RISS 검색 - 국내학술지논문 상세보기

다국어 초록 (Multilingual Abstract)

The importance of high-resolution sea ice maps of the Arctic Ocean is increasing due to the possibility of pioneering North Pole Routes and the necessity of precise climate prediction models. In this study, sea ice classification algorithms for two deep learning models were examined using Sentinel- 1 A/B SAR data to generate high-resolution sea ice classification maps. Based on current ice charts, three classes (Open Water, First Year Ice, Multi Year Ice) of training data sets were generated by Arctic sea ice and remote sensing experts. Ten sea ice classification algorithms were generated by combing two deep learning models (i.e. Simple CNN and Resnet50) and five cases of input bands including incident angles and thermal noise corrected HV bands. For the ten algorithms, analyses were performed by comparing classification results with ground truth points. A confusion matrix and Cohen’s kappa coefficient were produced for the case that showed best result. Furthermore, the classification result with the Maximum Likelihood Classifier that has been traditionally employed to classify sea ice. In conclusion, the Convolutional Neural Network case, which has two convolution layers and two max pooling layers, with HV and incident angle input bands shows classification accuracy of 96.66%, and Cohen’s kappa coefficient of 0.9499. All deep learning cases shows better classification accuracy than the classification result of the Maximum Likelihood Classifier.

국문 초록 (Abstract)

북극항로의 개척 가능성과 정확한 기후 예측 모델의 필요성에 의해 북극해 고해상도 해빙 지도의 중요성이 증가하고 있다. 그러나 기존의 북극 해빙 지도는 제작에 사용된 위성 영상 취득 ...

북극항로의 개척 가능성과 정확한 기후 예측 모델의 필요성에 의해 북극해 고해상도 해빙 지도의 중요성이 증가하고 있다. 그러나 기존의 북극 해빙 지도는 제작에 사용된 위성 영상 취득 센서의 특성에 따른 데이터의 취득과 공간해상도 등에서 그 활용도가 제한된다. 본 연구에서는 Sentinel-1 A/B SAR 위성자료로부터 고해상도 해빙 지도를 생성하기 위한 딥러닝 기반의 해빙 분류 알고리즘을 연구하였다. 북극해 Ice Chart를 기반으로 전문가 판독에 의해 Open Water, First Year Ice, Multi Year Ice의 세 클래스로 구성된 훈련자료를 구축하였으며, Convolutional Neural Network 기반의 두 가지 딥러닝 모델(Simple CNN, Resnet50)과 입사각 및 thermal noise가 보정된 HV 밴드를 포함하는 다섯 가지 입력 밴드 조합을 이용하여 총 10가지 케이스의 해빙 분류를 실시하였다. 이 케이스들에 대하여 Ground Truth Point를 사용하여 정확도를 비교하고, 가장 높은 정확도가 나온케이스에 대해 confusion matrix 및 Cohen의 kappa 분석을 실시하였다. 또한 전통적으로 분류를 위해 많이 활용되어 온 Maximum Likelihood Classifier 기법을 이용한 분류결과에 대해서도 같은 비교를 하였다. 그 결과Convolution 층 2개, Max Pooling 층 2개를 가진 구조의 Convolutional Neural Network에 [HV, 입사각] 밴드를 넣은 딥러닝 알고리즘의 분류 결과가 96.66%의 가장 높은 분류 정확도를 보였으며, Cohen의 kappa 계수는 0.9499 로 나타나 딥러닝에 의한 해빙 분류는 비교적 높은 분류 결과를 보였다. 또한 모든 딥러닝 케이스는 Maximum Likelihood Classifier 기법에 비해 높은 분류 정확도를 보였다.

참고문헌 (Reference)

1 김윤지, "북극해 해빙 탐지를 위한 Sentinel-1 HV자료의 방사보정 연구" 대한원격탐사학회 34 (34): 1273-1282, 2018

2 Nusser, S. M., "Survey methods for assessing land cover map accuracy" 10 (10): 309-331, 2003

3 Wang, L., "Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks : A case study" 54 (54): 4524-4533, 2016

4 Liu, H., "SVM-based sea ice classification using textural features and concentration from RADARSAT-2 dual-pol ScanSAR data" 8 (8): 1601-1613, 2014

5 Chi, J., "Prediction of arctic sea ice concentration using a fully data driven deep neural network" 9 (9): 1305-, 2017

6 Notz, D., "Observed Arctic sea-ice loss directly follows anthropogenic CO2 emission" 354 (354): 747-750, 2016

7 Ali, I., "Methods to remove the border noise from Sentinel-1 synthetic aperture radar data: implications and importance for time-series analysis" 11 (11): 777-786, 2018

8 Stehman, S. V., "Introduction to special issue on map accuracy" 10 : 301-308, 2003

9 Mladenova, I. E., "Incidence angle normalization of radar backscatter data" 51 (51): 1791-1804, 2012

10 Cooke, C. L., "Estimating Sea Ice Concentration From SAR : Training Convolutional Neural Networks With Passive Microwave Data" 57 (57): 4735-4747, 2019