기계학습을 통한 주간 반투명 구름탐지 연구: GK-2A/AMI를 이용하여 (A Study on Daytime Transparent Cloud Detection through Machine Learning: Using GK-2A/AMI)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 38권 / 6호 / 1181 ~ 1189페이지
· 저자명 : 변유경, 진동현, 성노훈, 우종호, 전우진, 한경수

초록

구름은 대기 중에 떠 있는 작은 물방울이나 얼음 알갱이들 또는 혼합물 등으로 구성되며 지구 표면의 약2/3를 덮고 있다. 위성영상내에서의 구름은 일부 다른 지상 물체 또는 지표면과 유사한 반사도 특성으로 인해구름과 구름이 아닌 영역을 분리하는 구름탐지는 매우 어려운 작업이다. 특히 뚜렷한 특징을 가지는 두꺼운구름과 달리 얇은 반투명 구름은 위성영상내에서 구름과 배경의 대비가 약하고 지표면과 혼합되어져 나타나기 때문에 대부분 구름탐지에서 쉽게 놓쳐지고 많은 어려움을 주는 대상으로 작용한다. 이러한 구름탐지의 반투명 구름의 한계점을 극복하기 위해, 본 연구에서는 머신러닝 기법(Random Forest [RF], Convolutional NeuralNetworks [CNN])을 활용하여 반투명 구름을 중점으로 한 구름탐지 연구를 수행하였다. Reference자료로는MOderate Resolution Imaging Spectroradiometer (MODIS)에서 제공하는 MOD35자료에서 Cloud Mask와 CirrusMask를 활용하였으며 반투명 구름 픽셀을 고려한 모델 훈련을 위해 훈련 데이터의 픽셀 비율을 구름, 반투명구름, 청천이 약 1:1:1이 되도록 구성하였다. 연구의 정성적 비교 결과, RF와 CNN 모두 반투명 구름을 포함한다양한 형태의 구름 등을 잘 탐지하였고, RF 모델 결과와 CNN 모델 결과를 혼합한 RF+CNN경우에는 개별 모델의 한계점을 개선시키며 구름탐지가 잘 수행되어진 것을 확인하였다. 연구의 정량적 결과 RF의 전체 정확도(OA) 값은 92%, CNN은 94.11%를 보였고, RF+CNN은 94.29%의 정확도를 보였다.

영어초록

Clouds are composed of tiny water droplets, ice crystals, or mixtures suspended in theatmosphere and cover about two-thirds of the Earth’s surface. Cloud detection in satellite images is avery difficult task to separate clouds and non-cloud areas because of similar reflectance characteristicsto some other ground objects or the ground surface. In contrast to thick clouds, which have distinctcharacteristics, thin transparent clouds have weak contrast between clouds and background in satelliteimages and appear mixed with the ground surface. In order to overcome the limitations of transparentclouds in cloud detection, this study conducted cloud detection focusing on transparent clouds usingmachine learning techniques (Random Forest [RF], Convolutional Neural Networks [CNN]). Asreference data, Cloud Mask and Cirrus Mask were used in MOD35 data provided by MOderateResolution Imaging Spectroradiometer (MODIS), and the pixel ratio of training data was configured tobe about 1:1:1 for clouds, transparent clouds, and clear sky for model training considering transparentcloud pixels. As a result of the qualitative comparison of the study, both RF and CNN successfully detectedvarious types of clouds, including transparent clouds, and in the case of RF+CNN, which mixed the resultsof the RF model and the CNN model, the cloud detection was well performed, and was confirmed thatthe limitations of the model were improved. As a quantitative result of the study, the overall accuracy(OA) value of RF was 92%, CNN showed 94.11%, and RF+CNN showed 94.29% accuracy.

참고자료

· 없음