시공간 기반 딥러닝 모델을 이용한 GOCI-II 클로로필-a 결측 자료복원 연구 (Reconstruction of Missing Data in GOCI-II Chlorophyll-a Imagery Using Deep Learning-Based Spatio-Temporal Approaches)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 41권 / 1호 / 53 ~ 64페이지
· 저자명 : 김채은, 지준화

초록

한반도 주변 해양과 연안을 상시 관측하는 해색 위성 센서인 Geostationary Ocean Color Imager-II(GOCI-II)는 해양의 단기적 변화뿐만 아니라 중장기적인 해양 환경 변화를 분석하고 연구하는 등 폭넓게활용되고 있다. 그러나 광학 위성 관측에는 구름과 같은 기상 조건으로 인한 결측값이 존재하는 한계점을가지고 있다. 이러한 결측값은 해양 환경 변화를 연속적으로 모니터링하고 그 변화를 예측하는 데 가장 큰 장애 요인이 된다. 본 연구에서는 한반도 주변 해역과 연안을 대상으로 GOCI-II 클로로필-a 농도 자료의 결측 영역을 복원하기 위해 강건한 결측값 복원 모델을 개발하였다. 이를 위해 실제 구름 형태를 기반으로 임의의 구름을 생성하여 결측값을 재현하였으며, 결측값 복원 과정에서는 결측이 발생한 픽셀과 시공간적으로 인접한 픽셀들의 특징을 기반으로 하여 결측값을 추정한다. 또한, GOCI-II 영상의 장점인 시공간적 특징을 효과적으로 활용하기 위해 Convolutional Neural Network와 Bidirectional Long Short-Term Memory 구조를 결합한 모델을 제안하였다. 제안된 모델은 구름의 형태와 결측값 비율 등에 따른 정확도와 복원된 결과의 안정성 비교 결과 0.90 이상의 결정계수와 약 0.25 mg/m3의 평균 제곱근 오차를 보였다. 본 연구를 통해결측값을 복원하여 시공간적으로 연속적인 데이터를 확보 함으로써 해양 환경 모니터링뿐만 아니라 향후변화 예측에도 활용될 수 있을 것으로 기대한다.

영어초록

Geostationary Ocean Color Imager-II (GOCI-II), an ocean color satellite sensor that continuouslyobserves the seas and coasts around the Korean Peninsula, is widely used to analyze and study not onlyshort-term changes in the ocean but also mid- to long-term changes in the marine environment. However,optical satellite observation has limitations in that missing values exist due to weather conditions such asclouds. These missing values are the biggest obstacle to continuously monitoring changes in the marineenvironment and predicting future trends. In this study, a robust missing value restoration model wasdeveloped to restore the missing values of GOCI-II chlorophyll-a concentration data. To achieve this,missing values were simulated by generating random clouds based on actual cloud shapes. During therestoration process, missing values were estimated based on the characteristics of pixels spatially adjacentto those where the missing data occurred. In addition, to effectively utilize the spatio-temporal features,which are a key advantage of GOCI-II images, a model combining a Convolutional Neural Network anda Bidirectional Long Short-Term Memory structure was proposed. The proposed model showed acoefficient of determination greater than 0.90 and a mean square error of approximately 0.25 mg/m3. Theseresults were obtained by evaluating the stability and accuracy of the restored data based on cloud shapesand the ratio of missing values. This study demonstrates the potential for not only monitoring the marineenvironment but also predicting future changes by securing continuous spatio-temporal data throughmissing value restoration.

참고자료

· 없음