포의 변동성과 라벨 구축 비용 문제를 동시에 고려하여, 자동 라벨 성장과 반복 재 학습으로 구성된 self-evolving 순환 구조가 실제 적용 가능한 실용적 및 확장 가능한 해법이 될 수 있음을 제시한다. 이는 장기 변화 분석과 사건 기반 재난 대응 모두에서, 신규 관측이 누적되고 현실적인 조건 하에서 모델 성능을 최신 상태로 유지하고, 시 계열 결과의 신뢰성과 시간적 일관성을 확보하는데 기여할 수 있다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Study background 1
• 1.2 Objectives of research 5
• Chapter 2. Framework of self-evolving deep learning model 7
• 2.1 Initial deep learning model preparation 13
• 2.2 Automatic training data generation 15
• 2.3 Upgrade of deep learning model 17
• 2.4 Evaluation of the model performance in self-evolving procedure 17
• Chapter 3. Validation of the self-evolving deep learning model for environmental monitoring in remote sensing 19
• 3.1 Extraction of intertidal flat waterlines 20
• 3.1.1 Data acquisition and initial training data generation 24
• 3.1.2 Initial deep learning model preparation 35
• 3.1.3 Generation of the new intertidal flat training data 38
• 3.1.4 Upgrade of deep learning model and self-evolving algorithm evaluation 40
• 3.1.5 Result 44
• 3.2 Delineation of glacier terminus 49
• 3.2.1 Data acquisition and initial training data generation 53
• 3.2.2 Initial deep learning model preparation 57
• 3.2.3 Generation of the new glacier training data 58
• 3.2.4 Upgrade of deep learning model and self-evolving algorithm evaluation 63
• 3.2.5 Result 64
• 3.3 Detection of marine oil spills 68
• 3.3.1 Data acquisition and initial training data generation 71
• 3.3.2 Initial deep learning model preparation 77
• 3.3.3 Generation of the new oil spill training data 81
• 3.3.4 Upgrade of deep learning model and self-evolving algorithm evaluation 87
• 3.3.5 Result 91
• 3.4 Discussion 95
• 3.4.1 Automatic training data generation via guided post-classification 98
• 3.4.2 Methodological interpretation of self-evolving learning dynamics 103
• 3.4.3 Practical update strategy and the role of the initial model 108
• Chapter 4. Applications of the self-evolved models to environmental monitoring 111
• 4.1 Application of the self-evolved intertidal flat waterline extraction model 112
• 4.1.1 Tide-controlled intertidal flat mapping and tide-area response analysis 113
• 4.1.2 Comparison with national and global intertidal flat products 125
• 4.2 Application of the self-evolved glacier terminus delineation model 128
• 4.2.1 Construction of time series glacier terminus data and change analysis 128
• 4.2.2 Quantitative comparison of glacier terminus accuracy with NSIDC AutoTerm 131
• 4.3 Application of the self-evolved oil spill detection model 135
• 4.3.1 Generation of time-series oil slick distribution maps 135
• 4.3.2 Comparison with expert-interpreted oil slick detection results 137
• Chapter 5. Conclusion 141
• 국문 요약문 144
• Bibliography 148