KR102496740B1 - System and method for reservoir water body analysis using synthetic aperture radar data - Google Patents
System and method for reservoir water body analysis using synthetic aperture radar data Download PDFInfo
- Publication number
- KR102496740B1 KR102496740B1 KR1020220067796A KR20220067796A KR102496740B1 KR 102496740 B1 KR102496740 B1 KR 102496740B1 KR 1020220067796 A KR1020220067796 A KR 1020220067796A KR 20220067796 A KR20220067796 A KR 20220067796A KR 102496740 B1 KR102496740 B1 KR 102496740B1
- Authority
- KR
- South Korea
- Prior art keywords
- water surface
- surface area
- reservoir
- image
- satellite image
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000004458 analytical method Methods 0.000 title claims description 72
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000007637 random forest analysis Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000009795 derivation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000000556 factor analysis Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 238000011551 log transformation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000003709 image segmentation Methods 0.000 description 12
- 239000013505 freshwater Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 239000003550 marker Substances 0.000 description 7
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000012876 topography Methods 0.000 description 6
- 238000010835 comparative analysis Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000206761 Bacillariophyta Species 0.000 description 1
- 241000195628 Chlorophyta Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Computer Graphics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
Description
본 발명은 가뭄에 취약한 중·소규모 농업용 저수지의 수표면적을 연중 기상 조건과 상관없이 연속적으로 관측하고 유량 예측정보를 생성할 수 있는 위성영상 기반 저수지 수표면적 분석 시스템 및 방법에 관한 것이다.The present invention relates to a satellite image-based reservoir water surface area analysis system and method capable of continuously observing the water surface area of small and medium-sized agricultural reservoirs vulnerable to drought regardless of year-round weather conditions and generating flow prediction information.
미래학자들은 태풍이나 집중호우, 쓰나미 등의 재난보다 가뭄이 과거와 미래의 인류문명에 가장 위협적인 재난으로 꼽고 있다. 이는 가뭄이 사회·경제·문화·산업 전반에 끼치는 영향이 광범위하기 때문이다. 우리나라는 최근 기온, 강수량과 관련된 기상지표가 매년 큰 변동성을 나타내고 있다. 이에 따라 폭염과 폭우가 빈번히 발생되는 가운데 2014년~2018년까지 가뭄이 기승을 부렸다. 이에 정부는 2016년부터 체계적인 가뭄 관리를 시작하여 행정안전부를 중심으로 농림축산식품부, 환경부, 기상청 등의 관계부처와 합동으로 가뭄 예·경보 체계를 구축하여 운영하고 있다.Futurologists consider drought as the most threatening disaster to human civilization in the past and future, rather than disasters such as typhoons, torrential rains, and tsunamis. This is because the drought has a wide-ranging impact on society, economy, culture and industry. In Korea, meteorological indicators related to recent temperature and precipitation show great variability every year. As a result, heatwaves and heavy rains occurred frequently, and droughts were rampant from 2014 to 2018. Accordingly, the government began systematic drought management in 2016 and has established and operated a drought forecasting and warning system jointly with the Ministry of Public Administration and Security, the Ministry of Agriculture, Food and Rural Affairs, the Ministry of Environment, and the Korea Meteorological Administration.
기상청은 기상학적 가뭄정보 생산 및 중장기 예측을 수행하고 농림축산식품부는 농업적 가뭄 감시 및 관리정보를 생산하고 있으며, 환경부는 수문학적 물부족 예측정보 및 가뭄취약 지방상수원 모니터링 정보를 생산하고 있다. 가뭄 예·경보 운영의 주체인 행정안전부는 관계부처에서 취합된 정보를 기반으로 대국민 예·경보 서비스를 수행하고 있지만, 자체적인 정보를 생산하고 있지 않다.The Korea Meteorological Administration produces meteorological drought information and mid- to long-term forecasts, the Ministry of Agriculture, Food and Rural Affairs produces agricultural drought monitoring and management information, and the Ministry of Environment produces hydrological water shortage prediction information and drought-vulnerable local water supply monitoring information. The Ministry of Public Administration and Security, which is the subject of drought forecasting and warning operation, is conducting public forecasting and warning services based on information collected by related ministries, but does not produce its own information.
지금까지 위성정보를 활용한 가뭄관리 기술은 토양에 포함된 수분의 양을 분석하거나 식생의 활력도를 분석하여 가뭄의 심화정도를 추정하는 방법에 집중되어 있었다. 하지만 이러한 접근방법은 현재 체감되는 가뭄상황과 다소 시간적 지체가 있고 도출된 값으로 가뭄정도를 직접적으로 계량하기 어려운 점이 있어서 가뭄대응 정책에 활용하기에는 어려움이 있었다.So far, drought management technologies using satellite information have been focused on estimating the severity of drought by analyzing the amount of moisture contained in the soil or the vitality of vegetation. However, it was difficult to use this approach for drought response policies because there was a delay in the current drought situation and some time delay, and it was difficult to directly measure the degree of drought with the derived values.
또한, 수표면적 분석결과의 현업활용을 위해서 필요한 두 가지 개선 요구사항은 다음과 같다. 첫 번째는 월 1회 이상 안정적으로 분석이 가능한 영상자료의 확보이다. 광학영상은 활용 가능한 영상이 다양하고 분석이 쉽다는 장점이 있지만, 기상 상황이 나쁘면 분석을 할 수 없는 한계가 있다. 이러한 한계를 극복하기 위해서 기상 조건과 상관없이 지상관측이 가능한 합성 개구레이더(SAR, Synthetic Aperture Radar) 영상(이후 SAR영상)의 활용이 필요하게 되었다. 두 번째는 분석 대상 저수지를 대규모 댐 유역에서 지자체에서 관리하는 중·소규모 저수지로 변경하는 것이다. 지자체에서 관리하는 중·소규모 저수지의 경우, 기상 상황에 따라 가용수량 변동이 심하여 가뭄에 취약하지만, 다양한 이유로 체계적인 유량 관측장비가 설치되어 있지 않거나 관측장비가 설치되어 있는 경우에도 유지관리에 어려움을 겪어 제대로 관리가 안 되는 실정이다. 이러한 이유로 지자체에서는 간접적인 방법이라도 저수량을 파악할 수 있는 대체 수단의 필요성이 제기되고 있다.In addition, the two improvement requirements necessary for field use of the water surface area analysis result are as follows. The first is securing video data that can be analyzed reliably at least once a month. Optical imaging has the advantage of being diverse and easy to analyze, but has limitations in that analysis cannot be performed when the weather conditions are bad. In order to overcome these limitations, it is necessary to use synthetic aperture radar (SAR) images (hereinafter referred to as SAR images) that can perform ground observation regardless of weather conditions. The second is to change the reservoir to be analyzed from a large-scale dam basin to a small or medium-sized reservoir managed by a local government. In the case of small and medium-sized reservoirs managed by local governments, they are vulnerable to drought due to severe fluctuations in available water quantity depending on weather conditions. It is not properly managed. For this reason, local governments are raising the need for an alternative means to determine the amount of water stored even in an indirect way.
본 발명은 전술한 문제점을 개선하기 위해 안출된 것으로, 본 발명은 가뭄에 취약한 중·소규모 농업용 저수지의 수표면적을 연중 기상 조건과 상관없이 연속적으로 관측하여 전국적인 가뭄의 정도를 직관적으로 파악하는 효과적인 수단을 제공하는데 과제가 있다.The present invention has been made to improve the above-mentioned problems, and the present invention is effective in intuitively grasping the degree of nationwide drought by continuously observing the water surface area of small and medium-sized agricultural reservoirs vulnerable to drought regardless of weather conditions throughout the year. There are challenges in providing the means.
또한 본 발명의 실시예에 따르면, 위성영상을 활용하여 중·소규모 저수지의 안정적인 유량 예측정보 생산을 통해 가뭄 예·경보 지원정보를 제공하는데 과제가 있다.In addition, according to an embodiment of the present invention, there is a task to provide drought forecasting/warning support information through reliable production of flow rate prediction information for small and medium-sized reservoirs using satellite images.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 의한 위성영상 기반 저수지 수표면적 분석 시스템은 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 위성영상 수집모듈, 상기 SAR 위성영상에 대한 전처리를 수행하는 전처리모듈 및 전처리된 상기 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하고 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 수표면적 추정모듈을 포함할 수 있다.In order to achieve the above object, a satellite image-based reservoir water surface area analysis system according to an embodiment of the present invention includes a satellite image collection module for receiving a synthetic aperture radar (SAR) satellite image of a target reservoir, the SAR satellite image It may include a pre-processing module for performing pre-processing and a water surface area estimation module for extracting an area of the target reservoir from the pre-processed SAR satellite image and calculating a water surface area estimation value by applying an image classification technique.
상기 위성영상 기반 저수지 수표면적 분석 시스템은 상기 대상 저수지의 수표면적 실측값을 도출하는 수표면적 실증모듈을 더 포함하고, 상기 수표면적 실증모듈은, 상기 대상 저수지에 대한 드론 촬영 영상을 획득하는 영상 수집부, 상기 드론 촬영 영상에 상기 대상 저수지의 수치표면모델(Digital Surface Model, DSM)을 적용하여 정사영상을 생성하는 정사영상 생성부 및 상기 정사영상에서 상기 대상 저수지의 수표면적 실측값을 도출하는 실측값 도출부를 포함할 수 있다.The satellite image-based reservoir water surface area analysis system further includes a water surface area empirical module for deriving an actual measured water surface area value of the target reservoir, and the water surface area empirical module is an image collection for acquiring a drone-captured image of the target reservoir. Unit, an ortho image generation unit for generating an ortho image by applying a digital surface model (DSM) of the target reservoir to the drone-captured image, and an actual measurement for deriving an actual measurement value of the water surface area of the target reservoir from the ortho image It may include a value derivation unit.
상기 전처리모듈은, 상기 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 적용하여 보정하는 정밀 궤도 보정부, 상기 SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 열 노이즈 제거부, 시그마 너트 값의 LUT(Look Up Table)을 기반으로 상기 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환하는 방사보정부, 수치표고모델(Digital Elevation Model, DEM)을 기반으로 상기 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정하는 방사지형평탄화부, 상기 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환하는 지형보정부, 상기 지형보정된 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 저수지 영역 추출부, 스펙클 필터를 이용하여 스펙클 노이즈를 제거하는 스펙클 노이즈 제거부 및 단위가 없는 영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환하는 영상 데시벨 변환부를 포함할 수 있다.The pre-processing module is a precision orbit correction unit that corrects the orbit information provided through SNAP (SeNtinel's Application Platform) to orbit information in meta information provided when the SAR satellite image is received, and a backscattered signal of the SAR satellite image A thermal noise removal unit that normalizes and reduces noise effects, a radiation correction unit that converts digital pixel values in the SAR satellite image into radiation-corrected SAR backscatter values based on a LUT (Look Up Table) of sigma nut values, and numerical values A radial terrain flattening unit that corrects the radiation signal by performing geometrical calculations of each pixel and the precision trajectory information based on the digital elevation model (DEM). A topography correction unit that converts pixel values from slope distance values to ground distance values by applying the Doppler orthocorrection technique, a reservoir area extraction unit that extracts the area of the target reservoir from the terrain-corrected SAR satellite image, and a speckle filter are used. and a speckle noise removal unit that removes speckle noise by performing a speckle noise removal unit and an image decibel converter that replaces the backscattering coefficient value of a unitless image with a decibel (dB) using log transformation.
상기 수표면적 추정모듈은, 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법 중 어느 하나를 적용하여 상기 수표면적 추정값을 산출할 수 있다.The water surface area estimation module may calculate the water surface area estimation value by applying any one of a neural network, a support vector machine, and a random forest technique.
상기 위성영상 기반 저수지 수표면적 분석 시스템은 상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 평가모듈을 더 포함할 수 있다.The satellite image-based reservoir water surface area analysis system may further include an evaluation module that evaluates accuracy by comparing the measured water surface area with the estimated water surface area.
상기 평가모듈은, 상기 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축하는 검증자료 구축부, 상기 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량평가부 및 상기 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 정성평가부를 포함할 수 있다.The evaluation module may include a verification data construction unit that collects orthoimages and a lookup table of the at least one target reservoir to build a dataset, and an area of the estimated water surface area based on the orthoimage and a lookup table of the at least one or more target reservoirs. A quantitative evaluation unit that analyzes unit accuracy and pixel unit accuracy, and a qualitative evaluation unit that analyzes the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of the at least one target reservoir. can include
상기 SAR 촬영 영상 및 드론 촬영 영상의 촬영 시점 간격은 일주일 이내로 제한될 수 있다.The photographing time interval of the SAR photographed image and the drone photographed image may be limited to within one week.
상기 대상 저수지는 저수용량이 30만톤 이하의 중규모 또는 소규모 저수지일 수 있다.The target reservoir may be a medium-sized or small-scale reservoir having a storage capacity of 300,000 tons or less.
본 발명의 다른 실시예에 의한 위성영상 기반 저수지 수표면적 분석 방법은 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 단계, 상기 SAR 위성영상에 대한 전처리를 수행하는 단계, 전처리된 상기 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 단계 및 상기 대상 저수지의 영역에 대하여 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 단계를 포함할 수 있다.A satellite image-based reservoir water surface area analysis method according to another embodiment of the present invention includes the steps of receiving a synthetic aperture radar (SAR) satellite image of a target reservoir, preprocessing the SAR satellite image, and preprocessing the SAR. The method may include extracting an area of the target reservoir from a satellite image and calculating an estimated water surface area by applying an image classification technique to the area of the target reservoir.
상기 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 단계 이전에, 상기 대상 저수지에 대한 드론 촬영 영상을 획득하는 단계, 상기 드론 촬영 영상에 상기 대상 저수지의 수치표면모델(Digital Terrain Model, DTM)을 적용하여 정사영상을 생성하는 단계 및 상기 정사영상에서 상기 대상 저수지의 수표면적 실측값을 도출하는 단계를 더 포함할 수 있다.Before the step of receiving the SAR (Synthetic Aperture Radar) satellite image of the target reservoir, obtaining a drone-captured image of the target reservoir, a digital terrain model (Digital Terrain Model, The method may further include generating an orthoimage by applying DTM) and deriving a measured water surface area value of the target reservoir from the orthoimage.
상기 SAR 위성영상에 대한 전처리를 수행하는 단계는, 상기 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 적용하여 보정하는 정밀 궤도 보정 단계, 상기 SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 열 노이즈 제거 단계, 시그마 너트 값의 LUT(Look Up Table)을 기반으로 상기 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환하는 방사보정 단계, 수치표고모델(Digital Elevation Model, DEM)을 기반으로 상기 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정하는 방사지형평탄화 단계, 상기 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환하는 지형보정 단계, 상기 지형보정된 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 영상자르기 단계, 스펙클 필터를 이용하여 스펙클 노이즈를 제거하는 스펙클 노이즈 제거 단계 및 단위가 없는 영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환하는 영상 데시벨 변환 단계를 포함할 수 있다.The step of performing pre-processing on the SAR satellite image is a precision orbit correction step of correcting by applying precise orbit information provided through SNAP (SeNtinel's Application Platform) to orbit information in meta information provided when the SAR satellite image is received; Thermal noise removal step of normalizing the backscattered signal of the SAR satellite image and reducing the effect of noise, SAR backscattered value obtained by radiation-correcting digital pixel values in the SAR satellite image based on the LUT (Look Up Table) of sigma nut values Radiation correction step of converting to, radial terrain flattening step of correcting the radiation signal by performing geometrical calculation of each pixel with the precision trajectory information based on a digital elevation model (Digital Elevation Model, DEM), trajectory state vector in the meta information A terrain correction step of converting pixel values from slope distance values to ground distance values by applying the Range Doppler orthocorrection technique to information and digital elevation model data, image cropping to extract the area of the target reservoir from the terrain-corrected SAR satellite image Step, a speckle noise removal step of removing speckle noise using a speckle filter and an image decibel conversion step of replacing the backscattering coefficient value of a unitless image with a decibel (dB) using log transformation. can include
상기 위성영상 기반 저수지 수표면적 분석 방법은 상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 단계를 더 포함할 수 있다. 상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 단계는, 상기 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축하는 검증자료 구축 단계, 상기 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량적 정확도 분석 단계 및 상기 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 정성적 정확도 분석 단계를 포함할 수 있다.The satellite image-based reservoir water surface area analysis method may further include evaluating accuracy by comparing the measured water surface area with the estimated water surface area. The step of evaluating accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area may include a verification data construction step of constructing a dataset by collecting orthoimages and a reference table for the at least one or more target reservoirs, and the at least one or more target reservoirs. A quantitative accuracy analysis step of analyzing area unit accuracy and pixel unit accuracy of the water surface area estimation value based on the orthoimage of the reservoir and a reference table, and boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of the at least one target reservoir A qualitative accuracy analysis step of performing qualitative accuracy analysis of the water surface area estimation value may be included.
본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템 및 방법은 가뭄에 취약한 중·소규모 농업용 저수지의 수표면적을 연중 기상 조건과 상관없이 연속적으로 관측하여 전국적인 가뭄의 정도를 직관적으로 파악할 수 있다.A satellite image-based reservoir water surface area analysis system and method according to an embodiment of the present invention continuously observes the water surface area of small and medium-sized agricultural reservoirs vulnerable to drought regardless of weather conditions throughout the year to intuitively determine the degree of nationwide drought. can
또한, 본 발명의 일 실시예는 위성영상을 활용하여 중·소규모 저수지의 안정적인 유량 예측정보 생산을 통해 가뭄 예·경보 지원정보를 제공할 수 있다.In addition, an embodiment of the present invention can provide drought forecasting/warning support information through reliable production of flow rate prediction information for small and medium-sized reservoirs using satellite images.
도 1은 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템과 SAR(Synthetic Aperture Radar) 위성영상, 드론 촬영 영상의 관계를 개략적으로 나타내는 모식도이다.
도 2는 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템을 개략적으로 나타내는 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 전처리모듈의 세부구성을 나타내는 블럭도이다.
도 4는 본 발명의 일 실시예에 따른 수표면적 추정모듈, 수표면적 실증모듈 및 평가모듈의 세부구성을 나타내는 블럭도이다.
도 5는 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 방법의 흐름을 전체적으로 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 방법을 나타내는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 방법에서 SAR 위성영상 전처리 단계의 세부 단계를 나타내는 순서도이다.
도 8은 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 방법에서 정확도 평가 단계의 세부 단계를 나타내는 순서도이다.
도 9는 SAR 위성영상 수표면적 추정값 산출 과정을 도식화한 도면이다.
도 10은 정사영상 제작 및 수표면적 실측값 도출 과정을 도식화한 도면이다.
도 11은 알고리즘별 저수지 수표면적 평균값을 나타내는 그래프이다.
도 12는 대상 저수지 규모별 수표면적 평균값을 나타내는 도면이다.
도 13은 알고리즘별 수표면적 실측값과 추정값의 평균 차이를 나타내는 그래프이다.
도 14는 유효저수량 규모별 수표면적 산출결과의 상관계수를 나타내는 그래프이다.
도 15는 유효저수량 규모별 수표면적 산출결과의 RMSE(평균제곱근 오차) 비율을 나타내는 그래프이다.
도 16은 유효저수량 규모별 평균 상관계수 및 RMSE(평균제곱근 오차) 비율을 나타내는 그래프이다.
도 17은 기법별 수표면적 산출결과 및 실측면적 산포도를 나타내는 그래프이다.
도 18은 화소단위 분석을 위한 흐름도 및 예시를 나타내는 도면이다.
도 19는 기법별 수체분류 결과 검증값에 대한 방사형 그래프이다.
도 20은 규모별 수체분류 결과 검증값에 대한 방사형 그래프이다.
도 21은 위성 레이더로부터 SAR 영상을 촬영할 때 지형효과로 인해 발생할 수 있는 영상 왜곡 특성을 도식화한 도면이다.
도 22는 음영에 의한 기하왜곡(geometric distortion)으로 인해 수표면적 산출 정확도에 오류가 발생한 예시로 어린지 저수지의 정사영상 및 신경망(NN) 수표면적 산출 결과를 표현한 그림과 어린지 저수지 인근 지역의 수치표고모형(DEM)을 나타낸 그림이다.
도 23은 저수지 주변 토지피복 특성의 변화를 보이는 벽정 저수지 인근 논 관개 상태를 나타내는 도면이다.
도 24는 시기별 분황 저수지의 주변 토지피복 변화 및 오츠(Otsu) 수체 분류 결과를 나타내는 도면이다.
도 25는 벽정 저수지 수표면 식생 상태를 나타내는 도면이다.
도 26은 시기별 벽정 저수지 수표면 식생 변화를 나타내는 도면이다.1 is a schematic diagram schematically showing the relationship between a satellite image-based reservoir water surface area analysis system, a synthetic aperture radar (SAR) satellite image, and a drone-captured image according to an embodiment of the present invention.
2 is a block diagram schematically illustrating a system for analyzing a water surface area of a reservoir based on satellite imagery according to an embodiment of the present invention.
3 is a block diagram showing the detailed configuration of a preprocessing module according to an embodiment of the present invention.
4 is a block diagram showing detailed configurations of a water surface area estimation module, a water surface area verification module, and an evaluation module according to an embodiment of the present invention.
5 is a diagram showing the overall flow of a satellite image-based reservoir water surface area analysis method according to an embodiment of the present invention.
6 is a flowchart illustrating a method for analyzing a water surface area of a reservoir based on satellite images according to an embodiment of the present invention.
7 is a flowchart illustrating detailed steps of a preprocessing step of a SAR satellite image in a method for analyzing a water surface area of a reservoir based on satellite imagery according to an embodiment of the present invention.
8 is a flowchart illustrating detailed steps of the accuracy evaluation step in the satellite image-based reservoir water surface area analysis method according to an embodiment of the present invention.
9 is a schematic diagram illustrating a process of calculating a water surface area estimation value of a SAR satellite image.
10 is a diagram illustrating a process of producing an orthoimage and deriving an actual measurement value of the water surface area.
11 is a graph showing the average value of the reservoir water surface area for each algorithm.
12 is a diagram showing the average value of the water surface area for each target reservoir size.
13 is a graph showing the average difference between the measured value and the estimated value of the water surface area for each algorithm.
14 is a graph showing the correlation coefficient of the water surface area calculation result for each effective storage volume scale.
15 is a graph showing the RMSE (root mean square error) ratio of the water surface area calculation result for each effective storage volume scale.
16 is a graph showing average correlation coefficients and RMSE (root mean square error) ratios for each scale of effective water storage.
17 is a graph showing the result of calculating the water surface area for each technique and the scatter plot of the measured area.
18 is a diagram showing a flowchart and an example for pixel unit analysis.
19 is a radial graph of verification values of water body classification results for each technique.
20 is a radial graph of verification values of water body classification results by scale.
21 is a diagram illustrating image distortion characteristics that may occur due to a terrain effect when capturing an SAR image from a satellite radar.
22 is an example of an error in the calculation accuracy of the water surface area due to geometric distortion caused by shading, and is a picture showing the orthoimage of a reservoir and the result of calculating the surface area of a neural network (NN) and the numerical values of the area near the reservoir. It is a picture showing elevation model (DEM).
23 is a view showing the irrigation state of rice fields near Byeokjeong Reservoir showing changes in land cover characteristics around the reservoir.
24 is a diagram showing the results of land cover change and classification of Otsu water bodies around Bunhwang Reservoir by period.
25 is a view showing the vegetation state of the water surface of Byeokjeong Reservoir.
26 is a diagram showing changes in vegetation on the water surface of Byeokjeong Reservoir by period.
상기한 바와 같은 본 발명을 첨부된 도면들과 실시예들을 통해 상세히 설명하도록 한다.The present invention as described above will be described in detail through the accompanying drawings and embodiments.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It should be noted that technical terms used in the present invention are only used to describe specific embodiments and are not intended to limit the present invention. In addition, technical terms used in the present invention should be interpreted in terms commonly understood by those of ordinary skill in the art to which the present invention belongs, unless specifically defined otherwise in the present invention, and are excessively inclusive. It should not be interpreted in a positive sense or in an excessively reduced sense. In addition, when the technical terms used in the present invention are incorrect technical terms that do not accurately express the spirit of the present invention, they should be replaced with technical terms that those skilled in the art can correctly understand. In addition, general terms used in the present invention should be interpreted as defined in advance or according to context, and should not be interpreted in an excessively reduced sense.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, singular expressions used in the present invention include plural expressions unless the context clearly dictates otherwise. In the present invention, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various elements or steps described in the invention, and some of the elements or steps are included. It should be construed that it may not be, or may further include additional components or steps.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.In addition, terms including ordinal numbers such as first and second used in the present invention may be used to describe components, but components should not be limited by the terms. Terms are used only to distinguish one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numerals regardless of reference numerals, and redundant description thereof will be omitted.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In addition, in describing the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description will be omitted. In addition, it should be noted that the accompanying drawings are only for easily understanding the spirit of the present invention, and should not be construed as limiting the spirit of the present invention by the accompanying drawings.
위성영상에서 수표면적을 산출하기 위해서 SAR 위성영상을 이용한 대규모 유역이나 저수지를 대상으로 한 기존 선행기술과는 달리 본 발명의 실시예들은 중·소규모 저수지의 수표면적 산출을 목적으로 하는 것이다. 이러한 수체면적 산출을 위해 위성영상에서 수체영역을 산출하는 영상 분류 및 분할 기법을 적용하고, 실측 공간정보(드론 영상 등)와의 정확도 검증을 통하여 최적의 분석기술을 도출할 수 있다. 이를 위한 선행조건으로, 위성영상 기반 수표면적 산출에 필요한 대상 저수지 선정과 선정된 대상 저수지에 대한 자료수집이 요구된다.Unlike the existing prior art for large-scale basins or reservoirs using SAR satellite images to calculate water surface areas from satellite images, the embodiments of the present invention aim to calculate water surface areas for small and medium-sized reservoirs. To calculate the water body area, an image classification and segmentation technique that calculates the water body area from satellite images is applied, and an optimal analysis technology can be derived through accuracy verification with actual spatial information (drone image, etc.). As a prerequisite for this, it is required to select a target reservoir necessary for calculating the water surface area based on satellite imagery and to collect data on the selected target reservoir.
저수지는 지역·규모별 특성에 따라 다양한 범위로 분류될 수 있으며, 저수지의 저수량을 관측하기 위한 설비도 저수지별 차이가 발생한다. 위성에서 산출된 저수지 수표면적의 정확도 검증을 위해서는 본 연구목적에 맞는 중·소규모의 저수지이고, 참값 검증을 위한 수위계측기가 설치되어 있어야 한다. 따라서 본 연구수행에 필요한 연구대상 저수지는 가뭄 현상 발생, 물리적 특성, 현장자료 취득 가능성을 고려하여 지자체와 농어촌공사에서 관리하는 저수지를 대상으로 선정하였다. 농어촌공사 저수지는 사전에 항공측량 자료가 구축되어 있지 않아 다음과 같은 3가지의 선정조건을 충족하는 저수지를 선정하였다.Reservoirs can be classified into various ranges according to the characteristics of each region and scale, and the facilities for observing the amount of water stored in reservoirs also differ for each reservoir. In order to verify the accuracy of the reservoir water surface area calculated from satellites, it is necessary to have a small or medium-sized reservoir suitable for the purpose of this study and to have a water level gauge installed to verify the true value. Therefore, the reservoirs managed by local governments and the Korea Rural Community Corporation were selected in consideration of the occurrence of drought, physical characteristics, and the possibility of acquiring field data for the reservoirs needed for this study. Since aerial survey data were not established in advance for the reservoirs of Rural Community Corporation, reservoirs that met the following three selection conditions were selected.
첫째, 가뭄 현상 발생 시기의 시계열 정보 산출을 위하여 과거 농업가뭄 발생빈도가 높은 지역을 선정하였다. 이는 가뭄에 취약한 저수지에 대한 분석능력을 높이고 효과적으로 평가하기 위함이다. 농업가뭄 발생빈도는 2016년~2020년의 가뭄 예·경보 자료(국립재난안전연구원, 2020)의 농업용수 분야 예·경보 발표 횟수를 조사하였으며 상대적으로 발생빈도 횟수가 많은 지자체(경기도 안성시, 충청남도 서산시, 충청남도 홍성군, 울산광역시 울주군, 경상남도 밀양시, 경상북도 경주시)의 농업용 저수지를 선정하였다.First, in order to calculate time-series information on the drought occurrence period, regions with high frequency of agricultural drought in the past were selected. This is to enhance the analysis ability and effectively evaluate reservoirs vulnerable to drought. The frequency of occurrence of agricultural droughts was investigated by examining the number of forecasts and warnings in the agricultural water sector of drought forecasts and warnings from 2016 to 2020 (National Institute for Disaster and Safety, 2020), and local governments with relatively high frequency of occurrence (Anseong-si, Gyeonggi-do, Seosan-si, Chungcheongnam-do) , Hongseong-gun, Chungcheongnam-do, Ulju-gun, Ulsan Metropolitan City, Miryang-si, Gyeongsangnam-do, and Gyeongju-si, Gyeongsangbuk-do) were selected as agricultural reservoirs.
둘째, 저수지의 시계열 수표면적 정보 산출 및 변화 분석을 위하여 저수지 조견표를 보유하고 있고 수위계측기가 설치되어 있는 저수지를 선정하였다. 저수지 조견표의 수위와 수표면적의 상관관계를 이용하면 위성영상 관측시점의 수위자료를 사용하여 수표면적을 도출할 수 있다. 이를 이용하면 조견표에서 도출된 수표면적과 위성관측 시계열 수표면적의 비교분석에 활용할 수 있다. 가뭄 예·경보 발생 지역(6개 후보 지역) 중 조견표와 수위 자동 계측기가 구축되어 있는 저수지(1,777개소)를 저수지 규모(유효저수량)로 고려하여 각 지역별 3개소씩 총 18개소를 후보 저수지로 선정하였다.Second, reservoirs with reservoir charts and water level gauges were selected for time-series water surface area information calculation and change analysis of reservoirs. Using the correlation between the water level and water surface area in the reservoir chart, the water surface area can be derived using the water level data at the time of satellite image observation. By using this, it can be used for comparative analysis of the water surface area derived from the quick lookup table and the water surface area of the satellite observation time series. A total of 18 candidate reservoirs, 3 for each region, were selected by considering reservoirs (1,777 locations) with quick reference tables and automatic water level gauges among drought forecast/warning regions (6 candidate regions) as reservoir sizes (effective water storage volumes). did
셋째, 저수지 수표면적의 항공측량을 위하여 드론의 비행 및 이·착륙이 용이한 지역이어야 한다. 위성관측 수표면적(추정값)의 정확도 검증을 위하여 위성관측 시점의 수표면적 참값이 필요하며, 수표면적 참값은 드론영상 촬영을 통하여 취득할 수 있다.Third, it must be an area where drone flight and take-off and landing are easy for aerial surveying of the reservoir surface area. To verify the accuracy of the satellite observed water surface area (estimated value), the true water surface area value at the time of satellite observation is required, and the true water surface area value can be obtained through drone image capture.
드론영상의 촬영을 위해서는 선제적으로 비행 가능 구역 유·무, 비행구역 내 전파 방해물의 유·무, 지상기준점의 취득 가능성, 차량 접근성 등을 고려하여야 한다.In order to shoot drone images, it is necessary to preemptively consider the presence or absence of flightable areas, the presence or absence of radio interference in the flight area, the possibility of obtaining ground control points, and vehicle accessibility.
이상 3개의 사항을 고려해서 농어촌공사 저수지를 조사하였다. 3개의 조건을 모두 충족하는 저수지 중 유효저수량의 규모가 작은 저수지를 우선순위로 하여, 분황 저수지(경상북도 경주시), 무연 저수지(경상남도 밀양시), 어린지 저수지(울산광역시 울주군), 정동 저수지(경상남도 밀양시), 벽정 저수지(충청남도 홍성군)의 총 5개소의 농어촌공사 저수지를 선정하였다.Considering the above three points, the Rural Community Corporation reservoir was investigated. Among the reservoirs that meet all three conditions, priority is given to reservoirs with small effective storage volume, Bunhwang Reservoir (Gyeongju-si, Gyeongsangbuk-do), Muyeon Reservoir (Miryang-si, Gyeongsangnam-do), Youngji Reservoir (Ulju-gun, Ulsan Metropolitan City), and Jeongdong Reservoir (Miryang-si, Gyeongsangnam-do). ), and Byeokjeong Reservoir (Hongseong-gun, Chungcheongnam-do), a total of 5 reservoirs of Rural Community Corporation were selected.
지자체 저수지는 사전에 항공측량 영상이 구축된 저수지를 대상으로 선정하였다.Local government reservoirs were selected as targets for which aerial survey images were established in advance.
행정안전부는 2019년도부터 재난안전특교세 지원 사업으로 10만 톤 이상의 491개소를 대상으로 실시간 측정을 위한 자동계측장비 설치 및 저수지 수표면을 포함한 주변 지형의 3차원 데이터를 구축하였다. 본 연구 결과를 검증할 수 있는 저수지 수표면적이 확보된 38개소를 연구대상 저수지로 선정하였다.Since 2019, the Ministry of Public Administration and Security has installed automatic measuring equipment for real-time measurement for 491 locations with a capacity of over 100,000 tons and built 3D data of the surrounding topography, including the reservoir water surface, as a support project for the special disaster safety tax. Thirty-eight places with reservoir water surface areas that can verify the results of this study were selected as study target reservoirs.
최종적으로 수표면적의 산출 알고리즘 개발을 위한 저수지 43개소 (농어촌공사 5개소, 지자체 38개소)를 선정하였다Finally, 43 reservoirs (5 Rural Community Corporation and 38 local governments) were selected for the development of the water surface area calculation algorithm.
본 발명은 이와 같이 중·소규모 농업용 저수지의 수표면적 분석을 위해 세워진 별도의 기준에 따라 선정된 저수지 43개소를 대상으로 위성영상 기반 저수지 수표면적 분석 시스템(100) 및 방법을 개시하고 있으며, 각 구성요소에 대한 설명은 이하에서 진행하고자 한다.The present invention discloses a satellite image-based reservoir water surface
도 1은 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템(100)과 SAR(Synthetic Aperture Radar) 위성영상, 드론 촬영 영상의 관계를 개략적으로 나타내는 모식도이다.1 is a schematic diagram schematically showing the relationship between a satellite image-based reservoir water surface
도 1에 도시된 바와 같이, 위성영상 기반 저수지 수표면적 분석 시스템(100)은 Sentinel 위성으로부터 합성개구레이더(SAR, Synthetic Aperture Radar)의 안테나를 통해 위성영상을 수신한다.As shown in FIG. 1, the satellite image-based reservoir water surface
여기서 SAR은 비행물체에 설치된 레이더 센서를 이용하여 취득된 신호를 영상화하는 기술의 한가지로써 레이더에서 사용하는 전자파의 파장대역을 사용하는 능동형 센서이며, 태양으로부터 방사된 전자파 에너지를 이용하는 수동형(Passive Sensor) 센서와는 달리 기상의 조건이나 주야와 관계없이 관측할 수 있으므로, 구름이나 안개로 둘러싸이기 쉬운 지역이나 1년 중 반이 밤인 북극과 남극, 일조시간이 짧은 고위도 지역에서의 관측이 유리하다. 또한 파장대별로 관측대상물에 대한 후방산란 특성이 다르기 때문에 식생, 눈으로 덮인 표면적, 건조한 토양 내부에 대한 정보까지도 얻을 수 있다. 이처럼 가시광선 파장대역이 아닌 다른 파장대역의 정보를 사용하기 때문에 광학계 센서와는 다른 정보를 가지고 있으므로 SAR 데이터가 내포하고 있는 정보량이 많고 영상처리과정이나 마이크로파와 관측대상과의 상호작용을 기술하는 산란 문제도 복잡하기 때문에 SAR 데이터의 해석에는 전문적인 기술과 식견이 필요하다.Here, SAR is one of the technologies for imaging signals obtained using a radar sensor installed on a flying object. It is an active sensor that uses the wavelength band of electromagnetic waves used in radar, and a passive sensor that uses electromagnetic wave energy radiated from the sun. Unlike sensors, it can be observed regardless of weather conditions or day and night, so it is advantageous to observe in areas easily surrounded by clouds or fog, in the Arctic and Antarctic where half of the year is night, and in high latitudes with short daylight hours. In addition, since the backscattering characteristics of the observed object are different for each wavelength band, information on vegetation, snow-covered surface area, and dry soil interior can be obtained. Since it uses information in a wavelength band other than the visible light wavelength band, it has information different from that of optical sensors, so the amount of information contained in SAR data is large, and scattering describes the image processing process or the interaction between microwaves and the object to be observed. Because the problem is complex, interpretation of SAR data requires specialized skills and insight.
한편, 유럽우주기구에서는 Sentinel 위성에서 관측된 영상의 활용성 증진을 위해 영상 처리 및 분석용 소프트웨어인 SNAP(Sentinel Application Platform)을 제공하며, SNAP에서 제공하는 API(Application Programming Interface) 기능을 이용하여 대규모의 데이터를 일괄적으로 처리할 수 있는 프레임워크의 구축이 가능하다. 따라서 SNAP API와 파이썬(Python)을 이용하여 SAR 위성영상에 대한 전처리 과정을 구현할 수 있다.Meanwhile, the European Space Agency provides SNAP (Sentinel Application Platform), an image processing and analysis software, to improve the usability of images observed by Sentinel satellites, and uses API (Application Programming Interface) functions provided by SNAP to provide large-scale It is possible to build a framework that can process data in batches. Therefore, it is possible to implement a pre-processing process for SAR satellite images using SNAP API and Python.
또한, 위성영상 기반 저수지 수표면적 분석 시스템(100)은 대상 저수지의 드론 촬영 영상을 수신할 수 있다. 드론 촬영 영상은 농어촌 공사 5개소에 대하여 21년도 위성영상 관측날짜에 맞추어 자료를 취득하였으며, 지자체 저수지 38개소는 19~20년도 기간 동안 행정안전부 사업을 통하여 선행적으로 구축된 자료를 수집하였다. 이렇게 수집된 드론 촬영 영상은 SAR 위성영상에서 추출된 수표면적의 정확도 검증 및 향후 시계열 분석을 위한 현장자료로 활용될 수 있다.In addition, the satellite image-based reservoir water surface
도 2는 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템(100)을 개략적으로 나타내는 블럭도이고, 도 3 내지 도 4는 전처리모듈(120), 수표면적 추정모듈(130), 수표면적 실증모듈(140) 및 평가모듈(150)의 세부구성을 나타내는 블록도이다.2 is a block diagram schematically showing a satellite image-based reservoir water surface
도 2 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 시스템(100)에 대해 자세히 설명하고자 한다.A satellite image-based reservoir water surface
저수지 수표면적 분석 시스템(100)은 위성영상 수집모듈(110), 전처리모듈(120), 수표면적 추정모듈(130), 수표면적 실증모듈(140), 평가모듈(150) 및 시계열 정보 분석모듈(160)을 포함할 수 있다.The reservoir water surface
위성영상 수집모듈(110)은 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신한다.The satellite image collection module 110 receives a synthetic aperture radar (SAR) satellite image of the target reservoir.
여기서 SAR은 Synthetic Aperture Radar의 약어로써 '합성개구레이더' 또는 '영상레이더'로 알려져 있다. 레이더 안테나 자체에서 마이크로파를 관측대상물에 방사하고 그 대상물에 의해 산란된 전자파에너지를 다시 안테나로 수신하는 능동형 센서(Active Sensor)이다. SAR은 비행물체에 설치된 레이더 센서를 이용하여 취득된 신호를 영상화하는 기술의 한가지로써 레이더에서 사용하는 전자파의 파장대역을 사용하는 능동형 센서이며, 태양으로부터 방사된 전자파 에너지를 이용하는 수동형(Passive Sensor) 센서와는 다르다. 따라서 태양을 방사원으로 삼는 수동형 센서와는 달리 기상의 조건이나 주야와 관계없이 관측할 수 있으므로, 구름이나 안개로 둘러싸이기 쉬운 지역이나 1년 중 반이 밤인 북극과 남극, 일조시간이 짧은 고위도 지역에서의 관측이 유리하다. 또한 파장대별로 관측대상물에 대한 후방산란 특성이 다르기 때문에 식생, 눈으로 덮인 표면적, 건조한 토양 내부에 대한 정보까지도 얻을 수 있다. 이처럼 가시광선 파장대역이 아닌 다른 파장대역의 정보를 사용하기 때문에 광학계 센서와는 다른 정보를 가지고 있으므로 SAR 데이터가 내포하고 있는 정보량이 많고 영상처리과정이나 마이크로파와 관측대상과의 상호작용을 기술하는 산란 문제도 복잡하기 때문에 SAR 데이터의 해석에는 전문적인 기술과 식견이 필요하다.Here, SAR is an abbreviation of Synthetic Aperture Radar and is known as 'Synthetic Aperture Radar' or 'Image Radar'. It is an active sensor that radiates microwaves from the radar antenna itself to the observation object and receives the electromagnetic wave energy scattered by the object back to the antenna. SAR is one of the technologies for imaging signals obtained by using a radar sensor installed on a flying object. It is an active sensor that uses the wavelength band of electromagnetic waves used in radar, and a passive sensor that uses electromagnetic wave energy radiated from the sun. different from Therefore, unlike passive sensors that use the sun as a radiation source, it can be observed regardless of weather conditions or day and night, so it is easy to be surrounded by clouds or fog, the Arctic and Antarctic where half of the year is night, and high latitudes with short daylight hours. observation is advantageous. In addition, since the backscattering characteristics of the observed object are different for each wavelength band, information on vegetation, snow-covered surface area, and dry soil interior can be obtained. Since it uses information in a wavelength band other than the visible light wavelength band, it has information different from that of optical sensors, so the amount of information contained in SAR data is large, and scattering describes the image processing process or the interaction between microwaves and the object to be observed. Because the problem is complex, interpretation of SAR data requires specialized skills and insight.
위와 같은 이유로, 전처리모듈(120)은 수신된 SAR(Synthetic Aperture Radar) 위성영상에 대해 전처리를 수행함으로써 우주에서 위성을 이용하여 지구 표면을 관측할 때 발생되는 노이즈를 제거한다.For the above reasons, the
보다 구체적으로, 전처리모듈(120)은 정밀 궤도 보정부(121), 열 노이즈 제거부(122), 방사보정부(123), 방사지형평탄화부(124), 지형보정부(125), 저수지 영역 추출부(126), 스펙클 노이즈 제거부(127) 및 영상 데시벨 변환부(128)를 포함한다.More specifically, the
정밀 궤도 보정부(121)는 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 수신된 SAR 위성영상에 적용하여 보정을 수행한다.The precision orbit correction unit 121 performs correction by applying the precision orbit information provided through SNAP (SeNtinel's Application Platform) to the orbit information in the meta information provided when the SAR satellite image is received to the received SAR satellite image.
위성영상 취득 시 제공되는 메타정보에 포함된 궤도정보는 정확도가 높지 않아 정확한 영상 보정을 위해서는 정밀한 궤도정보가 필요하다. 정밀한 궤도정보는 위성영상 관측 이후 수일에서 수 주 후에 결정된다. SNAP 프로그램을 이용하면 자동으로 각 영상의 정확한 위성 위치와 속도 정보를 제공하는 정밀 궤도 정보를 다운로드 받아서 적용할 수 있다.Orbit information included in the meta information provided when acquiring satellite images is not highly accurate, so precise orbit information is required for accurate image correction. Precise orbit information is determined several days to weeks after satellite image observation. Using the SNAP program, you can automatically download and apply precise orbit information that provides accurate satellite position and speed information for each image.
열 노이즈 제거부(122)는 SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 작업을 수행한다.The thermal noise remover 122 normalizes the backscattered signal of the SAR satellite image and reduces noise effects.
보다 구체적으로, SAR 위성영상 강도는 교차편파 채널에 의해 발생하는 추가적인 열 노이즈가 분포되어 있다. 열 노이즈 제거 과정은 전체 SAR 위성영상의 후방산란 신호를 정규화하고 다양한 영상 획득 모드에서 발생하는 sub-swaths의 불연속을 감소시켜 inter-sub-swath texture에서 노이즈 영향을 감소시킨다.More specifically, the SAR satellite image intensity is distributed with additional thermal noise caused by cross-polarization channels. The thermal denoising process reduces the effect of noise on the inter-sub-swath texture by normalizing the backscatter signal of the entire SAR satellite image and reducing the discontinuity of sub-swaths that occur in various image acquisition modes.
방사보정부(123)는 시그마 너트 값의 LUT(Look Up Table)을 기반으로 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환한다.The radiation correction unit 123 converts digital pixel values in the SAR satellite image into radiation-corrected SAR backscatter values based on the LUT (Look Up Table) of the sigma nut values.
보다 구체적으로, 보정 방정식에 필요한 정보는 Sentinel-1 GRD 데이터에 포함되어 있다. 특히, 데이터에 주석으로 포함된 보정 벡터는 영상 강도 값을 시그마 너트 값으로 간단하게 변환할 수 있다. 보정은 Level-1 데이터 생산 시 적용된 환산계수(Scaling Factor)를 반전시키며 절대 방사 상수를 포함하는 상수 오프셋과 영역에 범위 종속 이득을 적용한다. 전처리 과정에서 수평면에서의 방사 보정 SAR 후방산란 값을 생성하기 위하여 시그마 너트 값의 LUT(Look Up Table)이 제안된다. 시그마는 기하학적으로 지구와 만나는 지점에서 반사도의 강도를 나타내는 것으로 1㎡ 면적에서 발생하는 분산된 대상 물체로부터의 레이더 유효 반사 면적을 나타낸다. 시그마 너트는 산란되는 표면의 특징 뿐만 아니라 편파, 파장, 입사각과 같은 중요한 변화 정보를 가지고 있다.More specifically, the information required for the calibration equation is contained in the Sentinel-1 GRD data. In particular, the correction vector included as an annotation in the data can simply convert the image intensity value into a sigma nut value. Calibration inverts the scaling factor applied when producing Level-1 data and applies a range-dependent gain to the region and a constant offset including the absolute radial constant. In the preprocessing process, a LUT (Look Up Table) of sigma nut values is proposed to generate radiation-corrected SAR backscatter values in the horizontal plane. Sigma represents the intensity of the reflectivity at the point where it meets the earth geometrically, and represents the effective radar reflection area from the scattered target object occurring in an area of 1㎡. The sigma nut contains important change information such as polarization, wavelength, angle of incidence, as well as the characteristics of the scattering surface.
방사지형평탄화부(124)는 수치표고모델(Digital Elevation Model, DEM)을 기반으로 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정한다.The radial terrain flattening unit 124 corrects the radiation signal by performing precise trajectory information and geometric calculation of each pixel based on a digital elevation model (DEM).
SAR 위성영상은 위성에서 신호 수신 시 센서와 지형간의 차이에 의해 기하학적 왜곡 현상이 발생하는데 대상 표면의 후방산란신호가 정상적으로 수신되지 않아 영상의 품질을 저하시킬 수 있다. 이런 왜곡 현상을 보정하기 위해서 수치표고모델을 이용하여 정밀한 위성궤도 정보와 각 픽셀의 기하학적 계산을 통해 방사신호를 보정하는 작업을 수행한다.In the SAR satellite image, geometric distortion occurs due to the difference between the sensor and the topography when receiving signals from the satellite, and the backscattered signal of the target surface is not normally received, which can degrade the image quality. In order to correct this distortion, the radiation signal is corrected through precise satellite orbit information and geometric calculation of each pixel using a digital elevation model.
지형보정부(125)는 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환한다.The terrain correction unit 125 converts pixel values from slope distance values to ground distance values by applying the Range Doppler orthocorrection technique to the orbit state vector information and digital elevation model data in the meta information provided upon reception of the SAR satellite image.
SAR 위성영상은 일반적으로 0도 이상의 다양한 시야각에서 관측되며, 이로 인해 측면 형상과 관련된 일부 왜곡이 발생하는 현상이 발생한다. 지형보정은 다양한 왜곡 현상을 보정하여, SAR 위성영상의 기하학적 특성이 실제와 최대한 유사하게 나타나기 위한 과정이다. Range Doppler 지형보정은 지형변화에 의해 발생하는 포어쇼트닝(foreshortening), 그림자(shadow) 등과 같은 기하학적 왜곡을 보정하는 것이다. Range Doppler 지형 보정 방법은 기하학적 레이더 영상에서 좌표가 부여된 SAR 위성영상을 만들기 위하여 SNAP에 구현된 Range Doppler 정사보정 기법으로 이용 가능하다. 위성영상 메타데이터에서 이용할 수 있는 궤도 상태 벡터 정보와 수치표고모델 데이터를 함께 사용하면 정밀한 지리적 위치정보를 유추하고 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환할 수 있다.SAR satellite images are generally observed at various viewing angles above 0 degrees, which causes some distortion related to the side profile. Terrain correction is a process for correcting various distortion phenomena to make the geometrical characteristics of SAR satellite images appear as similar to reality as possible. Range Doppler terrain correction corrects geometric distortions such as foreshortening and shadow caused by terrain changes. The Range Doppler terrain correction method can be used as a Range Doppler orthocorrection technique implemented in SNAP to create coordinated SAR satellite images from geometric radar images. By using the orbit state vector information available in satellite image metadata and digital elevation model data together, precise geographic location information can be inferred and pixel values can be converted from slope distance values to ground distance values.
저수지 영역 추출부(126)는 지형보정된 SAR 위성영상에서 대상 저수지의 영역을 추출한다.The reservoir area extraction unit 126 extracts the area of the target reservoir from the terrain-corrected SAR satellite image.
연구대상 지역의 수체영역을 효과적으로 추출하기 위해서는 목표물 외의 복잡한 지형물체가 없어야 한다. 또한, 영상 크기가 작아질수록 계산시간을 단축시켜 효율적인 컴퓨팅 자원을 운용할 수 있기때문에 연구대상 저수지 지역의 추출이 필요하다. 지형보정된 SAR 위성영상과 같은 좌표계의 벡터 파일을 이용하여 연구대상 지역의 저수지만 추출하는 작업을 수행한다. 위성영상에서 연구대상 저수지 추출에 필요한 벡터파일은 저수지 위치에 지정되어 있는 환경부의 토지피복도 세분류 정보를 이용하였으며, 저수지 영역을 추출을 위하여 벡터파일에 50m 버퍼 처리를 한 영역을 기준으로 위성영상과 벡터파일이 교차되는 영역을 추출하였다.In order to effectively extract the water body area of the study area, there should be no complex terrain objects other than the target. In addition, as the size of the image becomes smaller, the calculation time is reduced and efficient computing resources can be operated. Therefore, it is necessary to extract the research target reservoir area. Using the vector file of the same coordinate system as the topographic corrected SAR satellite image, only the reservoir in the study area is extracted. The vector file necessary for extracting the research target reservoir from the satellite image used the land cover map classification information of the Ministry of Environment designated at the reservoir location. The region where the files intersect was extracted.
스펙클(Speckle) 노이즈 제거부는 스펙클 필터를 이용하여 스펙클 노이즈를 제거한다. 스펙클 노이즈는 관측대상지역의 많은 산란체로부터 반사되는 전파의 간섭으로 인해 SAR 영상에서 오돌토돌하게 나타나는 노이즈이다. 스펙클 필터링은 스펙클 영향을 감소시켜 SAR영상 품질을 증가시키는 절차이다. 스펙클 필터링이 SAR 영상 전처리 초기 처리 단계에서 수행될 때, 진행 중인 다른 단계에 스펙클이 영향을 미치지 않게 해줄수 있다. 영상 내의 작은 공간 구조나 이미지 질감을 식별하는 데 목적이 있는 경우 스펙클 필터링은 이러한 정보까지 제거할 수 있으므로 권장되지 않는다. 최근에까지 영상의 스펙클 노이즈를 제거하기 위하여 다양한 방법이 제안되고 있으며 SNAP 프로그램에는 'Boxcar', 'Median', 'Frost', 'Gamma Map', 'Lee', 'Refined Lee', 'Lee Sigma', 'IDAN'의 8개 스펙클 필터를 이용할 수 있으며 본 연구에서는 'IDAN' 스펙클 필터를 이용하여 스펙클 노이즈 제거 과정을 수행하였다.The speckle noise removing unit removes speckle noise using a speckle filter. Speckle noise is noise that appears irregularly in SAR images due to the interference of radio waves reflected from many scatterers in the observation target area. Speckle filtering is a procedure to increase SAR image quality by reducing the speckle effect. When speckle filtering is performed in the initial processing step of SAR image pre-processing, speckle can be prevented from affecting other steps in progress. If the purpose is to identify small spatial structures or image textures within an image, speckle filtering is not recommended as it can remove even this information. Until recently, various methods have been proposed to remove speckle noise from images, and SNAP programs include 'Boxcar', 'Median', 'Frost', 'Gamma Map', 'Lee', 'Refined Lee', and 'Lee Sigma'. , 8 speckle filters of 'IDAN' can be used, and in this study, the speckle noise removal process was performed using the 'IDAN' speckle filter.
영상 데시벨 변환부(128)는 단위가 없는 SAR 위성영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환한다.The image
도 9를 참조하면, 수표면적 추정모듈(130)은 전처리된 SAR 위성영상에서 대상 저수지의 영역을 추출하고 영상 분류 기법을 적용하여 수표면적 추정값을 산출한다. SAR 위성영상에서 중·소규모 저수지의 수표면적 추출을 위해 적용해 볼 수 있는 영상분할·분류 알고리즘은 인공 신경망(이하 NN), 랜덤포레스트(이하 RF), 서포트 벡터 머신(이하 SVM), 오츠(이하 Otsu), 워터쉐드(이하 WS), 찬-베세(이하 CV)의 6종의 알고리즘으로 각각 다양한 이론 방법을 이용하여 수표면적을 산출하였다. 이중 인공 신경망(이하 NN), 랜덤포레스트(이하 RF), 서포트 벡터 머신(이하 SVM)은 영상분류 기법이고, 오츠(이하 Otsu), 워터쉐드(이하 WS), 찬-베세(이하 CV)는 영상분할 기법에 속한다.Referring to FIG. 9 , the water surface area estimation module 130 extracts an area of a target reservoir from a preprocessed SAR satellite image and calculates an estimated water surface area by applying an image classification technique. Image segmentation and classification algorithms that can be applied to extract the water surface area of small and medium-sized reservoirs from SAR satellite images include artificial neural networks (NN), random forests (RF), support vector machines (SVM), and Otsu (hereinafter referred to as Otsu), Watershed (hereinafter referred to as WS), and Chan-Bese (hereinafter referred to as CV), respectively, were used to calculate the water surface area using various theoretical methods. Double artificial neural network (NN), random forest (RF), and support vector machine (SVM) are image classification techniques, and Otsu (Otsu), Watershed (WS), and Chan-Bese (CV) are image classification techniques. belongs to the segmentation method.
위성영상을 이용하여 수체를 구분하는 방법은 여러 연구를 통해 다양한 방법이 제시되고 있다. 이를 위한 주요 방법으로 영상 분류(Classification)와 영상 분할(Segmentation)이 있다. 영상 분류 기법은 객체의 종류에 따라 분류하는 것으로 일반적인 객체를 식별하는데 유용한 기법이며, 영상 분할 기법은 영상 내의 개별 개체를 감지하고 분류하는 기법으로 화소 단위 정보를 이용하여 영상 내 개체 윤곽선을 추출하는데 유리한 기법이다. 본 연구에서는 위성영상을 이용하여 저수지 수표면적을 산출하기 위하여 크게 영상 분류와 영상 분할 기법을 이용하였다.Various methods have been proposed through various studies to classify water bodies using satellite images. The main methods for this are image classification and image segmentation. The image classification technique classifies objects according to the type and is a useful technique for identifying general objects. The image segmentation technique is a technique for detecting and classifying individual objects in an image and is advantageous for extracting object contours in an image using pixel unit information. it is a technique In this study, image classification and image segmentation techniques were largely used to calculate the reservoir water surface area using satellite images.
본 연구에서는 다양한 위성영상 감독 분류 방법 중 범용적으로 사용되며 강건한 결과를 도출하는 기법으로 알려진 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machines), 랜덤 포레스트(Random Forest) 기법을 이용하여 위성영상 감독 분류를 수행하였다.In this study, among various satellite image supervised classification methods, artificial neural networks, support vector machines, and random forest techniques, known as techniques that are commonly used and derive robust results, are used for satellite Video supervised classification was performed.
먼저, 인공 신경망(NN)은 단계별 알고리즘이나 복잡한 논리적 프로그램을 통해 해결책에 도달하는 것이 아니라, 비 알고리즘적이고 비구조적인 형태를 갖는 망(network) 속의 뉴런들을 연결하는 가중치를 조정함으로써 해결책에 도달한다. 인공 신경망은 다양한 분야의 자료를 분류하는 데 사용되어 왔으며 기존의 통계기법을 이용하는 것보다 정확하고 효율적으로 문제를 해결할 수 있다. 인공 신경망은 인간의 정보처리 패턴과 유사한 방식의 시스템으로 비선형적인 특징을 갖고 있으며 대량의 데이터를 처리할 수 있는 장점을 가지고 있어 보편화된 모형으로 연구되고 있다. 인공 신경망은 하나의 입력층(input layer)과 하나 이상의 은닉층(hidden layer), 마지막 층인 출력층(output layer)으로 구성되어 있다. 출력층을 제외한 모든 층은 뉴런을 포함하며 다음 층과 연결되어 있다. 입력층은 결과값을 내기 위해서 영상이나 보조데이터의 각 화소에 기록된 정보를 입력하며, 각 층은 상호 연결된 노드를 통해 다중 방향으로 정보가 흐르게 되고 신경망이 훈련되게 된다. 이러한 상호 연결의 가중치는 신경망에 의해 학습되고 저장되며, 이들 가중치가 데이터 분류 단계에서 사용된다. 훈련자료의 대표성이 강할수록 신경망은 은닉층의 가중치를 효과적으로 조정되어 정확한 분류를 수행할 수 있다. 출력층은 입력된 데이터와 학습된 모델을 이용하여 각 클래스의 결과를 나타낸다.First, an artificial neural network (NN) does not reach a solution through step-by-step algorithms or complex logical programs, but by adjusting weights connecting neurons in a non-algorithmic and unstructured network. Artificial neural networks have been used to classify data in various fields and can solve problems more accurately and efficiently than using existing statistical techniques. An artificial neural network is a system similar to human information processing patterns, has non-linear characteristics, and has the advantage of being able to process large amounts of data, so it is being studied as a universal model. An artificial neural network consists of one input layer, one or more hidden layers, and an output layer as the last layer. All layers except the output layer contain neurons and are connected to the next layer. The input layer inputs the information recorded in each pixel of the image or auxiliary data to produce a result value, and information flows in multiple directions through interconnected nodes in each layer, and the neural network is trained. The weights of these interconnections are learned and stored by the neural network, and these weights are used in the data classification step. The stronger the representation of the training data, the more accurate the classification can be performed by effectively adjusting the weights of the hidden layers. The output layer shows the result of each class using the input data and the learned model.
서포트 벡터 머신(SVM)은 분류를 위한 기준선이나 결정 경계(Decision Boundary)를 정의하는 모델이다. 분류되지 않은 새로운 데이터를 경계의 어느 클래스에 속하는지 판단해서 클래스를 결정하는 방식으로 비확률적 이진 선형 분류 모델을 이용한다. 서포트 벡터 머신은 초평면(hyperplane)이나 초평면들의 집합으로 구성되어 있다. 분류될 확률이 가장 높은 데이터를 찾아내 우선적으로 분류하는 것이 오류를 적게 낼 수 있으므로 데이터 학습 시 학습되는 데이터로부터 가장 먼 거리를 가진 초평면을 우선적으로 찾는다. 일반적으로 초기 분류 학습 단계에서 종종 데이터가 선형적으로 구분되지 않는 문제가 발생한다. 이런 문제를 해결하기 위해 더 높은 차원을 적용하여 데이터 분류를 용이하게 하는 방법이 제안되었는데, 이 과정에서 계산이 증가하지 않도록 각 문제에 적합한 커널 함수(kernel function)를 사용한다. 커널 함수를 이용한 서포트 벡터 머신은 초기 문제의 변수를 사용하여 내부 연산을 효과적으로 계산할 수 있도록 설계되었다.A support vector machine (SVM) is a model that defines a baseline or decision boundary for classification. A non-stochastic binary linear classification model is used to determine the class by determining which class of the boundary belongs to new unclassified data. A support vector machine consists of a hyperplane or set of hyperplanes. Finding the data with the highest probability of being classified and classifying it first can result in fewer errors, so when learning data, we preferentially find the hyperplane with the farthest distance from the data to be learned. In general, in the initial classification learning stage, there is often a problem that the data is not linearly separated. In order to solve this problem, a method of facilitating data classification by applying a higher dimension has been proposed, and in this process, a kernel function suitable for each problem is used to avoid an increase in computation. Support vector machines using kernel functions are designed to effectively calculate internal operations using the variables of the initial problem.
랜덤 포레스트(RF)는 다수의 결정 트리(decision trees)들을 결합하여 학습하는 앙상블 방법이다. 랜덤 포레스트의 가장 큰 특징은 랜덤성(randomness)으로 학습을 하기 때문에 결정 트리들이 조금씩 다른 특성을 가진다는 것이다. 이 특성은 각 결정 트리의 예측을 비상관화가 되게 만들어 예측 성능을 향상시킨다. 또한 랜덤적인 데이터 학습은 노이즈를 포함한 데이터를 효과적으로 구분할 수 있게 한다. 각 결정 트리가 랜덤으로 데이터를 학습하는 방식에서 배깅 및 임의 노드 최적화와 같은 앙상블 학습 방법이 자주 사용된다. 이 두 가지 방법을 동시에 사용하면 랜덤 학습의 특성을 더욱 강화할 수 있다.Random Forest (RF) is an ensemble method that learns by combining multiple decision trees. The biggest feature of random forest is that decision trees have slightly different characteristics because they learn with randomness. This property improves prediction performance by making the predictions of each decision tree uncorrelated. Also, random data learning makes it possible to effectively distinguish data including noise. Ensemble learning methods such as bagging and random node optimization are often used in the way that each decision tree learns data at random. If these two methods are used simultaneously, the characteristics of random learning can be further strengthened.
랜덤 포레스트는 배깅(bagging)이라는 과정을 거치며, 배깅은 부트스트랩(bootsrap)을 통해 조금씩 다른 데이터로 훈련이 된 기초 분류기(base learner)들을 결합(aggregating)하는 방법이다. 부트스트랩이란 훈련 데이터에서 N개의 데이터를 임의로 선택할 때 중복을 허용함으로써 원 데이터 세트와 같은 크기의 데이터 세트를 만드는 과정을 의미한다. 배깅을 이용하여 T개의 결정 트리들로 구성된 랜덤 포레스트를 학습할 수 있다. 트리는 작은 편향과 큰 분산을 가지기 때문에 학습데이터에 따라 생성되는 모델이 매우 다르므로 결과값이 과적합(overfitting) 되는 경우가 있다. 부트스트랩 과정은 트리들의 편향은 유지하면서, 분산은 감소시키기 때문에 노이즈에 강한 포레스트의 성능을 향상시키는 역할을 한다. 각 트리들이 서로 성관성이 없기 때문에 여러 트리들의 평균으로 인해 노이즈에 대해 강한 성능을 나타낸다. 랜덤 포레스트의 트리들은 독립적으로 훈련 단계를 진행하며, 데이터는 훈련된 모든 트리에 동시로 입력되어 종단 노드에 도달하게 된다. 모든 트리에서 도출된 예측 결과들의 평균이 포레스트의 최종 결과값으로 결정된다.Random forests go through a process called bagging, and bagging is a method of aggregating base learners trained with slightly different data through bootstrap. Bootstrapping refers to the process of creating a data set of the same size as the original data set by allowing overlap when randomly selecting N data from the training data. A random forest composed of T decision trees can be learned using bagging. Since the tree has a small bias and a large variance, the resulting model may be overfitting because the model generated according to the training data is very different. The bootstrap process plays a role in improving the performance of the forest that is resistant to noise because it reduces the variance while maintaining the bias of the trees. Since each tree is not coherent with each other, it shows strong performance against noise due to the average of several trees. Trees in the random forest proceed through the training step independently, and data is simultaneously input to all trained trees to reach the terminal node. The average of prediction results derived from all trees is determined as the final result of the forest.
위성영상의 공간 해상도에 따라 영상 내 복잡성으로 인해 동일한 속성의 개체에 대한 밝기값들이 상이한 특성을 나타낼 수 있기 때문에, 대상화소 주변의 화소들을 복합적으로 고려한 분석기법이 필요하다. 영상 내 공간적·화소별 유사한 특성을 지닌 인접 화소들을 단일의 객체로 분류하는 객체 단위의 영상분석이 효율적인데 이를 영상 분할 기법이라 한다. 분할된 영상 객체는 단일 속성을 가지는 영역으로 나타나야 하며 영상 분할에 사용된 기법과 대상 지역의 특성에 따라 객체들이 과대 분할이나 과소 분할될 수 있는 단점이 있다. 따라서 영상 분할의 특징을 이해하여 목적에 맞는 영상 분할 기법을 선정하여 활용하는 것이 중요하다. 또한 영상 분할 기법은 영상 외의 다른 정보에 의존하지 않고 영상 내 화소 특징을 이용하여 객체를 추출하기 때문에 기법에 따라 잡음에 강하거나 안정적 결과를 나타낼 수 있다. 본 연구에서는 영상 분할 알고리즘을 적용하기 위하여 오츠(Otsu), 워터쉐드(Watershed), 찬-베세(Chan-Vese) 3종류의 기법을 적용하여 저수지 수체영역의 영상 분할을 수행하였다.Depending on the spatial resolution of the satellite image, brightness values of objects with the same property may exhibit different characteristics due to complexity within the image, so an analysis technique that considers pixels around a target pixel in a complex manner is required. Image analysis in object units, which classifies adjacent pixels with spatially and pixel-by-pixel similar characteristics in an image into a single object, is efficient, and this is called image segmentation technique. Segmented image objects must appear as regions with a single attribute, and objects may be over-segmented or under-segmented depending on the technique used for image segmentation and the characteristics of the target region. Therefore, it is important to understand the characteristics of image segmentation and select and utilize an image segmentation technique suitable for the purpose. In addition, since the image segmentation technique extracts objects using pixel features in the image without depending on information other than the image, it can be resistant to noise or show stable results depending on the technique. In this study, image segmentation of the reservoir water area was performed by applying three types of techniques: Otsu, Watershed, and Chan-Vese to apply the image segmentation algorithm.
연구대상 지역의 영상은 픽셀값들에 의해 수체영역과 비수체영역의 히스토그램 특징이 나타나기 때문에 이를 이용하면 효과적으로 영상 내 수체영역을 추출할 수 있다. 오츠(Otsu) 기법은 임계치 기법의 일종으로 영상의 히스토그램을 이용하여 영상을 배경과 객체, 두 개의 클래스로 분할할 수 있는 최적의 경계값을 자동으로 결정하는 기법이다. 경계값을 기준으로 클래스 1과 클래스 2로 분할 하는 것으로 영상에 따라 경계값이 바뀌는 특징이 있다. 오츠 기법은 임계값을 기준으로 영상 내 픽셀들을 두 개의 클래스로 분류했을 때, 두 클래스 간의 분산을 최대로 할 수 있는 값을 최적의 경계값으로 선정하는 기법이다.Since the image of the study area shows the histogram characteristics of the water body area and the non-aqueous area by pixel values, the water body area in the image can be extracted effectively by using this. Otsu's technique is a kind of threshold technique, and is a technique that automatically determines an optimal boundary value for dividing an image into two classes, a background and an object, using a histogram of the image. It is divided into
워터쉐드 영상 분할 알고리즘(WS)은 지형학과 수문학의 일부 이론들을 접목한 컴퓨터 비전 분야 이론이다. 2차원 영상의 x, y 축을 3차원 지형의 좌표로 가정하고 각 픽셀값을 높이로 가정하여 3차원 지형을 형상화하고 지형의 큰 값을 갖는 픽셀들을 봉우리 또는 워터쉐드 라인으로 표현하고 작은 값을 갖는 픽셀들은 골짜기 또는 국부 최소값으로 표현한다. 3차원 지형의 국부 최소점을 시드(seed) 영역이라 하는데 이 시드 영역에서부터 물이 채워지는 개념으로 각 담수 영역을 확장한다. 담수 지역에서 물이 차올라 다른 지역으로 물이 범람하려 한다면 다른 담수 지역과의 결합을 막기 위해 그 자리에 댐을 건설하고 이러한 방법으로 영역을 확장하여 영역 사이에 건설된 댐이 영역의 경계가 되고 각 담수 지역은 영상의 분할된 영역이 되어 객체를 추출하는 방식이다.The Watershed Image Segmentation Algorithm (WS) is a theory in the field of computer vision that combines some theories of topography and hydrology. Assuming that the x and y axes of the 2D image are the coordinates of the 3D terrain, and each pixel value is assumed to be the height, the 3D terrain is formed, and pixels with large values of the terrain are expressed as peaks or watershed lines, and pixels with small values are expressed as peaks or watershed lines. Pixels represent valleys or local minima. The local minimum point of the 3D terrain is called a seed area, and each freshwater area is expanded with the concept that water is filled from this seed area. If water rises in a freshwater area and floods other areas, a dam is built on the spot to prevent combining with other freshwater areas, and the area is expanded in this way, so that the dam built between areas becomes the boundary of each area. The fresh water area becomes a segmented area of the image and is a method of extracting an object.
워터쉐드 알고리즘은 확장방식에 따라 침수(immersion) 방식과 강우(rainfall) 2가지 방식으로 나눌 수 있다. 대표적인 침수 방식은 각 지역 최소값에서 물이 차오르면서 영역을 확장하는 것으로, 최소 기울기 값으로부터 확장을 시작하면서 주변 화소 중 최소의 기울기 값을 찾아서 최소 지역을 시드로 설정하고 레이블을 붙여 다른 지역과 구분하는 방법이다. 이 최소 지역과 같은 기울기 값으로 연결된 화소는 같은 레이블을 정의하고 상대적으로 원거리에 있는 최소 화소들에는 다른 레이블로 정의한다. 그리고 기울기 값을 증가시키면서 영역을 확장하면서 확장 대상이 되는 화소가 기존 지역에 접해 있는 경우에는 기존의 레이블에 포함시킨다. 주변에 해당하는 지역이 없는 새로운 국부 최소 지역일 경우에는 새로운 레이블로 정의한다. 확장 과정이 특정 기울기 값 z와 같거나 z보다 낮은 높이의 모든 담수 영역들이 발견되면 다음 단계로 z+1의 기울기 값을 가지고 있는 화소들을 처리하게 된다. 이 과정을 최대 기울기 값에 이를 때까지 반복적으로 수행하여 모든 화소를 담수 지역으로 병합시킴으로써 영역을 확장해 나가는 방식이다. 확장이 끝나면 각 담수 지역들이 분할된 영역이 되고 담수 지역 사이에 건설된 경계가 영역을 분할되 선이 되어 이를 기준으로 객체를 분할한다. 침수 방식은 최저 기울기 높이에서부터 위를 향해 물이 차오르고 각 국부 최소점들이 담수 지역이 되는 것이다. 물이 차오르면 점선과 같이 기울기 값이 가장 큰 화소가 경계 위치로 설정된다.The watershed algorithm can be divided into immersion method and rainfall method according to the expansion method. A typical inundation method is to expand the area as water fills up from the minimum value of each area. Starting from the minimum gradient value, find the minimum gradient value among neighboring pixels, set the minimum area as a seed, and label it to distinguish it from other areas. way to do it Pixels connected with the same gradient value as this minimum region define the same label, and define different labels for the minimum pixels relatively far away. Further, while expanding the area while increasing the gradient value, if a pixel to be expanded is in contact with the existing area, it is included in the existing label. In the case of a new local minimum region that does not have a corresponding region around it, a new label is defined. In the expansion process, if all fresh water areas with a height equal to or lower than a specific gradient value z are found, pixels having a gradient value of z+1 are processed in the next step. This process is repeated until the maximum gradient value is reached, and all pixels are merged into the fresh water area to expand the area. After the expansion, each freshwater area becomes a divided area, and the boundary constructed between the freshwater areas becomes a line dividing the area, and the object is divided based on this. The inundation method is that water fills up from the lowest gradient height and each local minimum becomes a freshwater area. When the water fills up, the pixel with the largest gradient value is set as the boundary position, as shown by the dotted line.
강우(rainfall) 방식은 하늘에서 비가 오는 개념으로 각 화소에서 지역 최소값까지의 경로를 찾아 담수 영역을 확장하는 방식이다. 이 방식은 크게 초기화와 범람의 2가지 과정으로 구현되며 담수 지역인 시드는 마커라 불리기도 하며 초기화 과정에서 이 마커의 초기 위치를 결정하고 범람 과정에서는 마커에 인접한 화소들을 우선순위에 따라 마커를 병합한다. 이런 범람 과정을 모든 화소들이 마커에 병합될 때까지 지속해서 반복한다. 먼저 확장의 시작이 되는 국부 최소점들을 마커로 추출하고 각 마커로부터 확장을 시작한다. 이 마커에 물이 떨어져 채워지는 개념으로 영역이 확장되고 따라서 각 마커는 유사한 속도로 확장이 진행된다.The rainfall method is a method of expanding the freshwater area by finding a path from each pixel to the local minimum with the concept of rain from the sky. This method is largely implemented in two processes: initialization and flooding. The seed, which is a freshwater area, is also called a marker. In the initialization process, the initial position of this marker is determined. In the overflow process, pixels adjacent to the marker are merged according to priority. . This flooding process is repeated continuously until all pixels are merged into the marker. First, local minima, which are the start of expansion, are extracted as markers, and expansion starts from each marker. The area expands with the concept that water falls on this marker and fills it, so each marker expands at a similar speed.
찬-베세 모델(CV)은 곡선 내부 및 외부의 분포를 기반으로 객체를 추출하는 방식으로 영상의 강도 균질성과 뚜렷한 대비로 영상에 더 나은 분할 효과를 보이는 방법이다.The Chan-Bese model (CV) is a method that extracts objects based on the distribution inside and outside the curve, and shows a better segmentation effect on images with intensity homogeneity and sharp contrast.
한편, 수표면적 추정모듈(130)은 머신러닝부(131) 및 추정값 도출부(132)를 포함할 수 있다. 머신러닝부(131)는 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법 중 어느 하나를 적용하여 상기 수표면적 추정값을 산출하여 추정값 도출부(132)를 통해 수표면적 추정값을 제공한다.Meanwhile, the water surface area estimation module 130 may include a machine learning unit 131 and an estimated value derivation unit 132 . The machine learning unit 131 calculates the water surface area estimation value by applying any one of a neural network, a support vector machine, and a random forest technique, and the estimation value derivation unit 132 provides an estimate of the water surface area.
다른 실시예에 따르면, 머신러닝부(131)는 오츠(Otsu), 워터쉐드(Watershed), 찬-베세(Chan-Vese) 기법 중 어느 하나를 적용하여 상기 수표면적 추정값을 산출하여 추정값 도출부(132)를 통해 수표면적 추정값을 제공한다.According to another embodiment, the machine learning unit 131 calculates the water surface area estimation value by applying any one of Otsu, Watershed, and Chan-Vese techniques to the estimation value derivation unit ( 132) provides an estimate of the water surface area.
수표면적 실증모듈(140)은 대상 저수지의 수표면적 실측값을 도출한다. 이를 위해 수표면적 실증모듈(140)은 영상 수집부(141), 정사 영상 생성부(142) 및 실측값 도출부(143)를 포함한다.The water surface area verification module 140 derives an actual value of the water surface area of the target reservoir. To this end, the water surface area verification module 140 includes an image collection unit 141, an ortho image generation unit 142, and a measured value derivation unit 143.
영상 수집부(141)는 대상 저수지에 대한 드론 촬영 영상을 획득한다. 드론 촬영 영상은 저장장치에 저장되어, 별도의 서버에 저장될 수 있다. 영상 수집부(141)는 별도의 서버에 접속하여 저장된 드론 촬영 영상을 수신할 수 있다.The image collection unit 141 acquires a drone-captured image of a target reservoir. Images taken by drones may be stored in a storage device and stored in a separate server. The image collection unit 141 may access a separate server and receive stored drone images.
실제 현장자료는 농어촌공사와 지자체가 관리하는 저수지를 대상으로 각각 현장자료를 수집·구축하였다. 농어촌공사의 현장자료는 선정된 저수지 5개소를 대상으로 21년도 위성영상 관측날짜에 맞추어 자료를 취득하였으며, 지자체 저수지는 19~20년도 기간 동안 행정안전부 사업을 통하여 선행적으로 구축된 38개소의 자료를 수집하였다. 정확도 분석을 위한 현장관측 자료는 도 10과 같이 드론 촬영 및 지상기준점(Ground Control Point, GCP) 측량을 통해 제작한 정사 영상으로부터 수표면 경계를 디지타이징(digitizing)하여 제작되었다. 지자체 관리 저수지의 저수지 측량 자료는 38개소에 대한 드록측량 정사영상 및 수치표면모델(Digital Surface Model, DSM), 저수지 내 용적표를 수집하였으며, 디지타이징을 통해 수표면 추출 및 수표면적을 계산하였다.Actual field data were collected and constructed for reservoirs managed by the Rural Community Corporation and local governments. The field data of the Rural Community Corporation were acquired in accordance with the satellite image observation date in 2021 for 5 selected reservoirs, and for local government reservoirs, data from 38 locations constructed in advance through the Ministry of Public Administration and Security project during the period of 19-20 was collected. As shown in FIG. 10, field observation data for accuracy analysis were produced by digitizing water surface boundaries from orthographic images produced through drone shooting and ground control point (GCP) surveys. Reservoir survey data of reservoirs managed by local governments collected drok survey orthoimages, digital surface models (DSM), and volume tables in reservoirs for 38 locations, and extracted water surfaces and calculated water surface areas through digitizing.
정사 영상 생성부(142)는 드론 촬영 영상에 대상 저수지의 수치표면모델(Digital Surface Model, DSM)을 적용하여 정사영상을 생성한다.The orthoimage generation unit 142 generates an orthoimage by applying a digital surface model (DSM) of a target reservoir to an image captured by a drone.
실측값 도출부(143)는 정사영상에서 대상 저수지의 수표면적 실측값을 도출한다.The measured value derivation unit 143 derives the measured value of the water surface area of the target reservoir from the orthoimage.
평가모듈(150)은 수표면적 실측값과 수표면적 추정값을 비교하여 정확도를 평가한다. 평가모듈(150)은 검증자료 구축부(151), 정량평가부(152) 및 정성평가부(153)를 포함한다.The evaluation module 150 evaluates accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area. The evaluation module 150 includes a verification data construction unit 151, a quantitative evaluation unit 152 and a qualitative evaluation unit 153.
검증자료 구축부(151)는 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축한다.The verification data construction unit 151 builds a dataset by collecting orthoimages and a quick lookup table for at least one target reservoir.
정량평가부(152)는 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석한다.The quantitative evaluation unit 152 analyzes area unit accuracy and pixel unit accuracy of the water surface area estimation value based on at least one orthoimage of the target reservoir and a rough lookup table.
정성평가부(153)는 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석한다.The qualitative evaluation unit 153 analyzes the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of at least one target reservoir.
시계열 정보 분석모듈(160)은 저수지 조견표의 수위와 수표면적의 상관관계를 기반으로 위성영상 관측시점의 수위자료를 사용하여 수표면적을 도출하여 위성관측 시계열 수표면적의 비교분석에 활용할 수 있다.The time series information analysis module 160 derives the water surface area using water level data at the time of observation of the satellite image based on the correlation between the water level and the water surface area of the reservoir chart, and can be used for comparative analysis of the satellite observed time series water surface area.
이하에서는 정량평가부(152)가 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 수표면적 산출 결과의 정량적 정확도 분석에 대해 자세하게 설명하기로 한다.Hereinafter, the quantitative accuracy analysis of the water surface area calculation result in which the quantitative evaluation unit 152 analyzes area unit accuracy and pixel unit accuracy of the water surface area estimation value will be described in detail.
도 11은 각 알고리즘별 중·소규모 저수지 43개소의 수표면적 평균값을 나타내는 그래프이고, 도 12는 알고리즘별로 연구대상 저수지 규모별 수표면적 평균값과 드론 촬영 영상으로부터 도출된 수표면적 참값을 비교하여 나타내는 도표이다.11 is a graph showing the average value of the water surface area of 43 small and medium-sized reservoirs for each algorithm. .
도 11 및 12를 참조하면, 저수지 규모는 규모는 5만 톤 이하, 5~20만 톤, 20~30만 톤, 30~40만 톤, 40~50만 톤, 50만 톤 이상으로 6개로 구분하였다. 5만 톤 이하에서는 평균수표면적이 CV가 1.982ha로 가장 크게 나왔으며 WS가 1.146ha로 가장 작게 나왔다. 5~20만 톤, 20~30만 톤, 30~40만 톤에서는 수표면적 평균이 NN에서 각각 3.021ha, 4.527ha, 4.266ha로 가장 높게 나왔으며, WS에서 각각 2.207ha, 3.071ha, 2.716ha로 가장 적게 나왔다. 40~50만 톤과 50만 톤 이상에서는 RF에서 각각 6.905ha, 22.822ha로 수표면적 평균이 가장 높게 나왔으며, WS에서는 각각 4.612ha, 18.513ha로 가장 작은 수표면적 평균값을 나타냈다. WS는 전체 규모에서 가장 적은 수치를 나타내었으며, NN이 3개 규모에서 가장 높은 수치를 보였고, RF는 2개의 규모에서 가장 큰 값을 나타냈다. CV는 1개의 규모에서 가장 큰 수표면적 평균값을 나타내었다. 규모별 수표면적 평균값을 확인하면 WS는 6종의 알고리즘 중 수표면적을 가장 작게 추정하는 특징을 가지고 있다고 볼 수 있으며, 반대로 NN은 알고리즘 중 가장 큰 면적을 추정하는 특징을 가지고 있다고 추정해볼 수 있다.11 and 12, the size of the reservoir is divided into six categories: 50,000 tons or less, 50,000 to 200,000 tons, 200,000 to 300,000 tons, 300,000 to 400,000 tons, 400,000 to 500,000 tons, and 500,000 tons or more. did Below 50,000 tons, CV was the largest at 1.982 ha and WS was the smallest at 1.146 ha. At 50,000 to 200,000 tons, 200,000 to 300,000 tons, and 300,000 to 400,000 tons, the average water surface area was highest in NN at 3.021 ha, 4.527 ha, and 4.266 ha, respectively, and 2.207 ha, 3.071 ha, and 2.716 ha in WS, respectively. came out the least with At 400,000 to 500,000 tons and over 500,000 tons, RF showed the highest average water surface area at 6.905 ha and 22.822 ha, respectively, and WS showed the smallest average water surface area at 4.612 ha and 18.513 ha, respectively. WS showed the lowest value on all scales, NN showed the highest value on three scales, and RF showed the highest value on two scales. CV showed the largest mean value of water surface area in one scale. When checking the average value of the water surface area by scale, it can be assumed that WS has the feature of estimating the smallest surface area among the six algorithms, and NN has the feature of estimating the largest area among the algorithms.
도 13은 알고리즘별 수표면적 실측값과 추정값의 평균 차이를 나타내는 그래프이다. 도 13을 통하여 전처리된 위성 레이더 영상으로부터 수체영역과 비수체영역을 분류하는 능력은 기법별, 규모별로 차이가 있음을 확인할 수 있다.13 is a graph showing the average difference between the measured value and the estimated value of the water surface area for each algorithm. 13, it can be confirmed that the ability to classify the water body area and the non-water body area from the preprocessed satellite radar image differs according to technique and size.
이하 도 14 내지 도 18 및 도 19를 통해 알고리즘별 분석 결과를 자세히 설명하기로 한다.Hereinafter, analysis results for each algorithm will be described in detail with reference to FIGS. 14 to 18 and 19 .
도 14는 유효저수량 규모별 추정된 수표면적과 실측 수표면적 간의 상관계수를 나타낸 결과이다. 0~5만 톤 규모에서는 WS가 가장 높은 상관계수 (0.999)를 보였으며 순차적으로 RF, SVM, NN이 0.8 이상의 상관계수를 보였다. Otsu 및 CV의 경우 각 0.138, -0.296으로 0에 가깝거나 음의 상관계수를 보였다. 5~20만 톤 규모에서는 Otsu가 0.996으로 가장 높은 상관계수를 보였으며, 나머지 기법들 모두 0.9 이상의 상관계수가 나타났다. 20~30만 톤 규모의 경우 RF가 가장 높은 상관계수를 보였으며 WS(0.437)을 제외한 나머지 기법들은 0.8 이상의 상관계수를 보였다. 30~40만 톤 규모 및 40~50만 톤 규모의 저수지에서는 각 NN(0.977), Otsu(0.934)가 가장 높은 상관계수를 보였으며 나머지 기법들도 0.7 이상의 상관계수를 보였다. 50만 톤 이상 규모의 저수지에서는 모든 기법이 0.9 이상의 상관계수를 보였다.14 is a result showing the correlation coefficient between the estimated water surface area and the actually measured water surface area for each effective storage volume scale. In the 0 to 50,000 ton scale, WS showed the highest correlation coefficient (0.999), and RF, SVM, and NN sequentially showed correlation coefficients of 0.8 or higher. In the case of Otsu and CV, the correlation coefficient was close to 0 or negative at 0.138 and -0.296, respectively. In the 50,000 to 200,000 ton scale, Otsu showed the highest correlation coefficient of 0.996, and all other techniques showed correlation coefficients of 0.9 or higher. In the case of the 200,000 to 300,000 ton scale, RF showed the highest correlation coefficient, and the other techniques except for WS (0.437) showed correlation coefficients of 0.8 or higher. In reservoirs of 300,000 to 400,000 tons and 400,000 to 500,000 tons, respectively, NN (0.977) and Otsu (0.934) showed the highest correlation coefficients, and the other methods also showed correlation coefficients of 0.7 or higher. For reservoirs of 500,000 tons or more, all techniques showed correlation coefficients of 0.9 or higher.
기법별 연구대상 저수지 전체의 상관계수 평균은 각 0.937(NN), 0.942(SVM), 0.950(RF), 0.814(Otsu), 0.828(WS), 0.704(CV)로 학습 분류 기반 알고리즘(NN, SVM, RF)이 0.9 이상, Otsu와 WS가 0.8 이상, CV는 0.7대의 수치를 보였다.The average correlation coefficients of the entire reservoirs studied by technique were 0.937 (NN), 0.942 (SVM), 0.950 (RF), 0.814 (Otsu), 0.828 (WS), and 0.704 (CV), respectively, and the learning classification-based algorithms (NN, SVM) , RF) was more than 0.9, Otsu and WS were more than 0.8, and CV was more than 0.7.
도 15는 유효저수량 규모별 추정된 수표면적과 실측 수표면적 간의 RMSE 및 RMSE 비율을 나타낸 결과이다. 규모별 분석에 있어서 대규모 저수지의 경우 소규모 저수지와 비교해 평균 수표면적이 크기 때문에 RMSE도 크게 나타난다. 규모별 수표면적 산출 결과의 객관적인 상호 비교를 위하여 RMSE 비율을 함께 계산하였으며, RMSE를 해당 규모 저수지들의 평균 실측 수표면적으로 나누어 실측(0%)으로부터 과대(+), 과소(-) 추정 비율을 나타냈다.15 is a result showing the RMSE and RMSE ratios between the estimated water surface area and the actual water surface area for each effective storage volume scale. In the analysis by size, the RMSE is also large because the average water surface area of large-scale reservoirs is larger than that of small-scale reservoirs. In order to objectively compare the water surface area calculation results by size, the RMSE ratio was calculated together, and the RMSE was divided by the average actual water surface area of the reservoirs of the corresponding size to show the estimated ratio of over (+) and under (-) from the actual measurement (0%) .
유효저수량 규모별 평균 실측 수표면적은 각 0~5만 톤 1.750ha, 5~20만 톤, 3.235ha, 20~30만 톤 4.786ha, 30~40만 톤 4.407ha, 40~50만 톤 7.764ha, 50만 톤 이상 23.408ha였다.The average actual water surface area for each size of effective storage volume is 1.750 ha for 0-50,000 tons, 3.235 ha for 50,000-200,000 tons, 4.786 ha for 200,000-300,000 tons, 4.407 ha for 300,000-400,000 tons, and 7.764 ha for 400,000-500,000 tons. , was 23.408ha with more than 500,000 tons.
0~5만 톤 규모에서는 RF가 가장 낮은 RMSE(0.078)를 보였으며 순차적으로 SVM, NN이 0.3ha 이하의 RMSE를 보였고 이는 평균 수표면적 대비 20% 이내의 오차이다. CV RMSE의 경우 1.309ha로 평균 수표면적 대비 74.76%의 오차로 나타났다. 5~20만 톤 규모의 경우 모든 기법이 약 0.7ha 이하의 RMSE, 20% 이내의 오차를 보였다. 20~30만 톤 규모에서는 WS 및 CV를 제외한 기법은 약 15% 이내의 오차를 보였으나 두 기법은 약 46%의 오차를 보였다. 30~40만 톤 규모의 경우 WS 및 CV는 25% 이상, 나머지는 약 15% 이내의 오차를 보였으며, 40~50만 톤의 경우도 이와 유사한 오차 결과를 보였다. 50만 톤 이상의 규모에서는 모든 기법이 약 15% 이내의 오차를 보였다.In the 0 to 50,000 ton scale, RF showed the lowest RMSE (0.078), and sequentially SVM and NN showed RMSE of 0.3 ha or less, which is an error of less than 20% compared to the average water surface area. In the case of CV RMSE, it was 1.309 ha, an error of 74.76% compared to the average water surface area. In the case of a scale of 50,000 to 200,000 tons, all techniques showed an RMSE of about 0.7 ha or less and an error within 20%. On the scale of 200,000 to 300,000 tons, the techniques excluding WS and CV showed errors within about 15%, but the two techniques showed errors of about 46%. In the case of 300,000 to 400,000 tons, WS and CV showed an error of more than 25% and the rest within about 15%, and the case of 400,000 to 500,000 tons showed similar error results. At scales of 500,000 tons or more, all techniques showed errors within about 15%.
기법별 연구대상 저수지 전체의 오차 평균은 각 13.33%(NN), 5.81%(SVM), 5.32%(RF), 13.90%(Otsu), 29.97%(Otsu), 37.78%(CV)로 SVM과 RF가 10% 이하, NN과 Otsu가 20% 이하, WS와 CV가 40% 이하의 수치를 보였다.The error averages of all reservoirs studied by technique were 13.33% (NN), 5.81% (SVM), 5.32% (RF), 13.90% (Otsu), 29.97% (Otsu), and 37.78% (CV), respectively, with SVM and RF showed less than 10%, NN and Otsu less than 20%, and WS and CV less than 40%.
도 16은 유효저수량 규모별 평균 상관계수 및 RMSE(평균제곱근 오차) 비율을 나타내는 그래프이다. 0~5만 톤 규모의 결과는 약 0.6의 상관계수와 27.24%의 RMSE 비율을 보이며 상대적으로 큰 규모의 저수지에 비해 수표면적 산출 정확도가 다소 낮은 것을 확인할 수 있었다. 상관계수의 경우 5~20만 톤 및 50만 톤 이상 규모에서 0.95이상 값을 보였으며, RMSE 비율은 5만 톤 이상 규모에 대하여 약 20% 이내의 정확성을 나타냈다. 정리하면, 5만 톤 이하 규모의 저수지가 가장 낮은 수표면적 산출 정확도를 나타냈고, 50만 톤 이상의 저수지는 가장 높은 정확도를 나타내었다. 중간 규모 저수지의 결과는 일정한 경향은 없으나 비슷한 수준의 정확성을 가진 것으로 보인다.16 is a graph showing average correlation coefficients and RMSE (root mean square error) ratios for each scale of effective water storage. The results of the 0 to 50,000 ton scale showed a correlation coefficient of about 0.6 and an RMSE ratio of 27.24%, confirming that the water surface area calculation accuracy was somewhat lower than that of relatively large reservoirs. In the case of the correlation coefficient, it showed a value of 0.95 or more in the scale of 50,000 to 200,000 tons and 500,000 tons or more, and the RMSE ratio showed accuracy within about 20% for the scale of 50,000 tons or more. In summary, reservoirs with a capacity of less than 50,000 tons showed the lowest water surface area calculation accuracy, and reservoirs with a capacity of 500,000 tons or more showed the highest accuracy. Results for medium-sized reservoirs appear to have a similar level of accuracy, although there is no trend.
도 17은 기법별 수표면적 산출결과 및 실측면적 산포도를 나타내는 그래프이다. 각 수표면적 산출 기법은 동일한 위성 레이더 영상으로부터 영상분류를 수행하더라도 저수지 면적을 각 알고리즘의 특성에 맞게 추정한다. 이러한 추정 성향을 살펴보기 위하여 산포도(scatter plot) 분석을 수행하였다. 산포도는 각 저수지의 추정된 수표면적(알고리즘 산출 수표면적)과 실측 수표면적(정사영상 디지타이징 산출 수표면적)을 결합하여 작성했으며, 앞서 항의 분석과 마찬가지로 6개 유효저수량 규모별로 나누어 분석하였다.17 is a graph showing the result of calculating the water surface area for each technique and the scatter plot of the measured area. Each water surface area calculation method estimates the reservoir area according to the characteristics of each algorithm even if image classification is performed from the same satellite radar image. In order to examine this estimation tendency, scatter plot analysis was performed. The scatter plot was prepared by combining the estimated water surface area (algorithm-calculated water surface area) and the actual water surface area (water surface area calculated by ortho image digitizing) of each reservoir, and was analyzed by dividing it into 6 effective reservoir sizes as in the previous analysis.
도 17을 참조하면 가로축은 실측 수표면적을 나타내었으며 세로축은 알고리즘으로 산출한 수표면적을 나타내었다. 5만 톤 이하 저수지의 경우 과대 추정된 무연 저수지의 Otsu와 CV 산출 결과(각 2.01ha, 3.14ha)를 제외하고 실측 면적 대비 과소 추정한 결과를 보이지만, 저수지 수표면적에 대한 선형적 상관관계는 양으로 나타났음을 볼 수 있다. 5만톤 이하의 저수지의 경우 저수지 수가 3개소로 표본이 다소 적어 선형 상관관계 분석에서 이상치(outlier)의 영향이 클 것으로 판단된다. 5~20만 톤 규모에서는 대부분의 저수지가 약간 과소 추정된 성향이 보이나 실측면적과 유사한 산출 면적을 보인다. 20~30만 톤 규모의 경우 WS를 제외한 기법은 회귀선이 1:1선에 가까우나 WS는 과소 추정된 두 저수지(벽정, 상지)로 인해 회귀선의 기울기가 낮게 나타났다. 30~40만 톤 급 저수지에서도 이와 유사하게 다른 기법은 회귀선의 기울기가 1에 가까우나 WS의 경우 1보다 다소 작은 기울기를 보이며 과소 추정된 수표면적 산출 결과(오정, 오동댐)가 나타났음을 확인할 수 있다. 50만 톤 이상의 저수지의 경우 모두 1:1 선에 가까운 회귀선을 보이지만, WS로부터 추출된 송종제는 수체를 다소 과소 추정(0.65ha) 한 것으로 보인다.Referring to FIG. 17, the horizontal axis represents the actually measured water surface area, and the vertical axis represents the water surface area calculated by the algorithm. In the case of reservoirs with a capacity of less than 50,000 tons, except for the Otsu and CV calculation results (2.01 ha and 3.14 ha, respectively) of lead-free reservoirs, which were overestimated, the results were underestimated compared to the actual measured area, but the linear correlation with the reservoir water surface area was positive. It can be seen that it appeared as In the case of reservoirs with a capacity of less than 50,000 tons, the number of reservoirs is 3, and the sample size is rather small, so it is judged that the influence of outliers will be large in the linear correlation analysis. At the scale of 50,000 to 200,000 tons, most of the reservoirs tend to be slightly underestimated, but show calculated areas similar to the actual measured areas. In the case of 200,000 to 300,000 tons, the regression line was close to the 1:1 line for the techniques except for WS, but the slope of the regression line for WS was low due to the underestimated two reservoirs (Byokjeong and Sangji). Similarly, in reservoirs of 300,000 to 400,000 tons, other techniques show that the slope of the regression line is close to 1, but the slope of the regression line is slightly smaller than 1 in the case of WS. there is. In the case of reservoirs over 500,000 tons, all of them show a regression line close to the 1:1 line, but the songjongje extracted from WS seems to have slightly underestimated the water body (0.65 ha).
도 18은 화소단위 분석을 위한 흐름도 및 예시를 나타내는 도면이다. 각 기법은 연구대상 저수지의 영역(subset)에 대하여 격자(pixel)형태로 수체 및 비수체 분류 결과를 생산한다. 면적단위 검증의 경우, 수표면적의 직관적인 비교는 가능하나 저수지의 형태나 오분류되는 주변 영역에 대한 세밀한 분석은 어렵다. 따라서 화소단위의 정량적 검증을 통해 기법별 수체분류 특성을 더욱 상세히 살펴보고자 한다.18 is a diagram showing a flowchart and an example for pixel unit analysis. Each technique produces aquatic and non-aquatic classification results in the form of a grid (pixel) for a subset of the reservoir under study. In the case of area unit verification, intuitive comparison of the water surface area is possible, but detailed analysis of the shape of the reservoir or the misclassified surrounding area is difficult. Therefore, the characteristics of water body classification by technique will be examined in more detail through quantitative verification in pixel units.
도 18을 참조하면, 드론을 이용한 현장관측을 통해 생성한 정사영상으로부터 추출한 저수지 수표면 경계로부터 동일 좌표계의 격자에 대하여 대조자료를 생성하여 각 기법을 통해 추정된 수체 및 비수체 분류 결과를 화소단위로 비교한다. 화소단위의 비교 결과는 수체 및 비수체에 대한 혼동행렬로 나타내어지며, 혼동행렬의 총합은 해당 연구대상 저수지 영역의 총 화소 수와 같다.Referring to FIG. 18, reference data are generated for the lattice of the same coordinate system from the reservoir water surface boundary extracted from the orthoimage generated through field observation using a drone, and the water body and non-water body classification results estimated through each technique are calculated in pixel units. compare with The result of pixel unit comparison is expressed as a confusion matrix for water bodies and non-water bodies, and the sum of the confusion matrices is equal to the total number of pixels in the reservoir area to be studied.
도 19는 도 18에서 개시된 화소단위 분석을 위한 검증절차를 적용하여 기법별 수체분류 결과 검증값에 대한 방사형 그래프이다. 도 19를 참조하면 정확도는 SVM(0.922), NN(0.921), RF(0.921), CV(0.920), Otsu(0.918), WS(0.860) 순으로 높게 나타났다. NN과 RF의 경우 정밀도(각 0.923, 0.923)는 상대적으로 낮은 값을 보였으나, 재현율(각 0.912, 0.912)은 상대적으로 높은 값을 보였다. F1 점수의 경우 감독 분류를 사용하는 NN(0.917), SVM(0.917), RF(0.917)가 나란히 가장 높은 값을 보였으며, Kappa도 마찬가지로 SVM(0.844), NN(0.841), RF(0.841) 순으로 감독 분류 기법이 상대적으로 높은 검증값을 보였다. WS의 경우 정밀도(0.9840)는 가장 높은 수치를 보였으나 다른 검증값에 있어서는 모두 가장 낮은 수치를 보였다.FIG. 19 is a radial graph of verification values of results of hand body classification for each technique by applying the verification procedure for pixel unit analysis disclosed in FIG. 18 . Referring to FIG. 19, the accuracy was high in the order of SVM (0.922), NN (0.921), RF (0.921), CV (0.920), Otsu (0.918), and WS (0.860). In the case of NN and RF, precision (0.923, 0.923, respectively) was relatively low, but recall (0.912, 0.912, respectively) was relatively high. In the case of the F1 score, NN (0.917), SVM (0.917), and RF (0.917) using supervised classification showed the highest values side by side, and Kappa also showed SVM (0.844), NN (0.841), and RF (0.841) in order. As a result, the supervised classification technique showed a relatively high verification value. In the case of WS, the precision (0.9840) showed the highest value, but all other verification values showed the lowest value.
도 20은 규모별 수체분류 결과 검증값에 대한 방사형 그래프이다. 도 20을 참조하면, 5만 톤 이하의 저수지는 상대적으로 큰 규모의 저수지들에 비해 재현율에서 낮은 값을 보였다. 이는 실제 수체를 정확히 탐지해내지 못한 화소 수가 많은 것으로 인해 나타난 결과로 해석된다. 또한 Otsu 및 찬 CV의 결과가 다른 규모에 비해 눈에 띄게 낮게 나타났다. 5만 톤 이상의 규모에서는 WS를 제외한 기법은 전반적으로 비슷한 검증값의 분포를 나타내는 것으로 보이나, 정밀도와 재현율에서는 다른 검증값들에 비해 상대적으로 차이가 나타나는 것으로 보인다. 특히 30~40만 톤 및 40~50만 톤의 규모에서 이러한 차이가 크게 보이며, 이는 수체 영역을 과소 또는 과대 추정하는 오류로 인해 발생한 것으로 판단된다.20 is a radial graph of verification values of water body classification results by scale. Referring to FIG. 20, reservoirs of 50,000 tons or less showed lower recall values than relatively large-scale reservoirs. This is interpreted as a result of the large number of pixels that could not accurately detect the actual water body. Also, the results of the Otsu and Chan CVs were noticeably lower than the other scales. At a scale of 50,000 tons or more, the techniques except for WS seem to show a similar distribution of verification values overall, but there seems to be a relative difference compared to other verification values in precision and recall. In particular, at the scales of 300,000 to 400,000 tons and 400,000 to 500,000 tons, the difference is large, and this is judged to be caused by an error in underestimating or overestimating the water body area.
이하에서는, 정성평가부(153)가 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 것에 대해 상세하게 설명하기로 한다.Hereinafter, the qualitative evaluation unit 153 performs boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of at least one target reservoir to analyze the qualitative accuracy of the water surface area estimate in detail. do.
먼저, 저수지 경계기반의 형태학적 분석을 살펴보면, 영상레이더를 활용하여 중·소규모 저수지 수표면적 추출 정확성에 영향을 미치는 요인으로 저수지별 형태에 대한 분석을 수행하였다. 위성영상은 일정한 해상도의 화소 배열로 이루어진 데이터로서 영상 해상도에 포함된 영역의 비정형적인 형태 정보가 화소에 기록된다. 이를 고려하면 위성영상에서 저수지를 관측할 시 물리적, 기하학적 원인으로 저수지의 형태가 수표면적 산출에 영향을 미치는 영향을 분석할 필요가 있다. 연구대상 저수지의 형태학적 해석은 각 저수지 경계를 활용하여 원형도(Circularity) 값을 계산하여 수행하였다. 원형도 계산을 통해 저수지의 형태에 따라 SAR영상을 활용하여 산출한 수표면적 결과 값에 영향을 미치는지에 대해 분석하고자 하였다. 원형도는 주어지는 형태가 얼마나 원과 가까운 형태를 보이는지에 대해 원면적과 원주의 값을 이용하여 계산하게 된다. 원형도 값의 범위는 0에서 1사이의 값을 가지게 되며 1에 가까울수록 원과 가깝게 형태하였다고 정의된다. 또한 C=0.79에 가깝다면 정사각형 형태, C=0.50에 가깝다면 직사각형, C=0.13에 가깝다면 다각형, 불규칙한 형태에 가깝다고 정의된다.First, looking at the morphological analysis based on the boundary of the reservoir, the shape of each reservoir was analyzed as a factor influencing the accuracy of extracting the water surface area of small and medium-sized reservoirs using image radar. A satellite image is data composed of a pixel array with a certain resolution, and information on the irregular shape of an area included in the image resolution is recorded in a pixel. Considering this, it is necessary to analyze the effect of the shape of the reservoir on the calculation of the water surface area due to physical and geometric causes when observing the reservoir in satellite images. The morphological analysis of the study reservoir was performed by calculating the circularity value using each reservoir boundary. Through circularity calculation, we tried to analyze whether the shape of the reservoir affects the result value of the water surface area calculated using SAR images. Circularity is calculated using the values of the area and circumference of a circle to determine how close a given shape is to a circle. The range of circularity values has a value between 0 and 1, and the closer to 1, the closer it is to a circle. In addition, if C = 0.79 is close to square shape, C = 0.50 is close to rectangle, C = 0.13 is close to polygon or irregular shape.
본 연구에서 수행한 저수지 경계기반 형태학적 분석에 대한 상세내용은 다음과 같다.The details of the reservoir boundary-based morphological analysis performed in this study are as follows.
첫째, 저수지 경계 활용 원형도 값 계산First, calculating the circularity value using the reservoir boundary
저수지 경계를 기반하여 얼마나 원에 가까운 형태를 보이는가에 대해 파악하기 위해 원형도 값 계산Calculate circularity values to get a sense of how close to a circle the shape is based on the reservoir boundary.
둘째, 정량적 해석 결과 값과 저수지별 원형도 계산 값과의 비교분석Second, comparative analysis of the quantitative analysis result value and the circularity calculated value for each reservoir
저수지의 형태가 위성영상을 활용하여 추출된 수표면적 분석값에 영향을 발생시키는지에 대해 판단하기 위해 각 저수지 형태별 분류한 원형도 계산 값과의 비교분석Comparative analysis with circularity calculated values classified by each reservoir type to determine whether the reservoir shape affects the water surface area analysis value extracted using satellite images
셋째, 연구대상 저수지에 대한 형태학적 해석Third, morphological analysis of the research target reservoir
연구대상 저수지 전체에 대한 형태학적 분석 결과 값을 통한 위성영상 활용 저수지 수표면적 추출율과의 영향정도 파악Identification of the degree of influence with the water surface area extraction rate of the reservoir using satellite images through the morphological analysis result of the entire reservoir under study
원형도 계산을 수행한 결과 연구대상 저수지 43개소 중 직사각형 형태를 보이는 저수지는 35개소, 정사각형 형태를 보이는 저수지는 7개소, 다각형 형태를 보이는 저수지는 1개소로 분석되었다. 즉, 연구대상 저수지는 원형에 가까운 저수지는 없었으며 대부분이 직사각형 형태를 보이는 것으로 분석되었다. 정량적 해석 결과값 중 원형도 값과 비교 분석한 인자는 총 3가지로써 수체와 비수체를 정확히 분류하는지를 판단하기 위해 활용된 Accuracy값, 실제 값과 추출 값과의 일치 정도를 판단하기 위해 활용된 Kappa값, 오분류 없이 수체를 정확히 분류하는지 판단하기 위해 활용된 F1 score값을 사용하였다. 또한 저수지 형태를 기준으로 분류하는 저수지의 개체 수 차이가 있음에 따라 Z-score값을 계산을 통해 비교 인자별 표준화를 수행한 결과, 알고리즘에 상관 없이 SAR 위성영상을 활용하여 저수지 수표면적을 산출하는 것에 안정적인 추출율을 보이는 저수지 형태는 직사각형 형태의 저수지인 것으로 해석될 수 있다.As a result of circularity calculation, among the 43 reservoirs in the study, 35 reservoirs showed a rectangular shape, 7 reservoirs showed a square shape, and 1 reservoir showed a polygonal shape. In other words, it was analyzed that there were no reservoirs close to circular in the reservoirs studied, and most of them showed a rectangular shape. Among the quantitative analysis result values, there are three factors that were compared and analyzed with the circularity value: the accuracy value used to determine whether water bodies and non-aqueous bodies are accurately classified, and Kappa used to determine the degree of agreement between the actual value and the extracted value. The F1 score value was used to determine whether the water body was accurately classified without value or misclassification. In addition, as there is a difference in the number of reservoirs classified based on reservoir shape, Z-score values are calculated and standardized for each comparison factor. The reservoir shape showing a stable extraction rate can be interpreted as a rectangular reservoir.
두번째로, 저수지의 SAR 위성영상에서 발생할 수 있는 오류 인자들을 살펴보고 그에 따른 정확도를 분석하고자 한다.Second, we examine error factors that can occur in SAR satellite images of reservoirs and analyze their accuracy.
도 21은 위성 레이더로부터 SAR 영상을 촬영할 때 지형효과로 인해 발생할 수 있는 영상 왜곡 특성을 도식화한 도면이다. 위성 레이더는 측방 관측(side-looking) 특성에 의해 지형의 영향을 받게 된다. 위성 레이더의 입사각보다 지형 고도에 의한 지표변화가 더 클 경우 중첩(layover), 단축(foreshortening), 음영(shadow) 등의 기하왜곡이 발생할 수 있다. 특히 음영의 경우 목표 객체의 정보 자체가 손실되기 때문에 원격 탐사에 있어서 큰 문제가 된다.21 is a diagram illustrating image distortion characteristics that may occur due to a terrain effect when capturing an SAR image from a satellite radar. Satellite radar is affected by the topography due to side-looking characteristics. If the surface change due to topographical altitude is greater than the angle of incidence of the satellite radar, geometric distortion such as layover, foreshortening, and shadow may occur. In particular, in the case of shadow, since the information of the target object itself is lost, it is a big problem in remote sensing.
도 22는 음영에 의한 기하왜곡(geometric distortion)으로 인해 수표면적 산출 정확도에 오류가 발생한 예시로 어린지 저수지의 정사영상 및 신경망(NN) 수표면적 산출 결과를 표현한 그림과 어린지 저수지 인근 지역의 수치표고모형(DEM)을 나타낸 그림이다. 어린지 저수지의 북동쪽에 북쪽으로 뻗은 저수지 영역이 존재(정사영상)하지만 영상분류에서는 이를 탐지해내지 못하였다(붉은 실선). 이는 지류의 동쪽 및 서쪽에 위치한 언덕 지형에 의해 위성 레이더의 음영이 발생한 결과로 분석된다. 또한 어린지 저수지 북동쪽 지류의 동쪽과 서쪽에 급격한 지형변화가 있는 것을 확인할 수 있으며, 수평거리 100m 이내에 약 50m 이상의 지형 상승이 있는 것으로 측정된다. 이는 본 연구에 활용한 Sentinel-1 위성의 IW(Interferometric Wide swath) 모드의 측방 촬영 각도(표 4.22)인 29.1°~46.0°와 유사한 각도(약 30°)의 지형고도 변화로 음영 발생에 의한 영상손실이 있을 것으로 추측된다.22 is an example of an error in the calculation accuracy of the water surface area due to geometric distortion caused by shading, and is a picture showing the orthoimage of a reservoir and the result of calculating the surface area of a neural network (NN) and the numerical values of the area near the reservoir. It is a picture showing elevation model (DEM). A reservoir area extending northward to the northeast of the juvenile reservoir exists (orthoscopic image), but image classification did not detect it (red solid line). This is analyzed as a result of shadowing of the satellite radar by the hill topography located to the east and west of the tributary. In addition, it can be confirmed that there is a rapid topographical change on the east and west sides of the tributary northeast of the young reservoir, and it is measured that there is a topographic elevation of about 50m or more within 100m of the horizontal distance. This is an image by shadow generation due to a change in terrain elevation at an angle (approximately 30°) similar to the lateral imaging angle (Table 4.22) of 29.1° to 46.0° of the IW (Interferometric Wide swath) mode of the Sentinel-1 satellite used in this study. It is assumed that there will be losses.
도 23은 저수지 주변 토지피복 특성의 변화를 보이는 벽정 저수지 인근 논 관개 상태를 나타내는 도면이다. 농업용 저수지의 경우 관개를 위해 인근 지역에 논이 주로 분포한다. 논의 경우 계절 및 영농 시기에 따라 토지피복 특성이 달라진다. 특히 토지피복의 거칠기에 따라 발생하는 후방산란계수의 특성으로부터 산출되는 위성 레이더 영상의 경우, 토지피복 특성 변화는 큰 값의 밝기 차이를 나타내게 된다. 이앙기의 논은 작물의 면적보다 관개(灌漑)에 의해 형성된 수표면의 면적이 더 크므로 수체와 같이 인식될 수 있다. 반면 작물이 성장하여 논의 수표면이 가려지게 되면 거칠기가 증가하여 반사도가 낮아진다.23 is a view showing the irrigation state of rice fields near Byeokjeong Reservoir showing changes in land cover characteristics around the reservoir. In the case of agricultural reservoirs, paddy fields are mainly distributed in nearby areas for irrigation. In the case of paddy fields, the land cover characteristics vary depending on the season and farming season. In particular, in the case of satellite radar images calculated from the characteristics of the backscattering coefficient generated according to the roughness of the land cover, the land cover characteristic change shows a large difference in brightness. Rice fields in the rice transplanting period can be recognized as water bodies because the area of the water surface formed by irrigation is larger than the area of crops. On the other hand, when crops grow and the water surface of the paddy field is covered, the roughness increases and the reflectivity decreases.
도 24는 시기별 분황 저수지의 주변 토지피복 변화 및 오츠(Otsu) 수체 분류 결과를 나타내는 도면이다. 도 24(a)는 2021년 6월 17일, 도 24(b)는 10월 15일의 모습을 나타내고 있다. 저수지 서쪽과 동쪽 일부에 논이 위치하고있으며 벼 작물의 생육기에 따라 토지피복이 달라진 것을 활인할 수 있다. 6월의 수체영역 분류 결과에서는 저수지 북서쪽의 오분류된 화소가 존재하는 것을 확인할 수 있으며, 이는 작물이 자라지 않은 논의 토지피복 특성이 수표면과 비슷하여 수체분류 알고리즘이 이를 오분류한 결과로 판단된다. 이러한 유형의 오류는 계절 변화를 비교할 수 있는 연구대상 저수지 5개소(분황, 무연, 어린지, 정동, 벽정) 중 인접 지역에 논이 분포하는 4개소(분황, 무연, 정동, 벽정)에서 공통적으로 발생하는 것을 확인할 수 있었으며, 오분류로 인해 수표면적을 과대 추정하는 요인으로 작용할 것으로 판단된다.24 is a diagram showing the results of land cover change and classification of Otsu water bodies around Bunhwang Reservoir by period. Figure 24 (a) shows the state of June 17, 2021, Figure 24 (b) shows the state of October 15. Paddy fields are located in the western and eastern parts of the reservoir, and it can be recognized that the land cover changes according to the growing season of rice crops. In June's water body area classification result, it was confirmed that there was a misclassified pixel in the northwest of the reservoir. . This type of error is common in four places (Bunhwang, Muyeon, Jeongdong, and Byeokjeong) where rice fields are distributed in adjacent areas among the five reservoirs (Bunhwang, Muyeon, Youngji, Jeongdong, and Byeokjeong) for which seasonal changes can be compared. It was confirmed that this occurs, and it is judged that misclassification will act as a factor in overestimating the water surface area.
도 25는 벽정 저수지 수표면 식생 상태를 나타내는 도면이다. 저수지 수표면에는 시기·지역에 따라 수풀이나 수생식물이 자라 수표면적 산정에 오차를 유발할 수 있다. 여름철에는 녹조 및 부착돌말류가 번성하며, 가을철에는 저수지 경계부에 갈대류의 식생이 자란다. 도 25를 참조하면, 10월의 저수지 수표면의 수생식물 분포상태를 확인할 수 있으며, 수표면 식생의 경우 매끈한 수표면의 거칠기를 증가시켜 수표면적 추정 시 과소 추정을 유발할 가능성이 있다. 25 is a view showing the vegetation state of the water surface of Byeokjeong Reservoir. Depending on the season and region, bushes or aquatic plants grow on the water surface of the reservoir, which can cause errors in estimating the water surface area. In summer, green algae and diatoms prosper, and in autumn, reed vegetation grows along the reservoir boundary. Referring to FIG. 25, it is possible to check the distribution of aquatic plants on the water surface of the reservoir in October, and in the case of water surface vegetation, the roughness of the smooth water surface is increased, which may cause underestimation when estimating the water surface area.
도 26을 참조하여 벽정 저수지 정사영상을 살펴보면, 6월과 10월의 수생식물 생장에 따라 육안으로 관측되는 수표면적에 차이가 있음을 확인할 수 있다. 정사영상으로 관측 가능한 수표면의 식생변화는 계절 변화를 비교할 수 있는 연구대상 저수지 5개소(분황, 무연, 어린지, 정동, 벽정) 중 3개소(분황, 어린지, 벽정)에서 확인할 수 있었다. 수표면에 부유하는 식생 이외에도 부유사(suspended sediments)나 탁도(turbidity) 등의 수질 상태나 강우, 파랑에 의한 영향도 위성 레이더 영상의 밝기에 영향을 미칠 수 있다.Referring to FIG. 26, looking at the orthophoto of Byeokjeong Reservoir, it can be seen that there is a difference in the water surface area observed with the naked eye according to the growth of aquatic plants in June and October. Vegetation changes on the water surface that can be observed with orthographic images were confirmed in 3 places (Bunhwang, Youngji, Byeokjeong) out of 5 reservoirs (Bunhwang, Muyeon, Youngji, Jeongdong, and Byeokjeong) where seasonal changes could be compared. In addition to vegetation floating on the water surface, water quality conditions such as suspended sediments or turbidity, or effects of rainfall and waves may also affect the brightness of satellite radar images.
위에서 설명한 바와 같이, 정성평가부(153)는 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석할 수 있다.As described above, the qualitative evaluation unit 153 may analyze the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of at least one target reservoir.
도 5는 본 발명의 일 실시예에 따른 위성영상 기반 저수지 수표면적 분석 방법의 흐름을 전체적으로 나타내는 도면이고, 도 6 내지 도 8은 위성영상 기반 저수지 수표면적 분석 방법의 세부 단계들을 나타내는 도면이다.5 is a diagram showing the overall flow of a method for analyzing a water surface area of a reservoir based on satellite imagery according to an embodiment of the present invention, and FIGS. 6 to 8 are views showing detailed steps of the method for analyzing a water surface area of a reservoir based on satellite imagery.
도 5 내지 도 8을 참조하면, 위성영상 기반 저수지 수표면적 분석 방법은 대상 저수지에 대한 드론 촬영 영상을 획득하는 단계(S810); 드론 촬영 영상에 대상 저수지의 수치표면모델(Digital Terrain Model, DTM)을 적용하여 정사영상을 생성하는 단계(S820); 정사영상에서 상기 대상 저수지의 수표면적 실측값을 도출하는 단계(S830); 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 단계(S840); SAR 위성영상에 대한 전처리를 수행하는 단계(S850); 전처리된 SAR 위성영상에서 대상 저수지의 영역을 추출하는 단계(S860); 대상 저수지의 영역에 대하여 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 단계(S870); 수표면적 실측값과 수표면적 추정값을 비교하여 정확도를 평가하는 단계(S880); 및 시계열 정보 분석 단계(S890)를 포함할 수 있다.Referring to FIGS. 5 to 8 , the method for analyzing the water surface area of a reservoir based on satellite imagery includes the steps of acquiring a drone-captured image of a target reservoir (S810); Generating an orthoimage by applying a digital terrain model (DTM) of a target reservoir to a drone-captured image (S820); Deriving an actual measured water surface area of the target reservoir from the orthoimage (S830); Receiving a synthetic aperture radar (SAR) satellite image of the target reservoir (S840); Performing pre-processing on the SAR satellite image (S850); extracting a region of a target reservoir from the preprocessed SAR satellite image (S860); Calculating an estimated water surface area by applying an image classification technique to the area of the target reservoir (S870); Evaluating accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area (S880); and time series information analysis step (S890).
SAR 위성영상에 대한 전처리를 수행하는 단계(S850)는, SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 적용하여 보정하는 정밀 궤도 보정 단계(S851); SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 열 노이즈 제거 단계(S852); 시그마 너트 값의 LUT(Look Up Table)을 기반으로 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환하는 방사보정 단계(S853); 수치표고모델(Digital Elevation Model, DEM)을 기반으로 상기 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정하는 방사지형평탄화 단계(S854); 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환하는 지형보정 단계(S855); 지형보정된 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 영상자르기 단계(S856); 스펙클 필터를 이용하여 스펙클 노이즈를 제거하는 스펙클 노이즈 제거 단계(S857); 및 단위가 없는 영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환하는 영상 데시벨 변환 단계(S858)를 포함할 수 있다.The step of performing preprocessing on the SAR satellite image (S850) is a precision orbit correction step of applying and correcting the precise orbit information provided through SNAP (SeNtinel's Application Platform) to the orbit information in the meta information provided when the SAR satellite image is received (S851); a thermal noise removal step (S852) of normalizing the backscattered signal of the SAR satellite image and reducing noise effects; A radiation correction step (S853) of converting digital pixel values in the SAR satellite image into radiation-corrected SAR backscatter values based on the LUT (Look Up Table) of the sigma nut values; a radial terrain flattening step (S854) of correcting a radiation signal by performing a geometrical calculation of each pixel and the precision trajectory information based on a digital elevation model (DEM); A terrain correction step (S855) of converting a pixel value from a slope distance value to a ground distance value by applying the Range Doppler orthocorrection technique to the orbit state vector information and digital elevation model data in the meta information; An image cropping step (S856) of extracting an area of the target reservoir from the topographic corrected SAR satellite image; a speckle noise removal step (S857) of removing speckle noise using a speckle filter; and an image decibel conversion step (S858) of substituting the unitless backscattering coefficient values of the image with decibels (dB) using log transformation.
수표면적 실측값과 수표면적 추정값을 비교하여 정확도를 평가하는 단계(S880)는, 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축하는 검증자료 구축 단계(S881); 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량적 정확도 분석 단계(S882); 및 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 정성적 정확도 분석 단계(S883)을 포함할 수 있다.The step of evaluating the accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area (S880) includes a verification data construction step (S881) of constructing a dataset by collecting orthoimages and a reference table for at least one target reservoir; a quantitative accuracy analysis step (S882) of analyzing area unit accuracy and pixel unit accuracy of the water surface area estimation value based on at least one orthoimage of the target reservoir and a reference table; and a qualitative accuracy analysis step (S883) of analyzing the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of at least one target reservoir.
시계열 정보 분석 단계(S890)은, 저수지 조견표의 수위와 수표면적의 상관관계를 기반으로 위성영상 관측시점의 수위자료를 사용하여 수표면적을 도출하여 위성관측 시계열 수표면적의 비교분석에 활용할 수 있다.In the time series information analysis step (S890), the water surface area is derived using the water level data at the time of observation of the satellite image based on the correlation between the water level and the water surface area of the reservoir chart, and can be used for comparative analysis of the satellite observed time series water surface area.
여기서 대상 저수지는 저수용량이 30만톤 이하의 중규모 또는 소규모 저수지일 수 있다.Here, the target reservoir may be a medium-sized or small-scale reservoir having a storage capacity of 300,000 tons or less.
이상에서는 위성영상 기반 저수지 수표면적 분석 시스템 및 방법에 따른 바람직한 실시예들에 대하여 도시하고 또한 설명하였다. 그러나 본 발명은 상술한 실시예에 한정되지 아니하며, 특허 청구의 범위에서 첨부하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능할 것이다.In the above, preferred embodiments according to the satellite image-based reservoir water surface area analysis system and method have been shown and described. However, the present invention is not limited to the above-described embodiments, and various modifications can be made by anyone having ordinary knowledge in the technical field to which the present invention belongs without departing from the gist of the present invention appended within the scope of the claims. .
100: 저수지 수표면적 분석 시스템 110: 위성영상 수집모듈
120: 전처리모듈 121: 정밀 궤도 보정부
122: 열 노이즈 제거부 123: 방사보정부
124: 방사지형평탄화부 125: 지형보정부
126: 저수지 영역 추출부 127: 스펙클 노이즈 제거부
128: 영상 데시벨 변환부 130: 수표면적 추정모듈
131: 머신러닝부 132: 추정값 도출부
140: 수표면적 실증모듈 141: 영상 수집부
142: 정사영상 생성부 143: 실측값 도출부
150: 평가모듈 151: 검증자료 구축부
152: 정량평가부 153: 정성평가부
160: 시계열 정보 분석모듈100: reservoir water surface area analysis system 110: satellite image collection module
120: pre-processing module 121: precision trajectory correction unit
122: thermal noise removal unit 123: radiation correction unit
124: radial terrain flattening unit 125: terrain correction unit
126: reservoir area extraction unit 127: speckle noise removal unit
128: image decibel conversion unit 130: water surface area estimation module
131: machine learning unit 132: estimation value derivation unit
140: water surface area verification module 141: image collection unit
142: ortho image generation unit 143: measured value derivation unit
150: evaluation module 151: verification data construction unit
152: quantitative evaluation unit 153: qualitative evaluation unit
160: time series information analysis module
Claims (12)
상기 SAR 위성영상에 대한 전처리를 수행하는 전처리모듈;
전처리된 상기 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하고 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 수표면적 추정모듈;
상기 대상 저수지의 수표면적 실측값을 도출하는 수표면적 실증모듈; 및
상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 평가모듈을 포함하고,
상기 수표면적 추정모듈은,
인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법 중 어느 하나를 적용하여 상기 수표면적 추정값을 산출하고,
상기 수표면적 실증모듈은,
상기 대상 저수지에 대한 드론 촬영 영상을 획득하는 영상 수집부;
상기 드론 촬영 영상에 상기 대상 저수지의 수치표면모델(Digital Surface Model, DSM)을 적용하여 정사영상을 생성하는 정사영상 생성부; 및
상기 정사영상에서 상기 대상 저수지의 수표면적 실측값을 도출하는 실측값 도출부를 포함하고,
상기 평가모듈은,
상기 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축하는 검증자료 구축부;
상기 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량평가부; 및
상기 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 정성평가부를 포함하며,
상기 정량평가부가 상기 수표면적 추정값의 면적단위 정확도를 분석하는 것은 상기 적어도 하나 이상의 대상 저수지 별로 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법으로 산출된 상기 수표면적 추정값과 수표면적 실측값의 평균 차이, 상관계수, RMSE(평균제곱근 오차), 유효저수량 규모별 평균 상관계수와 RMSE(평균제곱근 오차) 비율 중 어느 하나의 분석을 수행하고, 상기 수표면적 추정값의 화소단위 정확도를 분석하는 것은 상기 적어도 하나 이상의 대상 저수지의 상기 정사영상으로부터 추출된 저수지 수표면 경계로부터 동일 좌표계의 격자에 대하여 대조자료를 생성하여 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법을 통해 추정된 수체 및 비수체 분류 결과를 화소 단위로 비교하여 혼동행렬을 생성하고 검증값을 생성하는 위성영상 기반 저수지 수표면적 분석 시스템.A satellite image collection module for receiving SAR (Synthetic Aperture Radar) satellite images for the target reservoir;
a pre-processing module for pre-processing the SAR satellite image;
a water surface area estimation module extracting an area of the target reservoir from the preprocessed SAR satellite image and calculating a water surface area estimation value by applying an image classification technique;
a water surface area verification module for deriving an actual measurement value of the water surface area of the target reservoir; and
An evaluation module that evaluates accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area;
The water surface area estimation module,
Calculate the estimated water surface area by applying any one of a Neural Network, a Support Vector Machine, and a Random Forest technique,
The water surface area demonstration module,
an image collecting unit acquiring a drone-captured image of the target reservoir;
an orthoimage generation unit generating an orthoimage by applying a digital surface model (DSM) of the target reservoir to the drone-captured image; and
An actual value derivation unit for deriving an actual measured value of the water surface area of the target reservoir from the orthoimage;
The evaluation module,
a verification data construction unit for constructing a data set by collecting orthoimages and quick reference tables for the at least one target reservoir;
a quantitative evaluation unit that analyzes area-unit accuracy and pixel-unit accuracy of the water surface area estimation value based on the orthoimage and the reference table of the at least one target reservoir; and
A qualitative evaluation unit for analyzing the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of the at least one target reservoir,
The quantitative evaluation unit analyzes the area unit accuracy of the water surface area estimation value for each of the at least one target reservoir, calculated by a Neural Network, a Support Vector Machine, and a Random Forest technique. Analyzing any one of the mean difference between the estimated water surface area and the actual measured value of the water surface area, the correlation coefficient, the RMSE (root mean square error), the average correlation coefficient and the RMSE (root mean square error) ratio for each effective storage volume scale, and the estimated water surface area Analyzing the pixel unit accuracy of is to generate contrast data for the lattice of the same coordinate system from the reservoir water surface boundary extracted from the orthoimage of the at least one target reservoir, and use the artificial neural network, support vector machine (Support Vector Machine) A satellite image-based reservoir water surface area analysis system that compares water body and non-water body classification results estimated through the Random Forest technique on a pixel-by-pixel basis to create a confusion matrix and generate verification values.
상기 전처리모듈은,
상기 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 적용하여 보정하는 정밀 궤도 보정부;
상기 SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 열 노이즈 제거부;
시그마 너트 값의 LUT(Look Up Table)을 기반으로 상기 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환하는 방사보정부;
수치표고모델(Digital Elevation Model, DEM)을 기반으로 상기 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정하는 방사지형평탄화부;
상기 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환하는 지형보정부;
상기 지형보정된 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 저수지 영역 추출부;
스펙클 필터를 이용하여 스펙클 노이즈를 제거하는 스펙클 노이즈 제거부; 및
단위가 없는 영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환하는 영상 데시벨 변환부
를 포함하는 위성영상 기반 저수지 수표면적 분석 시스템.According to claim 1,
The preprocessing module,
a precision orbit corrector for correction by applying precision orbit information provided through SNAP (SeNtinel's Application Platform) to orbit information within meta information provided upon reception of the SAR satellite image;
a thermal noise remover normalizing the backscattered signal of the SAR satellite image and reducing noise effects;
a radiation correction unit that converts digital pixel values in the SAR satellite image into radiation-corrected SAR backscatter values based on a LUT (Look Up Table) of sigma nut values;
a radial terrain flattening unit that corrects a radiation signal by performing a geometric calculation of each pixel and the precise trajectory information based on a digital elevation model (DEM);
a terrain correction unit for converting a pixel value from an inclination distance value to a ground distance value by applying a Range Doppler orthocorrection technique to the trajectory state vector information and digital elevation model data in the meta information;
a reservoir area extraction unit extracting an area of the target reservoir from the topographically corrected SAR satellite image;
a speckle noise removal unit that removes speckle noise using a speckle filter; and
An image decibel conversion unit that converts the backscattering coefficient value of a unitless image into decibels (dB) using log transformation
A satellite image-based reservoir water surface area analysis system comprising a.
상기 SAR 위성영상 및 드론 촬영 영상의 촬영 시점 간격은 일주일 이내인 것인, 위성영상 기반 저수지 수표면적 분석 시스템.According to claim 1,
The satellite image-based reservoir water surface area analysis system, wherein the shooting time interval of the SAR satellite image and the drone image is within one week.
상기 대상 저수지는 저수용량이 30만톤 이하의 중규모 또는 소규모 저수지인, 위성영상 기반 저수지 수표면적 분석 시스템.According to claim 1,
The target reservoir is a medium-sized or small-scale reservoir with a storage capacity of 300,000 tons or less, a satellite image-based reservoir water surface area analysis system.
대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 단계;
상기 SAR 위성영상에 대한 전처리를 수행하는 단계;
전처리된 상기 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 단계; 및
상기 대상 저수지의 영역에 대하여 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 단계
를 포함하고,
상기 대상 저수지에 대한 SAR(Synthetic Aperture Radar) 위성영상을 수신하는 단계 이전에,
상기 대상 저수지에 대한 드론 촬영 영상을 획득하는 단계;
상기 드론 촬영 영상에 상기 대상 저수지의 수치표면모델(Digital Terrain Model, DTM)을 적용하여 정사영상을 생성하는 단계; 및
상기 정사영상에서 상기 대상 저수지의 수표면적 실측값을 도출하는 단계를 더 포함하고,
상기 대상 저수지의 영역에 대하여 영상 분류 기법을 적용하여 수표면적 추정값을 산출하는 단계 이후에,
상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 단계를 더 포함하고,
상기 수표면적 실측값과 상기 수표면적 추정값을 비교하여 정확도를 평가하는 단계는,
상기 적어도 하나 이상의 대상 저수지에 대한 정사영상 및 조견표를 수집하여 데이터셋을 구축하는 검증자료 구축 단계;
상기 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량적 정확도 분석 단계; 및
상기 적어도 하나 이상의 대상 저수지의 경계기반 형태학적 분석 및 수표면적 산출 정확도 오류인자 분석을 수행하여 상기 수표면적 추정값의 정성적 정확도를 분석하는 정성적 정확도 분석 단계를 포함하며,
상기 적어도 하나 이상의 대상 저수지의 정사영상 및 조견표를 기반으로 상기 수표면적 추정값의 면적단위 정확도 및 화소단위 정확도를 분석하는 정량적 정확도 분석 단계에서,
상기 수표면적 추정값의 면적단위 정확도를 분석하는 것은 상기 적어도 하나 이상의 대상 저수지 별로 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법으로 산출된 상기 수표면적 추정값과 수표면적 실측값의 평균 차이, 상관계수, RMSE(평균제곱근 오차), 유효저수량 규모별 평균 상관계수와 RMSE(평균제곱근 오차) 비율 중 어느 하나의 분석을 수행하는 것이고,
상기 수표면적 추정값의 화소단위 정확도를 분석하는 것은 상기 적어도 하나 이상의 대상 저수지의 상기 정사영상으로부터 추출된 저수지 수표면 경계로부터 동일 좌표계의 격자에 대하여 대조자료를 생성하여 인공신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 랜덤 포레스트(Random Forest) 기법을 통해 추정된 수체 및 비수체 분류 결과를 화소 단위로 비교하여 혼동행렬을 생성하고 검증값을 생성하는 것인, 위성영상 기반 저수지 수표면적 분석 방법.As a satellite image-based reservoir water surface area analysis method,
Receiving a synthetic aperture radar (SAR) satellite image of a target reservoir;
performing pre-processing on the SAR satellite image;
extracting an area of the target reservoir from the preprocessed SAR satellite image; and
Calculating an estimate of the water surface area by applying an image classification technique to the area of the target reservoir
including,
Prior to receiving a synthetic aperture radar (SAR) satellite image of the target reservoir,
Obtaining a drone-captured image of the target reservoir;
generating an orthoimage by applying a Digital Terrain Model (DTM) of the target reservoir to the drone-captured image; and
Further comprising deriving an actual value of the water surface area of the target reservoir from the orthoimage,
After calculating the estimated water surface area by applying the image classification technique to the area of the target reservoir,
Further comprising evaluating accuracy by comparing the measured water surface area with the estimated water surface area,
The step of evaluating accuracy by comparing the measured value of the water surface area with the estimated value of the water surface area,
A verification data construction step of constructing a dataset by collecting orthoimages and a quick lookup table for the at least one target reservoir;
a quantitative accuracy analysis step of analyzing area-unit accuracy and pixel-unit accuracy of the estimated water surface area based on the orthoimage and the reference table of the at least one target reservoir; and
A qualitative accuracy analysis step of analyzing the qualitative accuracy of the water surface area estimation value by performing boundary-based morphological analysis and water surface area calculation accuracy error factor analysis of the at least one target reservoir,
In the quantitative accuracy analysis step of analyzing area unit accuracy and pixel unit accuracy of the estimated water surface area based on the orthoimage and the reference table of the at least one target reservoir,
Analyzing the area unit accuracy of the water surface area estimation value is the water surface area estimation value calculated by a neural network, a support vector machine, and a random forest technique for each of the at least one target reservoir and To perform an analysis of any one of the mean difference, correlation coefficient, RMSE (root mean square error), average correlation coefficient and RMSE (root mean square error) ratio for each effective storage volume scale of the measured value of the water surface area,
Analyzing the pixel unit accuracy of the water surface area estimation value is to generate reference data for a lattice of the same coordinate system from the reservoir water surface boundary extracted from the orthoimage of the at least one target reservoir, and use the artificial neural network, support vector Satellite image-based reservoir water surface area analysis, which compares water body and non-water body classification results estimated through the support vector machine and random forest techniques in pixel units to create a confusion matrix and generate verification values method.
상기 SAR 위성영상에 대한 전처리를 수행하는 단계는,
상기 SAR 위성영상 수신 시 제공되는 메타정보 내 궤도정보에 SNAP(SeNtinel's Application Platform)을 통해 제공되는 정밀 궤도 정보를 적용하여 보정하는 정밀 궤도 보정 단계;
상기 SAR 위성영상의 후방산란 신호를 정규화하고 노이즈 영향을 감소시키는 열 노이즈 제거 단계;
시그마 너트 값의 LUT(Look Up Table)을 기반으로 상기 SAR 위성영상 내 디지털 픽셀값을 방사보정된 SAR 후방산란값으로 변환하는 방사보정 단계;
수치표고모델(Digital Elevation Model, DEM)을 기반으로 상기 정밀 궤도 정보와 각 픽셀의 기하학적 계산을 수행하여 방사신호를 보정하는 방사지형평탄화 단계;
상기 메타정보 내 궤도 상태 벡터 정보와 수치표고모델 데이터에 Range Doppler 정사보정 기법을 적용하여 픽셀값을 경사 거리 값에서 지상 거리 값으로 변환하는 지형보정 단계;
상기 지형보정된 SAR 위성영상에서 상기 대상 저수지의 영역을 추출하는 영상자르기 단계;
스펙클 필터를 이용하여 스펙클 노이즈를 제거하는 스펙클 노이즈 제거 단계; 및
단위가 없는 영상의 후방산란계수값을 로그 변환(log transformation)을 이용하여 데시벨(dB)로 치환하는 영상 데시벨 변환 단계
를 포함하는 위성영상 기반 저수지 수표면적 분석 방법.According to claim 9
The step of performing pre-processing on the SAR satellite image,
A precision orbit correction step of correcting by applying precision orbit information provided through SNAP (SeNtinel's Application Platform) to orbit information in meta information provided when the SAR satellite image is received;
a thermal noise removal step of normalizing the backscattered signal of the SAR satellite image and reducing noise effects;
a radiation correction step of converting digital pixel values in the SAR satellite image into radiation-corrected SAR backscatter values based on a LUT (Look Up Table) of sigma nut values;
A radial terrain flattening step of correcting a radiation signal by performing a geometrical calculation of each pixel and the precise trajectory information based on a digital elevation model (DEM);
a terrain correction step of converting a pixel value from a slope distance value to a ground distance value by applying a Range Doppler orthocorrection technique to the trajectory state vector information and digital elevation model data in the meta information;
an image cropping step of extracting an area of the target reservoir from the topographic corrected SAR satellite image;
A speckle noise removal step of removing speckle noise using a speckle filter; and
An image decibel conversion step of substituting the backscattering coefficient value of a unitless image into decibels (dB) using log transformation
A satellite image-based reservoir water surface area analysis method comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220067796A KR102496740B1 (en) | 2022-06-02 | 2022-06-02 | System and method for reservoir water body analysis using synthetic aperture radar data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220067796A KR102496740B1 (en) | 2022-06-02 | 2022-06-02 | System and method for reservoir water body analysis using synthetic aperture radar data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102496740B1 true KR102496740B1 (en) | 2023-02-07 |
Family
ID=85221481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220067796A KR102496740B1 (en) | 2022-06-02 | 2022-06-02 | System and method for reservoir water body analysis using synthetic aperture radar data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102496740B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681202A (en) * | 2023-05-08 | 2023-09-01 | 广东省水利水电科学研究院 | Water resource analysis method, system, device and medium based on water storage modulus |
| CN117094464A (en) * | 2023-08-07 | 2023-11-21 | 湖南省自然资源事务中心 | Lake region water ecological safety evaluation method |
| CN117392433A (en) * | 2023-09-15 | 2024-01-12 | 宁波大学 | Fine recognition method for different freshwater resource types by combining SAR (synthetic aperture radar) and optical image |
| CN117474192A (en) * | 2023-09-14 | 2024-01-30 | 清华大学 | Reservoir water reserve change sequence generation method, device and computer equipment |
| KR102639326B1 (en) * | 2023-06-13 | 2024-02-26 | 대한민국 | Water surface area analysis method using satellite informations |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170138225A (en) * | 2016-06-07 | 2017-12-15 | 조건희 | The real time national imagery intelligence system or method based on the drone which hovering or surveillance flight around the drone docking station |
| KR101821973B1 (en) * | 2017-03-28 | 2018-03-08 | 대한민국 | Specific water area analysis method by using satellite images |
| KR101859947B1 (en) | 2017-03-06 | 2018-06-27 | 강원대학교 산학협력단 | System and method for constructing database about safety diagnostic of dangerous reservoir using unmanned aerial vehicle |
| KR102044246B1 (en) | 2019-08-26 | 2019-11-19 | 대한민국 | Calculation method of temperature fronts using sea surface temperature image and its system |
| KR20200063682A (en) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | Method and appartus for estimating stream flow discharge using satellite images at streams |
| KR20200103180A (en) * | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Method for estimating disaster using Big-data based Synthetic Aperture Radar, and Computer readable medium storing a program of the same |
| KR102399089B1 (en) * | 2022-01-17 | 2022-05-17 | 이승철 | A system and method for flood damage detection using satellite image information |
-
2022
- 2022-06-02 KR KR1020220067796A patent/KR102496740B1/en active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170138225A (en) * | 2016-06-07 | 2017-12-15 | 조건희 | The real time national imagery intelligence system or method based on the drone which hovering or surveillance flight around the drone docking station |
| KR101859947B1 (en) | 2017-03-06 | 2018-06-27 | 강원대학교 산학협력단 | System and method for constructing database about safety diagnostic of dangerous reservoir using unmanned aerial vehicle |
| KR101821973B1 (en) * | 2017-03-28 | 2018-03-08 | 대한민국 | Specific water area analysis method by using satellite images |
| KR20200063682A (en) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | Method and appartus for estimating stream flow discharge using satellite images at streams |
| KR20200103180A (en) * | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Method for estimating disaster using Big-data based Synthetic Aperture Radar, and Computer readable medium storing a program of the same |
| KR102044246B1 (en) | 2019-08-26 | 2019-11-19 | 대한민국 | Calculation method of temperature fronts using sea surface temperature image and its system |
| KR102399089B1 (en) * | 2022-01-17 | 2022-05-17 | 이승철 | A system and method for flood damage detection using satellite image information |
Non-Patent Citations (2)
| Title |
|---|
| 이달근 외 3명, Sentinel-1 위성영상을 이용한 수표면 면적 추정 알고리즘에 관한 연구. Korean Journal of Remote Sensing, Vol.35, No.5-2, 2019, 페이지809 내지 818.* * |
| 장문엽 외 1명, Sentinel-1 위성영상을 활용한 소규모 저수지 저수량 추정. KOSDI. Journal of the Society of Disaster Information, March 2020. Vol.16, No.1, 페이지79-86.* * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681202A (en) * | 2023-05-08 | 2023-09-01 | 广东省水利水电科学研究院 | Water resource analysis method, system, device and medium based on water storage modulus |
| CN116681202B (en) * | 2023-05-08 | 2024-02-06 | 广东省水利水电科学研究院 | Water resource analysis method, system, device and medium based on water storage modulus |
| KR102639326B1 (en) * | 2023-06-13 | 2024-02-26 | 대한민국 | Water surface area analysis method using satellite informations |
| CN117094464A (en) * | 2023-08-07 | 2023-11-21 | 湖南省自然资源事务中心 | Lake region water ecological safety evaluation method |
| CN117094464B (en) * | 2023-08-07 | 2024-02-23 | 湖南省自然资源事务中心 | Lake region water ecological safety evaluation method |
| CN117474192A (en) * | 2023-09-14 | 2024-01-30 | 清华大学 | Reservoir water reserve change sequence generation method, device and computer equipment |
| CN117392433A (en) * | 2023-09-15 | 2024-01-12 | 宁波大学 | Fine recognition method for different freshwater resource types by combining SAR (synthetic aperture radar) and optical image |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102496740B1 (en) | System and method for reservoir water body analysis using synthetic aperture radar data | |
| KR102540762B1 (en) | Reservoir monitoring method using satellite informations | |
| Ouédraogo et al. | The evaluation of unmanned aerial system-based photogrammetry and terrestrial laser scanning to generate DEMs of agricultural watersheds | |
| David et al. | Vegetation indices and textures in object-based weed detection from UAV imagery | |
| US20210208307A1 (en) | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level | |
| CN113139347A (en) | Forest land drought risk early warning method | |
| CN107121681B (en) | Residential area extraction system based on high score satellite remote sensing date | |
| CN114863369A (en) | Method, device, equipment and medium for monitoring corn lodging by laser radar | |
| Nguyen et al. | Mapping Land use/land cover using a combination of Radar Sentinel-1A and Sentinel-2A optical images | |
| Comert et al. | Rapid mapping of forested landslide from ultra-high resolution unmanned aerial vehicle data | |
| Uehara et al. | Time-series metrics applied to land use and land cover mapping with focus on landslide detection | |
| RU2769575C1 (en) | Method for generating soil degradation maps | |
| Mirelva et al. | Application of Sentinel-1 Data for Classifying Croplands Using Google Earth Engine. | |
| Roque et al. | OBIA flood delimitation assisted by threshold determination with principal component analysis | |
| Sun et al. | Individual tree segmentation and biomass estimation based on UAV Digital aerial photograph | |
| Shumilo | Automatic anomaly detection methodology for crop classification data using morphological features | |
| Manavalan et al. | DEM and SAR image based flood feature extraction techniques to map the deep and shallow flood inundated regions of known as well as remote disaster regions | |
| Das et al. | Detection and validation of cloud top height from scanning Ka-band radar measurements using digital image processing technique | |
| CN114782835A (en) | Crop lodging area proportion detection method and device | |
| Yu | Methods and techniques for forest change detection and growth estimation using airborne laser scanning data | |
| Ozdarici-Ok et al. | Object-based classification of multi-temporal images for agricultural crop mapping in Karacabey Plain, Turkey | |
| Xu | Obtaining forest description for small-scale forests using an integrated remote sensing approach | |
| Khamphilung et al. | Flood Event Detection and Assessment using Sentinel-1 SAR-C Time Series and Machine Learning Classifiers Impacted on Agricultural Area, Northeastern, Thailand. | |
| Trivedi | Mapping probabilities of arable fields using modis, sentinel-1 and sentinel-2 based image features in Ghana | |
| De Beyer | Integrated use of polarimetric Synthetic Aperture Radar (SAR) and optical image data for land cover mapping using an object-based approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |