YOLO를 이용한 SAR 영상의 선박 객체 탐지: 편파별 모델 구성과 정확도 특성 분석

임윤교,윤유정,강종구,김서연,정예민,최소연,서영민,이양원,Yungyo Im,Youjeong Youn,Jonggu Kang,Seoyeon Kim,Yemin Jeong,Soyeon Choi,Youngmin Seo,Yangwon Lee 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

Ship detection at sea can be performed in various ways. In particular, satellites can provide wide-area surveillance, and Synthetic Aperture Radar (SAR) imagery can be utilized day and night and in all weather conditions. To propose an efficient ship detection method from SAR images, this study aimed to apply the You Only Look Once Version 5 (YOLOv5) model to Sentinel-1 images and to analyze the difference between individual vs. integrated models and the accuracy characteristics by polarization. YOLOv5s, which has fewer and lighter parameters, and YOLOv5x, which has more parameters but higher accuracy, were used for the performance tests (1) by dividing each polarization into HH, HV, VH, and VV, and (2) by using images from all polarizations. All four experiments showed very similar and high accuracy of 0.977 ≤ AP@0.5 ≤ 0.998. This result suggests that the polarization integration model using lightweight YOLO models can be the most effective in terms of real-time system deployment. 19,582 images were used in this experiment. However, if other SAR images,such as Capella and ICEYE, are included in addition to Sentinel-1 images, a more flexible and accurate model for ship detection can be built.

6SV2.1과 GK2A AOD를 이용한 기계학습 기반의 Sentinel-2 영상 대기보정

김서연,윤유정,강종구,정예민,최소연,임윤교,서영민,박찬원,이경도,나상일,안호용,류재현,이양원,Seoyeon Kim,Youjeong Youn,Jonggu Kang,Yemin Jeong,Soyeon Choi,Yungyo Im,Youngmin Seo,Chan-Won Park,Kyung-Do Lee,Sang-Il Na,Ho-Yong Ahn,Jae-Hyun Ryu 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

In this letter, we simulated an atmospheric correction for Sentinel-2 images, of which spectral bands are similar to Compact Advanced Satellite 500-4 (CAS500-4). Using the second simulation of the satellite signal in the solar spectrum - vector (6SV)2.1 radiation transfer model and random forest (RF), a type of machine learning, we developed an RF-based atmospheric correction model to simulate 6SV2.1. As a result, the similarity between the reflectance calculated by 6SV2.1 and the reflectance predicted by the RF model was very high.

기온감률 보정과 최적크리깅을 이용한 산악기상관측망 기온자료의 우리나라 500미터 격자화

윤유정 ( Youjeong Youn ),김서연 ( Seoyeon Kim ),강종구 ( Jonggu Kang ),정예민 ( Yemin Jeong ),최소연 ( Soyeon Choi ),임윤교 ( Yungyo Im ),서영민 ( Youngmin Seo ),원명수 ( Myoungsoo Won ),천정화 ( Junghwa Chun ),김경민 ( Kyungmin K 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

산악지역의 기상정보를 상세하고 적절히 제공하기 위해 산림청에서는 2012년부터 전국 주요 산악지역을 대상으로 산악기상관측망(Automatic Mountain Meteorology Observation Station, AMOS)을 구축하여, 2022년 현재 464개의 관측소가 운영되고 있다. 본 연구에서는 AMOS 지점 관측을 이용하여 우리나라 산림에 적합한 기온 격자자료를 산출하기 위해서, 기온감률 보정을 적용한 최적의 크리깅(kriging) 기법을 제안하고 그 가용성을 평가하였다. 우선 통계적 처리를 통해 AMOS 기온자료의 이상치를 제거하였고, 이 자료를 이용하여 경험 베리오그램(variogram)에 가장 근사하는 이론 베리오그램을 도출하여 최적화 크리깅을 수행하였다. 이 때 기온감률 보정(lapse rate correction)을 적용하여 산악지형의 고도 변이가 반영되는 500 m 해상도의 기온격자지도를 생성하였다. 공간적으로 치우치지 않은 검증샘플을 이용한 암맹평가를 통해 본 기법의 가용성을 평가한 결과, 0.899-0.953의 상관계수 및 0.933-1.230℃의 오차를 나타내 기온감률 보정을 적용하지 않은 정규크리깅에 비해 정확도가 다소 향상되었다. 또한 기온감률 크리깅은 우리나라 산림의 복잡지형을 잘 표현하여, 강원도 산간지역과 해안산림지역의 국지적인 변이 및 지리산·내장산과 그 주변 산림의 지형적 차이와 같은 미세한 지역특성을 살릴 수 있다는 것이 가장 큰 장점이라고 할 수 있다. To provide detailed and appropriate meteorological information in mountainous areas, the Korea Forest Service has established an Automatic Mountain Meteorology Observation Station (AMOS) network in major mountainous regions since 2012, and 464 stations are currently operated. In this study, we proposed an optimal kriging technique with lapse rate correction to produce gridded temperature data suitable for Korean forests using AMOS point observations. First, the outliers of the AMOS temperature data were removed through statistical processing. Then, an optimized theoretical variogram, which best approximates the empirical variogram, was derived to perform the optimal kriging with lapse rate correction. A 500-meter resolution Kriging map for temperature was created to reflect the elevation variations in Korean mountainous terrain. A blind evaluation of the method using a spatially unbiased validation sample showed a correlation coefficient of 0.899 to 0.953 and an error of 0.933 to 1.230℃, indicating a slight accuracy improvement compared to regular kriging without lapse rate correction. However, the critical advantage of the proposed method is that it can appropriately represent the complex terrain of Korean forests, such as local variations in mountainous areas and coastal forests in Gangwon province and topographical differences in Jirisan and Naejangsan and their surrounding forests.

인공지능 기반의 GEMS 산불연기 및 황사 탐지

정예민 ( Yemin Jeong ),윤유정 ( Youjeong Youn ),김서연 ( Seoyeon Kim ),강종구 ( Jonggu Kang ),최소연 ( Soyeon Choi ),임윤교 ( Yungyo Im ),서영민 ( Youngmin Seo ),유정아 ( Jeong-ah Yu ),성경희 ( Kyoung-hee Sung ),김상민 ( Sang-min 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

산불은 오랜 기간동안 사회 및 경제적으로 지구에 많은 피해를 야기하며, 이러한 산불은 자연적 혹은 인위적으로 발생되어왔다. 이로 인해 여러 실험들에서 산불로 인한 악영향에 관한 연구들을 진행하였으며, 동시에 산불 발생 시 빠른 대처를 위한 산불탐지 및 오염배출 물질 탐지 등과 같은 연구들도 수행되었다. 그러나 현재까지 한국 및 동아시아 영역을 배경으로 한 연구는 부족한 실정이고 산불 탐지에 활용되는 자료들의 정확도에 한계가 있었다. 본 연구에서는 정지궤도 환경위성(Geostationary Environment Monitoring Spectrometer, GEMS) 영상에 위색합성기법을 활용해 새로운 산불연기 탐지 산출물을 생성하고 해당 영상을 U-Net 모델링에 활용해 기존의 연구들에서 산불 탐지시에 활용했던 가시광선 채널 영상의 한계를 보완하였다. 그리고 U-Net 모델링을 통해 산출된 산불연기 영역으로부터 황사 픽셀 필터링을 수행하는 분류모델을 구축하여 순수 산불연기 탐지 영상을 산출하였으며, 이는 GEMS 기반의 재난감시에 활용될 수 있을 것으로 기대한다. Wildfires cause a lot of environmental and economic damage to the Earth over time. Various experiments have examined the harmful effects of wildfires. Also, studies for detecting wildfires and pollutant emissions using satellite remote sensing have been conducted for many years. The wildfire product for the Geostationary Environmental Monitoring Spectrometer (GEMS), Korea’s first environmental satellite sensor, has not been provided yet. In this study, a false-color composite for better expression of wildfire smoke was created from GEMS and used in a U-Net model for wildfire detection. Then, a classification model was constructed to distinguish yellow dust from the wildfire smoke candidate pixels. The proposed method can contribute to disaster monitoring using GEMS images.

PlanetScope 영상을 이용한 해양 유출유의 색상 특성 분석

강종구 ( Jonggu Kang ),윤유정 ( Youjeong Youn ),김서연 ( Seoyeon Kim ),정예민 ( Yemin Jeong ),최소연 ( Soyeon Choi ),임윤교 ( Yungyo Im ),서영민 ( Youngmin Seo ),이양원 ( Yangwon Lee ) 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

이 단보에서는 PlanetScope 영상을 사용하여 Red-Green-Blue (RGB) 히스토그램 (histogram) 분석을 통해 해양 유출유의 색상 특성과 유종 구분에 대한 실험을 수행하였다. 해양 유출유의 히스토그램은 각 밴드 화소값 분포에 따라 세 가지 카테고리(어두운 검은색 톤, 밝은 은색 톤, 밝은 무지개색 톤)로 나눌 수 있으며, 어두운 검은색 톤의 두꺼운 기름층은 중유(heavy oil)로 구분할 수 있고, 밝은 은색 및 무지개색 톤의 얇은 기름층은 경유(light oil)로 구분할 수 있다. 향후 보다 많은 영상에 대한 분석이 이루어진다면, 이러한 유출유 탐지와 유종 구분이 보다 더 일반화되고 신뢰도를 높일 수 있을 것으로 사료된다. In this letter, we used PlanetScope imagery to conduct experiments on the color characteristics for oil type classification of marine oil spills through Red-Green-Blue (RGB) histogram analysis. The histograms of marine oil spills can be divided into three categories (dark black tones, light silver tones, and light rainbow tones) according to the distribution of pixel values in each band. Thick oil layers with dark black tones can be classified as heavy oil, while thin oil layers with light silver and rainbow tones can be classified as light oil. As more images are analyzed in the future, these oil spill detection and classification methods will become more generalized and reliable.

Swin Transformer와 Sentinel-1 영상을 이용한 우리나라 저수지의 수체 탐지

최소연 ( Soyeon Choi ),윤유정 ( Youjeong Youn ),강종구 ( Jonggu Kang ),김서연 ( Seoyeon Kim ),정예민 ( Yemin Jeong ),임윤교 ( Yungyo Im ),서영민 ( Youngmin Seo ),김완엽 ( Wanyub Kim ),최민하 ( Minha Choi ),이양원 ( Yangwon Lee ) 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

본 연구에서는 Sentinel-1 synthetic aperture radar 영상을 활용하여 딥러닝 모델인 Swin Transformer로 국내 농업용 저수지의 수표면적을 모니터링 하는 방법을 제시한다. Google Earth Engine 플랫폼을 이용하여 70만 톤 급, 90만 톤 급, 150만 톤 급 저수지 7개소에 대한 2017년부터 2021년 데이터셋을 구축하였다. 저수지 4개소에 대한 영상 1,283장에 대해서 셔플링(suffling) 및 5-폴드(fold) 교차검증 기법을 적용하여 모델을 학습하였다. 시험평가 결과 모델의 윈도우 크기를 12로 설정한 Swin Transformer Large 모델은 각 폴드에서 평균적으로 99.54%의 정확도와 95.15%의 mean intersection over union (mIoU)을 기록하여 우수한 의미론적 분할 성능을 보여주었다. 최고 성능을 보여준 모델을 나머지 3개소 저수지 데이터셋에 적용하여 성능을 검증한 결과, 모든 저수지에서 정확도 99% 및 mIoU 94% 이상을 달성함을 확인했다. 이러한 결과는 Swint Transformer 모델이 국내의 농업용 저수지의 수표면적 모니터링에 효과적으로 활용될 수 있음을 보여준다. In this study, we propose a method to monitor the surface area of agricultural reservoirs in South Korea using Sentinel-1 synthetic aperture radar images and the deep learning model, Swin Transformer. Utilizing the Google Earth Engine platform, datasets from 2017 to 2021 were constructed for seven agricultural reservoirs, categorized into 700 K-ton, 900 K-ton, and 1.5 M-ton capacities. For four of the reservoirs, a total of 1,283 images were used for model training through shuffling and 5-fold cross-validation techniques. Upon evaluation, the Swin Transformer Large model, configured with a window size of 12, demonstrated superior semantic segmentation performance, showing an average accuracy of 99.54% and a mean intersection over union (mIoU) of 95.15% for all folds. When the best-performing model was applied to the datasets of the remaining three reservoirs for validation, it achieved an accuracy of over 99% and mIoU of over 94% for all reservoirs. These results indicate that the Swin Transformer model can effectively monitor the surface area of agricultural reservoirs in South Korea.