다중 위성영상을 이용한 한반도 주변 해수면 염분 추정

장은나(Eunna Jang),임정호(Jungho Im) 대한공간정보학회 2018 한국지형공간정보학회 학술대회 Vol.2018 No.11

GOCI 위성영상과 기계학습을 이용한 한반도 연안 수질평가지수 추정

장은나 ( Eunna Jang ),임정호 ( Jungho Im ),하성현 ( Sunghyun Ha ),이상균 ( Sanggyun Lee ),박영규 ( Young Gyu Park ) 대한원격탐사학회 2016 大韓遠隔探査學會誌 Vol.32 No.3

우리나라는 대규모 산업단지와 대도시들이 연안에 집중되면서 연안의 오염이 날로 심각해지고 있다. 이러한 연안 오염을 모니터링하기 위해서 위성 영상을 이용한 연안 수질평가지수 모니터링 연구가 수행 될 필요가 있다. 수질평가지수란 저층 산소포화도, 엽록소 농도, 투명도, 용존무기질소 및 용존무기인 농도를 수질평가 항목으로 구성하여 해양환경관리법에 따른 해양환경기준을 통해 해역별로 기준을 설정하여 산출하는 지수이다. 이 연구는 한반도 주변의 연안지역을 대상으로 2011년부터 2013년까지의 현장관측 자료 및 Geostationary Ocean Color Imager (GOCI) 위성 영상을 이용하여 연안 표층 해수에 대한 기계학습 기반의 두 가지 수질평가지수 추정 기법을 개발하였다. 첫 번째 방법으로는 GOCI 반사도를 이용하여 추정된 수질평가 항목들로 수질평가지수를 계산하였고, 두 번째 방법은 GOCI 반사도 및 산출물(엽록소 농도, 총 부유물질, 용존유기물)을 이용하여 수질평가지수를 추정하였다. 기계학습으로는 Random Forest(RF), Support Vector Regression (SVR), Cubist를 사용하였다. 수질평가 항목 추정에서 투명도의 정확도가 가장 높게 나타났으며, 모든 수질평가 항목 추정에서 세 가지 기계학습 중 RF의 정확도가 가장 높았다. 하지만 추정된 수질평가 항목들로 계산한 수질평가지수는 추정된 수질평가 항목들의 오차와 저층 산소포화도의 불확실성으로 인해 정확도가 높지는 않았다. 반면 GOCI 반사도와 산출물을 이용하여 추정한 수질평가지수는 현장 관측 기반 수질평가지수와 비교했을 때 첫 번째 방법보다 정확도가 높게 나타났다. 또한 엽록소 농도가 수질평가지수 추정에 가장 중요한 변수로 나타났다. In Korea, most industrial parks and major cities are located in coastal areas, which results in serious environmental problems in both coastal land and ocean. In order to effectively manage such problems especially in coastal ocean, water quality should be monitored. As there are many factors that influence water quality, the Korean Government proposed an integrated Water Quality Index (WQI) based on in situmeasurements of ocean parameters(bottom dissolved oxygen, chlorophyll-a concentration, secchi disk depth, dissolved inorganic nitrogen, and dissolved inorganic phosphorus) by ocean division identified based on their ecological characteristics. Field-measured WQI, however, does not provide spatial continuity over vast areas. Satellite remote sensing can be an alternative for identifying WQI for surface water. In this study, two schemes were examined to estimate coastal WQI around Korea peninsula using in situ measurements data and Geostationary Ocean Color Imager (GOCI) satellite imagery from 2011 to 2013 based on machine learning approaches. Scheme 1 calculates WQI using estimated water quality-related factors using GOCI reflectance data, and scheme 2 estimates WQI using GOCI band reflectance data and basic products(chlorophyll-a, suspended sediment, colored dissolved organic matter). Three machine learning approaches including Random Forest (RF), Support Vector Regression (SVR), and a modified regression tree(Cubist) were used. Results show that estimation of secchi disk depth produced the highest accuracy among the ocean parameters, and RF performed best regardless of water quality-related factors. However, the accuracy of WQI from scheme 1 was lower than that from scheme 2 due to the estimation errors inherent from water quality-related factors and the uncertainty of bottom dissolved oxygen. In overall, scheme 2 appears more appropriate for estimating WQI for surface water in coastal areas and chlorophyll-a concentration was identified the most contributing factor to the estimation of WQI.

다종 위성자료와 기계학습을 이용한 고해상도 표층 염분 추정

성태준,심성문,장은나,임정호,Sung, Taejun,Sim, Seongmun,Jang, Eunna,Im, Jungho 대한원격탐사학회 2022 大韓遠隔探査學會誌 Vol.38 No.5

해양 염분은 전 지구 규모에서 해수 순환에 영향을 미칠 뿐만 아니라, 연·근해 지역 저염분수가 어족자원 및 수산업에 피해를 줄 수 있는 등 해양 식생환경의 변화를 줄 수 있다. 해수의 표면 특성인 sea surface salinity (SSS)에 따라 마이크로웨이브 영역의 방사율이 달라지며, 이를 통해 Soil Moisture Active Passive (SMAP) 등 위성 센서를 활용한 SSS 산출물이 제공되고 있다. 하지만 마이크로파 위성 센서 기반의 SSS 산출물은 낮은 시공간해상도로 자료를 생산하며, 연안지역과 고위도 지역에서 정확도가 낮다. 이러한 이유로 연·근해 지역 SSS의 상세한 시공간적 변화를 관측하기에는 적합하지 않다. 본 연구에서는 Jang et al. (2022)에서 제시한 기계학습 기반의 개선된 SMAP SSS (SMAP SSS (Jang))를 참조자료로 활용하여, 정지궤도해색센서(Geostationary Ocean Color Imager, GOCI) 영상으로부터 고해상도 SSS를 추정하는 Light Gradient Boosting Machine (LGBM) 기반의 모델을 개발하였다. 3가지 입력변수 조합을 테스트하였고, Multi-scale Ultra-high Resolution Sea Surface Temperature (SST) 자료가 추가된 scheme 3가 가장 높은 정확도를 보였다(R² = 0.60, RMSE = 0.91 psu). 이를 바탕으로 본 연구영역에서 SST가 SSS 모의에 효과적인 환경변수로 작용함을 보였다. 본 연구에서 제시한 LGBM 기반의 GOCI SSS는 SMAP SSS (Jang)와 비슷한 시공간적 패턴을 보였지만, 더 높은 공간해상도를 바탕으로 SSS의 보다 상세한 공간적 분포와 더불어 SMAP SSS (Jang)에서 산출하지 않는 연안 지역의 정보까지 모의하였다. 또한, 중국 남방지역에 대홍수가 발생하였던 2020년 8월을 대상으로 양자강 유출수(Changjiang Diluted Water)의 거동을 분석한 결과, GOCI SSS는 한국 해양수산연구원의 보도자료와 비교하여 일관성 있는 시공간적 변화를 보였다. 본 연구의 결과로 연안 지역의 저염수 뿐 아니라, 원해 지역에서 광학위성 신호를 활용한 고해상도 SSS 산출의 가능성을 제시하였다. Ocean salinity affects ocean circulation on a global scale and low salinity water around coastal areas often has an impact on aquaculture and fisheries. Microwave satellite sensors (e.g., Soil Moisture Active Passive [SMAP]) have provided sea surface salinity (SSS) based on the dielectric characteristics of water associated with SSS and sea surface temperature (SST). In this study, a Light Gradient Boosting Machine (LGBM)-based model for generating high resolution SSS from Geostationary Ocean Color Imager (GOCI) data was proposed, having machine learning-based improved SMAP SSS by Jang et al. (2022) as reference data (SMAP SSS (Jang)). Three schemes with different input variables were tested, and scheme 3 with all variables including Multi-scale Ultra-high Resolution SST yielded the best performance (coefficient of determination = 0.60, root mean square error = 0.91 psu). The proposed LGBM-based GOCI SSS had a similar spatiotemporal pattern with SMAP SSS (Jang), with much higher spatial resolution even in coastal areas, where SMAP SSS (Jang) was not available. In addition, when tested for the great flood occurred in Southern China in August 2020, GOCI SSS well simulated the spatial and temporal change of Changjiang Diluted Water. This research provided a potential that optical satellite data can be used to generate high resolution SSS associated with the improved microwave-based SSS especially in coastal areas.

기계학습을 적용한 정지궤도 위성 기반 산불 탐지와 모니터링

강유진(Yoojin Kang),장은나(Eunna Jang),임정호(Jungho Im),심성문(Seongmun Sim) 대한공간정보학회 2018 한국지형공간정보학회 학술대회 Vol.2018 No.11

분광복사계와 GOCI위성영상을 활용한 남해 해사채취 지역 부유사 모니터링

하성현 ( Seonghyeon Ha ),임정호 ( Jungho Im ),장은나 ( Eunna Jang ),박선영 ( Seonyeong Park ) 한국물환경학회(구 한국수질보전학회) 2016 한국물환경학회·대한상하수도학회 공동 춘계학술발표회 Vol.2016 No.-

GOCI-Ⅰ, Ⅱ 활용경험을 바탕으로 한 GOCI-III의 개선방향

안재현(Jae-Hyun Ahn),이경상(Kyeong-Sang Lee),이순주(Sun Ju Lee),최종국(Jong-Kuk Choi),장은나(Eunna Jang),박명숙(Myung-Sook Park),문정언(Jeong-Eon Moon),한태현(Tai-Hyun Han),한희정(Hee-Jeong Han),유주형(Joo-Hyung Ryu),안기범(Ki-Beom A 한국항공우주학회 2023 한국항공우주학회 학술발표회 논문집 Vol.2023 No.4

ICESat-2 고도계 자료를 활용한 여름철 북극 융빙호 탐지

한대현 ( Daehyeon Han ),김영준 ( Young Jun Kim ),정시훈 ( Sihun Jung ),심성문 ( Seongmun Sim ),김우혁 ( Woohyeok Kim ),장은나 ( Eunna Jang ),임정호 ( Jungho Im ),김현철 ( Hyun-cheol Kim ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.5

북극의 융빙호(melt pond)는 해빙 면적 감소 및 북극 빙권 변화에 중요한 역할을 하기 때문에 융빙호의 정확한 관측이 필요하다. 미국 NASA의 차세대 고도계 위성인 Ice, Cloud, and Land elevation Satellite-2 (ICESat-2)는 532 nm의 녹색 레이저를 발사한 뒤 반사되는 광자(photon)의 이동 시간을 계산하여 전 지구적으로 고해상도 고도 정보를 관측한다. ICESat-2는 현재 널리 쓰이고 있는 고도계인 CryoSat-2에 비해 세밀한 관측이 가능하기 때문에, Cryosat-2에서 관측할 수 없는 작은 규모의 융빙호를 탐지할 수 있을 것으로 기대된다. ICESat-2의 기본적인 정보로는 표면 높이(surface height)와 반사되는 광자의 수(photon count)가 있다. 본 연구에서는 각 ICESat-2 지점을 중심으로 10 m 길이의 segment를 생성하여 segment 내의 높이 표준편차와 총 광자 수를 활용한 융빙호 탐지 알고리즘을 제시하였다. 융빙호는 표면이 해빙에 비해 매끄러워서 높이의 분산이 적으므로 높이의 표준편차를 활용하여 일차적으로 융빙호와 해빙을 분류하였다. 그 다음으로는 융빙호 중에서 표면이 물인 융빙호와 얼음 표면인 융빙호를 분류하였다. 표면이 물인 융빙호는 광자를 많이 흡수하기 때문에 단위 segment 내에서 반사되어 수집된 광자의 수가 적으며, 반대로 얼음으로 덮인 융빙호는 반사되는 광자의 수가 많다. 결과적으로 본 연구에서 제시하는 융빙호 탐지 방법을 통해 물과 얼음으로 덮인 융빙호를 구별하여 탐지할 수 있다. Sentinel-2 광학 영상을 활용하여 융빙호 탐지 결과의 정성적인 분석을 하였다. 그 결과 Sentinel-2 광학 영상으로 구분하기 어려운 표면이 물인 융빙호와 얼음인 융빙호를 ICESat-2를 활용해 효과적으로 분류하였다. 마지막으로 고도계 위성 및 광학 영상을 활용한 융빙호 탐지의 고찰을 서술하였다. As the Arctic melt ponds play an important role in determining the interannual variation of the sea ice extent and changes in the Arctic environment, it is crucial to monitor the Arctic melt ponds with high accuracy. Ice, Cloud, and Land Elevation Satellite-2 (ICESat-2), which is the NASA’s latest altimeter satellite based on the green laser (532 nm), observes the global surface elevation. When compared to the CryoSat-2 altimetry satellite whose along-track resolution is 250 m, ICESat-2 is highly expected to provide much more detailed information about Arctic melt ponds thanks to its high along-track resolution of 70 cm. The basic products of ICESat-2 are the surface height and the number of reflected photons. To aggregate the neighboring information of a specific ICESat-2 photon, the segments of photons with 10 m length were used. The standard deviation of the height and the total number of photons were calculated for each segment. As the melt ponds have the smoother surface than the sea ice, the lower variation of the height over melt ponds can make the melt ponds distinguished from the sea ice. When the melt ponds were extracted, the number of photons per segment was used to classify the melt ponds covered with open-water and specular ice. As photons are much more absorbed in the water-covered melt ponds than the melt ponds with the specular ice, the number of photons per segment can distinguish the water- and ice-covered ponds. As a result, the suggested melt pond detection method was able to classify the sea ice, water-covered melt ponds, and ice-covered melt ponds. A qualitative analysis was conducted using the Sentinel-2 optical imagery. The suggested method successfully classified the water- and ice-covered ponds which were difficult to distinguish with Sentinel-2 optical images. Lastly, the pros and cons of the melt pond detection using satellite altimetry and optical images were discussed.