1. 서론

최근 전 세계적으로 크고 작은 화산의 분화활동이 감지되고 있다. 러시아 극동 지역 캄차카반도의 시벨루치 화산, 하와이의 킬라우에 화산 등 2023년에 총 60건 이상의 화산분화가 발생한다. 화산 분화는 화산재, 화쇄류, 화산홍수 및 화산지진 등의 다양한 형태로 나타나며, 이는 지구적 규모의 비가 역적인 영향을 끼치고 최악의 경우 대량 멸종을 일으킬 수 있는 대표적인 극한 자연재해이다(Mani et al., 2021). 이에 화산피해를 사전에 대응하고 피해를 최소화하기 위해 분화 전조증상에 대한 모니터링 연구가 진행되고 있다(Cigna et al., 2020, German et al., 2022, Wei et al., 2023). 특히 화산 지형 중 칼데라에 형성된 호수 면적 및 수위의 변화는 중요한 모니터링 지표로 활용된다(Ohba et al., 1994). 이는 화산활동으로 인한 마그마 팽창이 지반 상승을 일으키거나, 절리계를 발달시켜 칼데라호의 수체 면적 및 수위에 변화를 초래하기 때문이다.

백두산은 한반도에 위치한 대표적인 활화산으로, 그 정상에는 중심 부분이 함몰되어 형성된 천지호로 불리는 칼데라호가 존재한다. 이에 따라 천지호가 완전히 녹아있는 여름 시기에 수체 면적 및 수위를 관측 및 분석한다면 화산활동 수준을 유추할 수 있다. 그러나 백두산 칼데라 지형은 고산지대에 위치하고 넓은 영역에 걸쳐있으며, 백두산 화산활동에 대한 연구는 북한 및 중국과의 정치적 및 지리적인 문제로 의해 직접적인 관측이 어렵다(Yun, 2013). 이러한 공간적 한계를 극복하기 위해 광범위한 영역에 대한 정보 취득 및 시계열 자료 취득에 유리한 위성자료가 화산활동 모니터링에 적용되고 있다.

위성영상 중 위성레이더(synthetic aperture radar, SAR) 영상은 높은 투과율을 가진 마이크로파를 직접 발산하여 물체에 반사되는 후방산란을 관측하므로, 기상 조건에 영향을 받지 않고 효과적인 모니터링이 가능하다(Baek and Jung, 2019). 위성레이더는 X-band, C-band 그리고 L-band 등 다양한 주파수 대역의 탑재체를 갖추고 있으며, 상대적으로 파장이 긴 L밴드는 상대적으로 긴 파장으로 인해 더 깊은 특성까지 투과할 수 있는 능력을 가지고 있다. 이러한 다양한 대역의 위성을 함께 활용하면 각 대역의 고유한 특성을 기반으로 상호보완적인 정보를 제공하고, 더 많은 데이터를 활용할 수 있어 정밀한 모니터링이 가능하다(Li et al., 2020).

위성레이더는 지표면에서 반사되어 후방산란되는 신호를 기반으로 영상을 생성하므로 지표면의 물리적 특성인 거칠기와 유전율에 대해 높은 민감도를 보인다. 특히, 수체는 육지와 비교할 때 상대적으로 낮은 거칠기와 높은 유전율을 가지므로 위성레이더 영상에서 낮은 후방산란 값을 나타내게 된다. 이러한 특징을 활용해 낮은 후방산란 값을 가지는 수체와 그 외 영역을 구분하는 최적의 임계값 설정에 관한 연구가 진행되어 왔다(Martinis et al., 2015). 그러나 위성레이더는 재방문 주기마다 촬영 기하 및 촬영 지역의 특성의 변화로 인해 기하학적 왜곡과 speckle noise 등의 영향으로 달라져 임계값을 통한 정밀한 수체 분류에는 한계가 있다(Baek and Jung, 2019).

최근 이미지 분류 분야에서 딥러닝, 특히 합성곱 신경망 기반 기술은 다양한 활용 분야에서 기존 비딥러닝 알고리즘의 성능을 뛰어넘고 있다. 특히, 위성레이더의 경우는 전천후로 영상을 촬영할 수 있어 대규모의 데이터를 가지고 있으며, 다양한 외부 환경에서의 물체의 복잡한 패턴과 특성을 학습할 수 있어 위성레이더를 활용한 수체를 분류하는 연구에서는 매우 높은 정확도의 성능을 보여주고 있다(Solórzano et al., 2021). 이에 따라 본 연구에서는 백두산 천지의 수체 면적 및 수위 변화를 모니터링하기 위해, X밴드인 TerraSAR-X, C밴드인 Sentinel-1 그리고 L밴드인 ALOS-2 PARSAR-2 위성레이더 영상을 활용하여 천지호 수체 면적의 AI 데이터셋을 구축하였다. 이 데이터셋을 활용함으로써, 보다 정밀한 화산분화 전조 현상의 감지가 가능할 것으로 기대된다.

2. 연구 자료

백두산 정상 부근에 위치한 칼데라호인 천지는 화산분화에 의하여 생성되었으며, 북한의 양강도 삼지연군과 중국 동북지방 국경지대에 위치해 있다. 천지는 해발 2,190 m 높이에 위치하며, 둘레는 13.11 km, 면적은 9.82 km²에 이르고, 약 20억 톤의 물이 담겨있는 것으로 추정된다(Lee and Yun, 2011). 천지는 높은 고도와 위도에 위치해 있어 구름과 안개가 자주 발생하며 바람이 강하게 불어 1 m 이상의 파고가 일기도 한다. 또한 한반도 기후와 유사하여 계절적인 영향을 받아 천지는 해빙과 결빙 상태를 반복하게 된다(Korea Meteorological Administration, 2021).

본 연구에서는 천지의 수체 탐지를 위한 AI 학습데이터를 구축하기 위하여 다중 대역 위성레이더를 활용하였다. 데이터 획득 기간은 위성마다 다르며, 주로 천지가 완전히 해빙된 시기인 8-11월 데이터를 활용하였다(Fig. 1). 데이터의 특성은 Table 1과 같이 TerraSAR-X 위성레이더 영상은 stripmap mode로 descending 방향으로 단일 편파(HH)를 수집하였고, Sentinel-1 위성레이더 영상은 TOPSAR mode로 백두산을 촬영한 3개의 궤도에 대해서 1개의 ascending과 2개의 descending 방향으로 이중 편파(VV/VH)를 수집하였다. ALOS PALSAR-2 위성레이더 영상은 stripmap mode로 ascending 방향으로 이중 편파(HH/HV)를 획득하였다. Sentinel-1 위성레이더는 영상은 Alaska Satellite Facility에서 무료로 취득하였고, TerraSAR-X와 ALOS PALSAR-2 위성레이더 영상은 기상청에서 제공받았다.

3. AI 학습용 데이터 구축

위성레이더는 원시 데이터를 지상국에서 수신하고 전처리 과정을 거쳐 Single Look Complex (SLC) 데이터와 같은 level-1 영상으로 제공된다. 수체영역 탐지 AI 데이터셋을 구축하기 위해서는 수집한 SLC 영상으로부터 각 위성에 따른 기본적인 전처리를 수행하였으며, 공통적인 전처리로는 강도 영상 제작, 영상정합, 영상 클립, decibel (dB) 변환 그리고 speckle noise 저감 및 정규화 전처리를 수행하여 원천데이터를 구축하였다(Table 2). 전처리 작업은 Gamma Remote Sensing software에서 수행되었다. 다음으로는 정밀한 라벨데이터셋을 구축하기 위한 작업을 수행하였다. 정밀한 라벨데이터 제작을 위해 원천데이터에 추가적인 필터링 및 임계값을 통한 수체 분류 영상을 활용하여 기준 영상을 제작하였다. 이후 제작된 기준 영상들을 종합적으로 고려하여 정밀한 라벨데이터를 제작하였다. 처리 과정에 대한 자세한 내용은 아래에 기술하였다.

3.1 위성별 전처리

Sentinel-1 위성레이더 영상의 interferometric wide 모드의 경우 데이터를 효율적으로 수집하기 위해 여러 버스트 모드로 나누어 수집하는데, 이를 결합하는 deburst 전처리를 수행하였다. TerrSAR-X 위성레이더 영상의 경우, 백두산 천지를 포함하는 영상이 다른 위성레이더 영상에 비해 커 speckle noise의 영향이 상대적으로 크게 나타나게 된다. 이러한 노이즈를 최소화하기 위해, 멀티룩(multilook) 처리를 적용하였다. 멀티룩은 각 이미지의 픽셀 값들을 평균내어 노이즈를 감소시킴으로써 이미지의 노이즈가 줄어들고 데이터 품질이 향상된다. 그러나 이 과정은 이미지의 공간 해상도를 감소시키기 때문에 노이즈 감소와 해상도 사이의 적절한 균형을 찾는 것이 중요하다. 이에 따라 azimuth와 range 방향으로 각각 2-look 처리를 적용하였다.

3.2 강도영상 제작

레이더 위성 시스템은 위성체에 탑재된 안테나를 통해 지표면을 향해 마이크로파 대역의 전자기파를 발사하고, 이 전자기파가 지표면에서 반사되어 돌아오는 신호의 강도를 영상으로 변환한다. 이 신호는 일반적으로 복소수 형태로 저장되며, 복소수 신호의 실수 부분과 허수 부분을 각각 제곱한 후 합산하여 강도영상을 생성한다. 이때 신호의 강도는 지표면의 재질, 기하학적 특성, 수분 함량 등 다양한 요소에 의해 영향을 받는다. 강도영상은 흑백 이미지로 표현되는데, 밝은 영역은 강한 신호를, 어두운 영역은 약한 신호를 나타낸다. 수체의 경우 높은 유전율과 매우 낮은 거칠기로 인해 강도영상에서 어둡게 나타나는 반면, 육지는 낮은 유전율과 높은 거칠기로 인해 밝게 나타난다. 강도 정보를 활용하면, 유전율이 높고 거친 표면이 매끄러운 표면보다 더 많은 신호를 산란시켜 강도영상에서 밝게 나타남을 알 수 있다. 따라서 각 위성의 편광영상에서 후방산란 값을 강도영상으로 변환하여 수체 영역을 구분하는 데 활용하였다. 각각의 편광영상은 동일한 지역을 대상으로 하더라도 물리적 및 기하학적 특성을 다르게 감지하여 정확한 정보를 제공한다. 동일 편파영상은 표면의 거칠기, 구조 및 밀도 등을 반영하여 수체의 물리적 특성을 정확하게 파악하는 데 유용하다. 반면에 교차 편파영상은 식생 및 기타 다른 비구조물의 탐지에 효과적이다(Lee and Jung, 2023). 이러한 특성을 고려하여 각 위성영상에서 가능한 모든 편광 영상을 강도영상으로 제작하였다.

3.3 영상 정합

동일한 궤도에서 촬영한 위성레이더는 시스템 및 환경적 요인들로 인해 위치 오차가 존재한다. 시계열 자료를 활용할 때 상대 위치 오차는 정확도에 직접적으로 영향을 미친다. 따라서 주영상을 기준으로 부영상들을 정합하는 작업을 수행하였다. 영상 정합은 Bernstein and Colby (1983)에 의해 제안된 교차상관 알고리즘을 사용하였다. 각 SAR 위성별 주영상 날짜는 Table 3에 명시되어 있으며, 입사각이 크며 물의 표면이 가장 잔잔한 촬영 일자를 선정하였다. 특히, Sentinel-1 위성레이더 경우에는 궤도별로 입사각 차이가 크므로 궤도에 따라 영상 정합을 별도로 수행하였다. 이러한 절차를 통해 각 위성에 따른 모든 시계열 영상을 주영상에 정합함으로써 상대 위치 오차를 저감하였다.

3.4 영상 자르기

SLC 영상은 영상 좌표를 가지고 있어 이를 활용하여 영상의 천지 좌상단 픽셀을 기준으로 천지가 완전히 포함되도록 영상을 자르는 작업을 수행하였다(Table 4). 각 위성별 입사각과 해상도의 차이로 인해 천지 영역의 크기가 상이하므로 이러한 요소들을 고려하여 영상을 잘랐다.

3.5 데시벨 변환

위성레이더 강도영상은 매우 넓은 값의 분포를 가지고 있어, 이를 직접적으로 시각화하거나 분석이 어렵다. 이에 dB 변환을 통해 값의 범위를 줄이고, 선형적인 형태로 변환하여 대비를 향상시키고 노이즈를 감소시키는 등 보다 직관적이고 분석하기 용이한 상태로 영상을 변환한다. 데시벨 변환은 Eq. 1과 같이 수행된다.

dB=10×log₁₀I [Eq. 1]

dB, the value of the converted signal in decibels; I, origin value.

3.6 메디안 필터 및 정규화

위성레이더 영상의 speckle noise는 SAR 특성과 밀접하게 관련되어 발생하는 노이즈로, 데이터의 품질을 저하시키는 주요 요인 중 하나이다(Yu et al., 2022). 노이즈의 영향은 AI 모델 학습의 성능을 저하시키므로, 노이즈를 저감하기 위해 효과적인 메디안 필터를 3×3 크기로 적용하였다.

또한, 정규화 과정은 딥러닝 모델의 과적합을 방지하고 모델의 강건성을 증진시키는 중요한 역할을 한다. 위성레이더의 경우 동일한 물체라 할지라도 촬영 시기와 표면 특성에 따라 값의 크게 달라질 수 있다. 또한 궤도에 따라 같은 지역임에도 불구하고 서로 다른 값이 나타날 수 있다. 이러한 차이를 고려하여, 각 위성과 궤도에 따라 수집된 시계열 값 중 가장 큰 값과 작은 값을 최대값, 최소값으로 선정하고 최대-최소 정규화를 적용하여 최종적인 원천데이터셋을 구축하였다.

3.7 기준 영상 및 라벨데이터 제작

딥러닝 모델의 성능을 향상시키기 위해서는 일정한 기준으로 생성된 라벨데이터가 필수적이다. 이에 따라 일정한 기준으로 라벨데이터를 제작하기 위하여 기준 영상을 생성하였다. 우선 기준 영상을 제작하기 위해 원천데이터에 non local means (NLM) 필터를 적용하였다. NLM 필터는 대상 픽셀 주변의 픽셀뿐만 아니라 영상 내에 존재하는 모든 픽셀의 값을 고려하여 픽셀 값을 결정한다. 이에 따라 노이즈 저감에 매우 효과적이며 수체와 비수체의 경계를 더욱 선명하게 만든다. 그러나 NLM 필터는 처리 시간이 매우 오래 걸리며, 매개변수에 영향을 많이 받아 시계열 영상 처리 시 오류를 범할 수 있어 원천데이터에는 활용하지 않았다(Mehmood and Kaur, 2020). 그 후 NLM 필터가 적용된 동일 편파영상을 활용하여 Otsu 임계값 산정 방법을 활용하였다. Otsu 방법은 수체와 비수체의 값의 분포를 고려하여 각 항목 내 분산은 최소화하고 항목 간 분산은 최대화하는 방식으로 임계값을 산정한다. 마지막으로, NLM 필터가 적용된 강도영상(Fig. 2A, B)과 기준 영상(Fig. 2C)을 종합적으로 활용하여 정밀한 어노테이션 작업을 수행함으로써 라벨데이터(Fig. 2D)를 구축하였다.

4. AI 학습용 데이터 구축 결과

4.1 TerrSAR-X AI 데이터

TerraSAR-X 위성레이더는 짧은 파장 대역과 높은 공간 해상도를 특징으로 하여, 수체의 표면과 경계를 보다 선명하게 나타낸다. Fig. 3의 a1-a6와 같이 파장이 짧아 수체를 투과하지 못해 바람이나 강우와 같은 요소에 의해 수체가 변화하는 특성을 관측할 수 있다. 특히 Fig. 3의 a3, a4에서 표시된 흰색 박스 영역은 천지호에서 온천수가 방출되는 지역을 나타내며, 이 특정 영역에서 수체 표면의 변화를 세밀하게 관찰할 수 있다. Fig. 3의 b1-b6는 임계값을 활용하여 수체와 비수체를 구분한 영상으로 수체가 잔잔한 날의 경우에는 일정 정도 구분이 가능하였으나, 바람 등의 영향으로 수체의 출렁임이 심한 날에는 구분이 어려웠다. 또한 그림자와 speckle noise의 영향으로 정확한 구분은 어렵다. 이에 오분류한 지역은 작업자가 직접 원천데이터와 기준 영상을 활용하여 수정하는 작업을 수행하였고, 최종적으로 고품질의 라벨데이터를 구축하였다.

4.2 Sentienl-1 AI 데이터

Fig. 4는 3개의 궤도에서 촬영한 Sentinel-1 위성레이더 원천데이터 및 라벨데이터를 나타낸다. Fig. 4의 a1-a4, Fig. 4의 a5-a8, Fig. 4의 a9-a12는 천지를 촬영한 세 개의 다른 궤도(Orbit32, Orbit54, Orbit134)에 해당하며, 각각의 해상도와 기하학적 특성이 상이함을 확인할 수 있다. Sentinel-1의 C-band 대역은 X-band 대역보다는 긴 파장을 가지지만, 수체를 완전히 투과하지 못해 수체의 표면을 비교적 잘 나타내는 것을 확인할 수 있다. Fig. 4의 a2, a4에서 표시된 흰색 박스 영역은 천지호에서 온천수가 방출되는 지역을 나타내며, 이 지역에서의 수체 표면의 변화를 관찰할 수 있다. Fig. 4의 a1-a12와 Fig. 4의 b1-b12를 비교하면, 동일 편파영상이 교차 편파영상보다 수체의 표면을 더 잘 나타내고 있는 것을 알 수 있다. 또한 Fig. 4의 c1-c12는 임계값을 사용하여 수체와 비수체를 구분한 기준 영상을 보여주며, 일부 구분이 가능하였으나 그림자와 speckle noise가 있는 지역에 오분류가 발생한 것을 확인할 수 있다. 이에 따라 오분류한 영역은 작업자가 직접 원천데이터와 기준 영상을 참조하여 수정하는 과정을 거쳐, 최종적으로 고품질의 라벨데이터를 구축하였다.

4.3 ALOS PALSAR-2 AI 데이터

ALOS PALSAR-2 위성레이더는 비교적 긴 파장 대역을 사용하여 수체를 투과하기 때문에, TerraSAR-X와 Sentinel-1 위성레이더와 달리 수체의 표면의 자세한 특징을 나타내지 못한다. 그러나 이러한 특성에도 불구하고, 수체와 비수체의 경계는 명확하게 나타났다(Fig. 5의 a-b). Fig. 5의 c1-c4는 임계값을 통해 제작된 영상으로 수체 내부는 잘 분류되었으나 speckle noise와 그림자 영역에서 오분류가 발생하는 경우가 있다. 이에 따라 오분류한 지역은 작업자가 직접 수정하여 Fig. 5의 d1-d4와 같이 고품질의 천지호 수체 라벨데이터를 구축하였다.

5.결과 및 토의

백두산의 화산활동은 천지호의 수체 면적과 수위 변화를 유발할 수 있어, 이러한 변화에 대응하기 위해서는 백두산 천지호의 지속적인 수체 면적 및 수위 모니터링이 필수적이다. 백두산 천지호의 경우, 정치적, 지리적 및 공간적 제약으로 인해 위성레이더 영상을 활용한 모니터링이 효과적인 대안으로 제시된다. 이에 본 연구에서는 높은 정확도로 천지호의 수체 면적을 탐지하는 딥러닝 기술에 적용하기 위해서 TerraSAR-X, Sentinel-1 및 ALOS PALSAR-2의 다중 밴드 위성레이더 영상을 활용한 천지호 수체 AI 데이터셋을 구축하였다. 초기 단계에는 TerrSAR-X, Sentinel-1 그리고 ALOS PALSAR-2 위성영상을 수집하고 이들에 대한 적절한 전처리 과정을 통해 원천데이터를 구축하였다. 비교적 짧은 파장인 X밴드인 TerraSAR-X와 C밴드인 Sentinel-1 위성레이더 영상에서는 온천수 방출, 바람 및 강우 등으로 인한 천지호 수체 표면의 변화를 관찰하였다. 또한 동일 편파영상이 교차 편파영상보다 수체의 표면을 보다 자세하게 나타내는 것을 확인하였다. 라벨데이터 제작을 위해서 임계값 기반의 기준 영상을 활용하여 정밀한 어노테이션 작업을 수행하였다. 다음과 같이 구축된 AI 데이터셋을 딥러닝 기법에 적용함으로써 시계열 천지호 수체 면적을 높은 정확도로 탐지할 수 있을 것으로 기대된다. 그러나 구축된 데이터셋을 딥러닝에 적용하기 위해서는 다음과 같은 추가적인 전처리가 필요할 것으로 보인다. 첫 번째로 위성레이더는 전천후로 촬영이 가능한 반면에 궤도별로 서로 다른 기하학적 특성을 나타내므로 적절한 모델의 훈련을 위해서는 궤도에 따른 불균형 해결 및 훈련 데이터에 다양한 증강 기법을 통해 궤도에 따른 데이터 불균형을 해결해야 할 필요가 있다. 다음으로 위성레이더 영상은 광학영상에 비해 고해상도 영상으로써, 천지호를 포함한 영상의 크기가 비교적 크기 때문에 해당 사이즈를 그대로 딥러닝 모델에 적용하는 것은 현재 사용 가능한 컴퓨터 재원에 대해 현실적으로 불가능하다. 이에 영상의 크기를 일정한 Patch 크기로 잘라줘서 딥러닝 모델에 적용해야 한다. 마지막으로 각 위성레이더 영상은 촬영 비행 방향, 궤도, 해상도 등이 다르기 때문에 천지호의 면적과 수위 값은 왜곡될 수 있으며 다양한 위성레이더 영상을 함께 활용하여 같은 수준에서 천지호를 모니터링 하기 위해서는 추가적인 왜곡 보정 작업이 필요할 것으로 나타난다. 최종적으로 딥러닝으로 탐지된 천지호의 수체 면적의 경계를 수치표고모델을 활용하여 수위를 추정할 수 있으나, 지리 좌표계인 수치표고모델을 위성레이더 좌표계로 변환해주는 과정이 필요하다. 본 연구에서 구축된 데이터셋을 통해 딥러닝 모델에 적용하고 시계열 수체 면적과 수위를 추정한다면 다른 전조현상 지표들과 함께 활용함으로써 더욱 정밀한 백두산 화산분화 모니터링 체계를 구축할 수 있을 것으로 기대된다.

Notes

Conflict of Interest

On behalf of all authors, the corresponding author states that there is no conflict of interest.

Funding Information

This work is financially supported by Korea Ministry of Land, Infrastructure and Transport (MOLIT) as 「Innovative Talent Education Program for Smart City」.

This work is financially supported by Korea Meteorological Administration (KMA) as 「Development of earthquake, tsunami, volcano monitoring and prediction technology (KMA2022-02123)」.

Data Availability Statement

Data Availability Statement The data that support the findings of this study are openly available in DataON at http://doi.org/10.22711/idr/1006.

Fig. 1.

Study Area. Green box is Sentinel-1 Orbit32 swath; blue box is Sentinel-1 Orbit134 swath; brown box is Sentinel-1 Orbit54 swath; orange box is TerraSAR-X swath; red box is ALOS PALSAR-2 swath.

Fig. 2.

Annotation process. (A) VV image with NLM filter; (B) VH image with NLM filter; (C) Otsu-thres image; (D) Label image. NLM, non local means

Fig. 3.

Train data and application images for annotation production: TerraSAR-X; (a) processed HH image; (b) index map; (c) label image. (1) 2012.08.23; (2) 2012.09.03; (3) 2014.09.21; (4) 2015.09.08; (5) 2016.09.05; (6) 2017.09.03.

Fig. 4.

Train data and application images for annotation production: Sentinel-1 (a) processed VV image; (b) processed VH image; (c) index map; (d) label image. (1) 2015.08.15; (2) 2015.09.08; (3) 2018.08.17; (4) 2020.08.30; (5) 2019.09.01; (6) 2019.09.13; (7) 2021.09.26; (8) 2021.11.01; (9) 2015.08.10; (10) 2016.11.14; (11) 2017.09.22; (12) 2020.08.25.

Fig. 5.

Train data and application images for annotation production: ALOS PALSAR-2; (a) processed HH image; (b) processed HV image; (c) index map; (d) label image. (1) 2015.11.10; (2) 2018.11.10; (3) 2019.08.13; (4) 2021.09.21.

References

• Baek WK, Jung HS (2019) A review of change detection techniques using multi-temporal synthetic aperture radar images. Korean J Remote Sens 35(5_1):737–750
• Bernstein R, Colby C (1983) Image geometry and rectification. In: Colwell RN, editors. Manual of Remote Sensing. 2nd Edition, vol 1. American Society of Photogrammetry, Falls Church, p. 873–922
• Cigna F, Tapete D, Lu Z (2020) Remote sensing of volcanic processes and risk. Remote Sens 12(16):2567Article
• German JD, Redi AANP, Ong AKS, et al (2022) Predicting factors affecting preparedness of volcanic eruption for a sustainable community: a case study in the Philippines. Sustainability 14(18):11329Article
• Korea Meteorological Administration (2021) Development of Monitoring Technology through Analysis of Changes in Surface Temperature before and after Volcanic eruption. Korea Meteorological Administration, Seoul, Korea, p. 54
• Lee ER, Baek WK, Jung HS (2023) Mapping tree species using CNN from bi-seasonal high-resolution drone optic and LiDAR data. Remote Sens 15(8):2140Article
• Lee ER, Jung HS (2023) A study of development and application of an inland water body training dataset using Sentinel-1 SAR images in Korea. Korean J Remote Sens 39(6-1):1371–1388
• Lee SH, Yun SH (2011) Impact of meteorological wind fields average on predicting volcanic tephra dispersion of Mt. Baekdu. J Korean Earth Sci Soc 32(4):360–372Article
• Li Y, Niu Z, Xu Z, Yan X (2020) Construction of high spatialtemporal water body dataset in China based on Sentinel-1 archives and GEE. Remote Sens 12(15):2413Article
• Mani L, Tzachor A, Cole P (2021) Global catastrophic risk from lower magnitude volcanic eruptions. Nat Commun 12:4756ArticlePubMedPMCPDF
• Martinis S, Kuenzer C, Wendleder A, et al (2015) Comparing four operational SAR-based water and flood detection approaches. Int J Remote Sens 36(13):3519–3543Article
• Mehmood R, Kaur A (2020) Modified difference squared image based non local means filter. 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT); Kharagpur. 1-3 Jul 2020Article
• Ohba T, Hirabayashi JI, Nogami K (1994) Water, heat and chloride budgets of the crater lake, Yugama at Kusatsu-Shirane volcano, Japan. Geochem J 28(3):217–231Article
• Solórzano JV, Mas JF, Gao Y, Gallardo-Cruz JA (2021) Land use land cover classification with U-net: advantages of combining sentinel-1 and sentinel-2 imagery. Remote Sens 13(18):3600Article
• Wei L, Zhang J, Sun Y, et al (2023) Analysis on the volcanic activity of Changbaishan Tianchi volcano with time series SAR data. Chin J Geophys 66(10):4057–4073
• Yu JW, Yoon YW, Lee ER, et al (2022) Flood mapping using modified U-NET from TerraSAR-X images. Korean J Remote Sens 38(6):1709–1722
• Yun SH (2013) Conceptual design for the dispersal and deposition modelling of fallout ash from Mt. Baekdu volcano. Jour Petrol Soc Korea 22(4):273–289Article

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by  

• Performance Comparison of Water Body Detection from Sentinel-1 SAR and Sentinel-2 Optical Imagery Using Attention U-Net Model
  Il-Hoon Choi, Eu-Ru Lee, Hyung-Sup Jung
  Korean Journal of Remote Sensing.2024; 40(5-1): 507.     CrossRef