표제지
목차
제1장 국토위성기반 정밀영상생산시스템 품질 분석 11
1. 배경 및 목적 12
2. 주요 내용 12
가. 정밀영상생산시스템 성능 평가 방법 12
나. 연구 자료 14
3. 실험 결과 15
가. 정밀영상생산시스템 자동처리 성능 평가 15
나. 위성정사영상의 정확도 분석 17
4. 결 론 21
참고문헌 22
제2장 고해상도 광학위성 복사(대기)보정 기술현황 조사 23
1. 연구의 배경 및 목적 24
2. 주요 내용 25
가. 복사(대기)보정 25
나. 국내외 연구동향 29
3. 결론 36
참고문헌 37
제3장 이종 위성영상 융합 활용을 위한 교차검보정 기초 연구 40
1. 연구의 배경 및 목적 41
2. HLS 프로젝트 소개 42
가. HLS 프로젝트 개요 42
나. HLS 프로젝트 산출물 43
3. 국토위성과 타 지구관측위성 간 융합 활용을 위한 기술 조사 46
가. 차세대중형위성4호(농림위성) 주 활용기관의 추진 연구 업무 46
나/다. KOMPSAT기반 융합 활용 리뷰 53
4. 결론 및 기대효과 55
참고문헌 57
제4장 광학위성영상 구름 인덱스 맵 시범제작 59
1. 연구의 배경 및 목적 60
2. 연구 내용 60
가. 연구 흐름 및 데이터 60
나. Zhong et al.(2017) 구름탐지 알고리즘 적용 61
다. 머신러닝(Machine learning) 기반 확률도 제작 65
라. 딥러닝(Deep learning) 기반 구름탐지 논문 리뷰 70
3. 결론 및 기대효과 72
참고문헌 73
제5장 위성영상 사용 편의성 제고를 위한 그림자 추출 알고리즘 성능 비교 74
1. 연구의 배경 및 목적 75
2. 주요 내용 75
가. 그림자 추출 알고리즘 75
나. 실험 자료 78
다. 성능 평가 방안 79
라. 실험결과 81
3. 국토위성 시범 적용 결과 82
4. 결론 85
참고문헌 86
제6장 고해상도 위성영상 기반 식생지수 산출 시범 적용 실험 87
1. 연구의 배경 및 목적 88
2. 실험 내용 88
가. 국토위성영상에 적용 가능한 식생지수 88
나. 중해상도 위성영상 기반 지역별 시계열 식생지수 특성 분석 90
다. 고해상도 위성영상 기반 옥상녹화 추출 가능성 분석 92
3. 실험 결과 95
가. 중해상도 위성영상 기반 지역별 시계열 식생지수 특성 분석 95
나. 고해상도 위성영상 기반 옥상녹화 추출 가능성 분석 103
4. 결론 및 기대효과 105
참고문헌 106
제7장 국토위성 기반 주제도(지표, 지형)시범제작 및 기술 리뷰 108
1. 연구의 배경 및 목적 109
2. 연구 내용 109
가. 위성영상 기반 지표정보 추출 109
나/다. 국토위성 기반 지형정보 112
다/라. 그 외 지형관련 주제도(경사도) 118
3. 결론 및 기대효과 120
참고문헌 121
제8장 영상분석 기술을 활용한 재난 분석 123
1. 연구의 배경 및 목적 124
2. 주요 내용 124
가. 대응재난 선정 및 재난유형별 분석 방법 도출 124
나. 봄ㆍ가을철 산불 대응을 위한 영상분석 126
다. 여름철 풍수해 대응을 위한 영상분석 135
라. 겨울철 대설 대응을 위한 영상분석 145
3. 결론 및 기대효과 149
참고문헌 150
제9장 빅데이터 기반 대용량 위성영상 처리 및 서비스 제공 기초 기술 조사 152
1. 연구의 배경 및 목적 153
2. 주요 내용 153
가. 위성영상의 구조와 대용량 자료 관리 방안 154
나. 빅데이터 처리 기반 위성별 서비스 제공 동향 164
다. 고해상도 위성영상 서비스 제공 방법 166
3. 결론 및 기대효과 170
참고문헌 171
제10장 딥러닝 기반 건물 객체탐지 기초기술 개발 173
1. 연구의 배경 및 목적 174
2. 주요 내용 175
가. 연구추진 방법 175
나. 연구 수행 내용 175
3. 결론 188
[부록 1] 데이터 로드 190
[부록 2] U-Net 구조 구현 191
[부록 3] 네트워크 저장 및 불러오기 194
[부록 4] U-Net 트레이닝, 검증, 테스팅 알고리즘 구현 195
참고문헌 200
제11장 고해상도 위성영상 기반 도로객체 추출을 위한 AI기술 접목 가능성 연구 203
1. 연구의 배경 및 목적 203
2. 주요 내용 204
가. 도로탐지 딥러닝 기술 동향 204
나. 시스템 환경설정 204
다. 데이터 셋 205
라. 딥러닝 모델의 구현 206
3. 결과 209
4. 결론 216
참고문헌 217
[부록 1] 파이썬으로 구현한 U-Net 구조 218
제12장 후속위성 개발 환경 분석을 위한 정책 및 기술동향 조사 221
1. 연구의 배경 및 목적 222
2. 국토위성(차세대중형위성) 기획 및 개발과정 분석 223
가. 국토위성 기획 과정 주요 이슈사항 223
나. 국토위성 개발 과정 주요 이슈사항 224
다. 시사점 226
3. 해외 주요 위성 개발 및 운영 현황 226
가. 고해상도 광학위성 개발 및 운영 현황 227
나. 고해상도 SAR 위성 개발 및 운영 현황 233
다. 시사점 234
4. 결론 236
참고문헌 238
판권기 241
〈표 1-1〉 실험에 사용한 H/W 재원 16
〈표 1-2〉 모의영상 기반 위치정확도 분석 결과 18
〈표 1-3〉 국토위성영상 기반 위치정확도 분석 결과 19
〈표 2-1〉 복사전달모델 기반의 절대 대기보정 28
〈표 2-2〉 ACIX 대기보정 프로세스 리스트 및 참가자(소속) 31
〈표 2-3〉 ACIX II Land 대기보정 프로세스 리스트 및 참가자(소속) 32
〈표 2-4〉 Landsat-8 Band 4에서의 ATCOR, FORCE, iCOR, LaSRC의 APU값(예시) 33
〈표 3-1〉 기존 밴드 구성과 HLS 산출물 밴드 구성 비교 43
〈표 3-2〉 HLS 프로젝트 산출물 QA밴드 구성 클래스 44
〈표 3-3〉 밴드 대역폭 조정을 위한 Sentinel-2A/B 계수 46
〈표 3-4〉 차세대중형위성군 제원 비교(국토위성, 농림위성) 47
〈표 3-5〉 KOMPSAT 기반 교차검보정 및 타 센서와의 접목 사례 관련 문헌 53
〈표 5-1〉 그림자 탐지 알고리즘 77
〈표 5-2〉 알고리즘 별 그림자 탐지 성능 결과 81
〈표 5-3〉 국토위성 적용 결과 84
〈표 6-1〉 선정된 식생지수 89
〈표 6-2〉 시계열 식생지수 특성 분석을 위해 사용한 자료 91
〈표 6-3〉 옥상녹화 추출 가능성 분석을 위해 사용한 자료 93
〈표 6-4〉 벼의 농작업일정 96
〈표 6-5〉 산림지역에 대한 식생지수 상관관계 101
〈표 6-6〉 논 지역에 대한 식생지수 상관관계 102
〈표 6-7〉 식생지수별 정확도평가 결과 103
〈표 7-1〉 국토위성 스테레오 영상 정보 117
〈표 7-2〉 CAS500 DTM 및 NGII DEM 정보 117
〈표 8-1〉 시범적용 재난 및 연구대상 선정기준 125
〈표 8-2〉 수집 영상 정보 126
〈표 8-3〉 경상북도 안동시 산불발생 지역 128
〈표 8-4〉 NDVI 기반 안동시 산불 피해범위 탐지 결과 129
〈표 8-5〉 NBR 기반 안동시 산불 피해강도 탐지 결과 130
〈표 8-6〉 강원도 고성군 산불발생 지역 131
〈표 8-7〉 NDVI 기반 고성군 산불 피해범위 탐지 결과 132
〈표 8-8〉 NBR 기반 고성산불 피해강도 탐지 결과 132
〈표 8-9〉 강원도 고성군 산불발생 지역 133
〈표 8-10〉 NDVI 기반 울주군 산불 피해범위 탐지 결과 134
〈표 8-11〉 NBR 기반 고성산불 피해강도 탐지 결과 134
〈표 8-12〉 과거 침수피해 탐지를 위한 수집 영상 정보 135
〈표 8-13〉 위성 영상 제원 136
〈표 8-14〉 광학영상 NDWI 기반 피해 범위 탐지 139
〈표 8-15〉 NDWI 결과와 수치지형도 중첩 139
〈표 8-16〉 SAR 기반 피해 범위 탐지 140
〈표 8-17〉 광학영상 NDWI 기반 피해 범위 탐지 141
〈표 8-18〉 2018 콩레이 피해 : 영상 기반 피해 범위 탐지 142
〈표 8-19〉 2018년 집중호우 피해 : 영상 기반 피해 범위 탐지 142
〈표 8-20〉 대설 피해 탐지를 위한 수집 영상 정보 145
〈표 8-21〉 광학영상(Landsat-8) 기반 적설지역 탐지 146
〈표 8-22〉 지수산출 및 무감독 분류 방법을 적용한 적설 지역 탐지 146
〈표 8-23〉 무감독 분류 결과, 적설지역 클래스 147
〈표 8-24〉 Landsat-8 QA밴드 및 합성영상 147
〈표 8-25〉 광학영상(Sentinel-2) 기반 적설지역 탐지 148
〈표 8-26〉 2021년 적설 지역 탐지 148
〈표 10-1〉 선행연구 적용 알고리즘 분석 결과 177
〈표 10-2〉 정확도 평가 결과 187
〈표 10-3〉 유사 연구와 정확도 평가 결과 비교 187
〈표 10-4〉 이종센서 및 단일센서 데이터의 건물 추출 정확도 분석 결과 188
〈표 11-1〉 U-Net 도로객체 추출 테스트 결과 210
〈표 12-1〉 WorldView, Pleiades, Resurs-P 위성 비교 228
〈표 12-2〉 Gokturk-1A, GaoFen-7, ALOS-3, CartoSat-3 위성 비교 230
〈표 12-3〉 DMC-3, SuperView, ASNARO-1, WorldView-Legion 위성 비교 232
〈표 12-4〉 TerraSAR-X, RADARSAT Constellation, CGS 위성 비교 234
〈그림 1-1〉 정밀영상생산시스템 처리 과정 13
〈그림 1-2〉 사용한 모의영상 목록 및 위치 15
〈그림 1-3〉 검사점 취득 방법 15
〈그림 1-4〉 국토위성영상과 1/5,000 수치지형도를 중첩한 모습 (좌) 21.10.21 촬영 - 청진 (우) 21.10.26 촬영 - 서울 15
〈그림 1-5〉 GCP Chip 부족으로 위성정사영상이 자동생산되지 않은 경우 (좌) 기상 영상으로 영상융합 불가능 (중) 해양지역 (우) 산간지역 17
〈그림 1-6〉 국토위성의 영상융합 결과 [위](좌) 영상융합 전 (우) 정밀영상생산시스템 처리 결과 [아래](좌) Gram-Schmidt 알고리즘 (우) NNDiffuse 알고리즘 17
〈그림 1-7〉 청진지역 위성영상 및 1/5,000 수치지형도 [위] (좌) 직하 (중) Roll 14° (우) Pitch -10° [아래] (좌) Roll -32° (중) Roll 23° (우) Pitch -20° 20
〈그림 1-8〉 서울지역 위성정사영상 및 1/5,000 수치지형도 중첩 모습 (좌) 국토위성, 촬영일: 21.10.24, Roll 18° (중) 국토위성, 촬영일: 21.10.25, Roll 26°... 20
〈그림 1-9〉 이종 DEM 및 경계값 문제로 인해 발생하는 영상 왜곡 예시 21
〈그림 2-1〉 사용자 친화형 영상 제품 서비스 전/후 사용자 편의성 차이 24
〈그림 2-2〉 MODTRAN을 이용해 계산된 파장별 (좌) 투과도, (우) 복사휘도 27
〈그림 2-3〉 (좌)동일 입력조건에서 MODTRAN과 6S의 복사휘도 결과 비교, (우) 1.9-2.5μm 확대 Schaepman 등(1998) 발췌 27
〈그림 2-4〉 Kompsat-3A 영상 (a) 대기보정 전, (b) 대기보정 후(이기원 등 2019, Fig. 8. 발췌) 30
〈그림 2-5〉 Landsat-8 Band 4에서의 ATCOR, FORCE, iCOR, LaSRC의 표면반사율 비교결과(예시) 33
〈그림 2-6〉 지상관측자료(실선)와 대기보정모델 적용 결과(점) 예시 34
〈그림 2-7〉 센서로부터 지표면 물리값으로 보정과정 35
〈그림 3-1〉 Landsat 7호, 8호 밴드와 Sentinel-2 밴드 대역 비교 42
〈그림 3-2〉 HLS프로젝트 영상 처리 과정 43
〈그림 3-3〉 HLS프로젝트 타일링 시스템 45
〈그림 3-4〉 HCC프로젝트 구상도(안) 56
〈그림 4-1〉 연구 흐름도 및 데이터(KOMPSAT-3, 2019.10.19. 촬영) 61
〈그림 4-2〉 Zhong et al.(2017)의 구름탐지 알고리즘 및 탐지결과 예시 (a)True color(HJ-1), (b)Cloud map with low confidence, (c)Cloud-shadow map,... 62
〈그림 4-3〉 KOMPSAT-3의 spectral response(Yeom et al., 2018) 63
〈그림 4-4〉 GF-1&HJ-1과 Landsat ETM+의spectral response 비교(Zhong et al., 2017) 63
〈그림 4-5〉 Landsat 8 적용 결과 64
〈그림 4-6〉 cloud with high confidence map(KOMPSAT-3 적용 결과) 64
〈그림 4-7〉 SVM 결과 제작된 구름 확률도[0,1] 66
〈그림 4-8〉 SVM 결과 제작된 구름 확률도[0,1] 66
〈그림 4-9〉 SVM 결과 제작된 구름 확률도[0,1] 67
〈그림 4-10〉 (좌) KOMPSAT-3(밀양, 2018.10.18. 촬영), (우) 확률도 68
〈그림 4-11〉 (좌) KOMPSAT-3(밀양, 2018.10.18. 촬영), (우) 확률도 68
〈그림 4-12〉 (좌) KOMPSAT-3(밀양, 2018.10.18. 촬영), (우) 확률도 68
〈그림 4-13〉 Landsat OLI QA band 속성 값 69
〈그림 4-14〉 (a)Landsat OLI 영상 일부, (b)SVM 결과 확률도 (c)Landsat QA band (d) QA band 일부 확대 70
〈그림 5-1〉 그림자 정의(Zhang 등, 2014) 76
〈그림 5-2〉 그림자 추출에 사용된 Kompsat-3A 영상('18.2.14) 78
〈그림 5-3〉 건물그림자 추출 관심영역 및 성능 평가 영역(빨간색 박스) 79
〈그림 5-4〉 (a) 수동 추출 결과(노란색 영역), (b) 이진화 결과(흰색: 건물 그림자 영역, 검은색 : 그 외 영역) 80
〈그림 5-5〉 (a) 알고리즘 적용 결과, (b) 이진화 결과 82
〈그림 5-6〉 2021년 10월 24일 촬영된 국토위성 영상 일부(경기 수원시) 83
〈그림 6-1〉 시계열 식생지수 특성 분석을 위한 연구지역 90
〈그림 6-2〉 연구 흐름도 92
〈그림 6-3〉 옥상녹화 추출 가능성 분석을 위한 연구지역 93
〈그림 6-4〉 옥상녹화 추출 가능성 분석을 위한 연구흐름도 94
〈그림 6-5〉 오차행렬 95
〈그림 6-6〉 연구지역별 NDVI 시계열 변화 96
〈그림 6-7〉 연구지역별 NDVI 공간적 분포(3월~11월) 97
〈그림 6-8〉 연구지역별 식생지수 시계열 변화; (a)산림, (b) 논, (c)인조잔디 100
〈그림 6-9〉 (a), (c) 식생지수 적용 및 (b), (d) 이진화 결과 104
〈그림 7-1〉 위성영상 기반 농경지 분류 결과 110
〈그림 7-2〉 위성영상 기반 도심지 분류 결과 (a)건물, 나지 (b)임지 (c)도로 111
〈그림 7-3〉 (a)기존 분류 결과 (b)대기보정 후 분류 결과 (c)토지피복지도 112
〈그림 7-4〉 DSM/DTM 제작 과정(Perko, 2019) 112
〈그림 7-5〉 스테레오 기하 구성(Jeong and Kim, 2016) 113
〈그림 7-6〉 촬영각에 따른 정확도(Jeong and Kim(2016)) 114
〈그림 7-7〉 DSM의 하천 표현 오류로 인한 DTM 오류 118
〈그림 7-8〉 경사도 및 사면향도 예시 119
〈그림 8-1〉 봄ㆍ가을철 산불 피해 탐지 흐름도 127
〈그림 8-2〉 ΔNBR 피해등급 분류 129
〈그림 8-3〉 여름철 침수 피해 탐지 흐름도 136
〈그림 8-4〉 GRDH 원시 영상 138
〈그림 8-5〉 전처리 완료 영상 138
〈그림 8-6〉 태풍 하이선 침수피해 분석 결과 140
〈그림 8-7〉 (위) 영상 및 공간정보 중첩 비교(아래) 피해 현장사진 143
〈그림 8-8〉 산사태 지역 시계열 영상 144
〈그림 8-9〉 드론영상 기반 DSM 제작 및 건물중첩 144
〈그림 8-10〉 겨울철 적설지역 탐지 흐름도 145
〈그림 9-1〉 HDF 파일 형식 154
〈그림 9-2〉 데이터 셋(Dataset) 구성 상세 155
〈그림 9-3〉 데이터 저장 layout 성능 향상 옵션 155
〈그림 9-4〉 천리안위성 사용자 맞춤형 영상처리 도구 156
〈그림 9-5〉 TIFF 파일 구조 157
〈그림 9-6〉 GeoKeyDirectory 구조 157
〈그림 9-7〉 데이터 구조 분류 체계 158
〈그림 9-8〉 관계형 DBMS(MySQL)과 SciDB 데이터 처리 시간 비교 분석(최종혁 외, 2015) 160
〈그림 9-9〉 SciDB에 데이터를 로딩하기 위한 과정 160
〈그림 9-10〉 SciDB 로딩 방법 예시(한국과학기술정보연구원, 2015) 161
〈그림 9-11〉 SciDB에 적용된 in-situ 분석 과정 162
〈그림 9-12〉 SciDB 구조 162
〈그림 9-13〉 SciDB의 데이터 로딩과정 163
〈그림 9-14〉 TuPiX 기반 대용량 고해상도 위성데이터 처리(KISTI 보도자료, 2016) 164
〈그림 9-15〉 KARI 빅데이터 처리 및 분석시스템 구성도(한국항공우주연구원, 2020) 165
〈그림 9-16〉 검색주문관리 시스템 데이터 처리 흐름도 166
〈그림 9-17〉 배포관리 시스템 데이터 처리 흐름도 167
〈그림 9-18〉 국토정보플랫폼 국토위성 검색 화면 167
〈그림 9-19〉 위성영상 가시화 흐름도(예시) 168
〈그림 9-20〉 AQL 기반 SciDB 가공(예시) 168
〈그림 9-21〉 위성영상 시각화방법 비교 흐름도 168
〈그림 9-22〉 각 레벨별 이미지 타일 구성 169
〈그림 10-1〉 연구수행 절차 175
〈그림 10-2〉 국토위성 촬영영상 건물 추출 결과(37713017 도엽) 176
〈그림 10-3〉 CNN 알고리즘 구조 177
〈그림 10-4〉 FCN(좌), U-Net(우) 알고리즘 구조 178
〈그림 10-5〉 SegNet 알고리즘 구조 179
〈그림 10-6〉 Massacchusetts Data Set(좌 : 원영상, 우 : Label / 1,500×1,500픽셀) 181
〈그림 10-7〉 U-Net 알고리즘 구조(512×512픽셀 영상, stride=1, padding=1) 182
〈그림 10-8〉 U-Net 트레이닝 및 검증 결과 183
〈그림 10-9〉 U-Net 트레이닝 결과 비교 183
〈그림 10-10〉 U-Net 기반 건물탐지를 위한 데이터 구축 184
〈그림 10-11〉 이종 센서 영상의 U-Net 트레이닝 및 검증 결과 185
〈그림 10-12〉 각 Data 별 건물탐지 결과 186
〈그림 11-1〉 공간객체추출 SW 이용 AI 기반 도로객체추출 테스트 결과(좌: 위성영상, 우: 도로추출 결과(노란색 영역)) 203
〈그림 11-2〉 도로탐지를 위한 항공사진 및 레이블링 데이터 셋(Mnih, 2013) 205
〈그림 11-3〉 U-Net의 구조(Ronneberger, 2015) 208
〈그림 11-4〉 U-Net 학습 결과 Loss 값 분포 209