GOCI-II 영상 기반 Random Forest 모델을 이용한 해빙 모니터링적용 가능성 평가: 2021–2022년 랴오둥만을 대상으로 (Evaluation of Applicability of Sea Ice Monitoring Using Random Forest Model Based on GOCI-II Images: A Study of Liaodong Bay 2021–2022)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 39권 / 6호 / 1651 ~ 1669페이지
· 저자명 : 김진영, 장소영, 권재엽, 김태호

초록

해빙(sea ice)은 현재 전 세계 해양 면적의 약 7%를 차지하고 있으며 계절적, 연간 변화를 보이고 주로 극지방과 고위도 지역에 나타난다. 해빙은 대규모 공간 규모에서 다양한 종류로 형성되며 석유 및 가스탐사, 기타 해양활동이 급속히 증가하는 발해해는 해양 구조물 피해 및 해상 운송, 해양 생태계에 심각한 영향을 미치기 때문에 시계열 모니터링을 통해 해빙의 면적 및 유형 분류를 분석하는 것이 매우 중요하다. 현재 고해상도위성영상 및 현장 실측 자료를 바탕으로 해빙의 종류 및 영역에 대한 연구가 진행되고 있지만 현장 실측자료를획득하여 해빙 모니터링에는 한계가 있다. 고해상도 광학 위성영상은 광범위에서 해빙의 유형을 육안으로 탐지하고 식별할 수 있고, 짧은 시간해상도를 갖는 해양위성인 천리안 2B호(Geostationary Ocean Color Imager-II,GOCI-II)를 이용하여 해빙 모니터링의 공백을 보완할 수 있다. 이 연구에서는 고해상도 광학위성영상을 이용하여 생산된 학습자료를 기반으로 규칙기반 기계학습 모델을 훈련시키고 이를 GOCI-II 영상에서 탐지를 수행함으로써, 해빙 모니터링 활용 가능성을 알아보고자 하였다. 학습 자료는 발해(Bohai Sea)의 2021–2022년 랴오둥만(Liaodong Bay)을 대상으로 추출하였으며, GOCI-II를 활용한 Random Forest (RF) 모델을 구축하여 기존normalized difference snow index (NDSI) 지수 기반 및 고해상도 위성영상에서 획득된 해빙 영역과 정성적 및 정량적 비교 분석하였다. 본 연구 결과 해빙의 영역을 과소평가한 NDSI 지수 기반 결과와 달리 비교적 자세한 해빙 영역을 탐지하였으며 유형별 해빙을 분류할 수 있어 해빙 모니터링이 가능함을 확인하였다. 향후 지속적인학습 자료 및 해빙형성에 영향인자 구축을 통해 탐지 모델의 정확도를 향상시킨다면 고위도 해양 지역에서 해빙 모니터링 분야에 활용할 수 있을 것으로 기대된다.

영어초록

Sea ice currently covers approximately 7% of the world’s ocean area, primarily concentratedin polar and high-altitude regions, subject to seasonal and annual variations. It is very important to analyzethe area and type classification of sea ice through time series monitoring because sea ice is formed invarious types on a large spatial scale, and oil and gas exploration and other marine activities are rapidlyincreasing. Currently, research on the type and area of sea ice is being conducted based on high-resolutionsatellite images and field measurement data, but there is a limit to sea ice monitoring by acquiring fieldmeasurement data. High-resolution optical satellite images can visually detect and identify types of seaice in a wide range and can compensate for gaps in sea ice monitoring using Geostationary Ocean ColorImager-II (GOCI-II), an ocean satellite with short time resolution. This study tried to find out thepossibility of utilizing sea ice monitoring by training a rule-based machine learning model based onlearning data produced using high-resolution optical satellite images and performing detection on GOCIIIimages. Learning materials were extracted from Liaodong Bay in the Bohai Sea from 2021 to 2022,and a Random Forest (RF) model using GOCI-II was constructed to compare qualitative and quantitativewith sea ice areas obtained from existing normalized difference snow index (NDSI) based and highresolutionsatellite images. Unlike NDSI index-based results, which underestimated the sea ice area, thisstudy detected relatively detailed sea ice areas and confirmed that sea ice can be classified by type,enabling sea ice monitoring. If the accuracy of the detection model is improved through the construction of continuous learning materials and influencing factors on sea ice formation in the future, it is expectedthat it can be used in the field of sea ice monitoring in high-altitude ocean areas.

참고자료

· 없음