Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search

Articles

Page Path
HOME > GEO DATA > Volume 5(3); 2023 > Article
Original Paper
광학위성 영상 융합을 통한 Synthetic Aperture Radar 수체탐지 AI 학습데이터 구축 연구
최준혁1orcid, 강기묵2orcid, 황의호3,*orcid
Research on Building AI Learning Dataset for Synthetic Aperture Radar Waterbody Detection through Optical Satellite Image Fusion
Joonhyuk Choi1orcid, Ki-mook Kang2orcid, Euiho Hwang3,*orcid
GEO DATA 2023;5(3):177-184.
DOI: https://doi.org/10.22761/GD.2023.0029
Published online: September 27, 2023

1연구원, K-water연구원 수자원환경연구소, 대전광역시 유성구 유성대로 1689번길 125, 34045, 대한민국

2선임연구원, K-water연구원 수자원환경연구소, 대전광역시 유성구 유성대로 1689번길 125, 34045, 대한민국

3센터장, K-water연구원 수자원환경연구소, 대전광역시 유성구 유성대로 1689번길 125, 34045, 대한민국

1Researcher, Water Resources & Environmental Research Center, K-water Research Institute, 125 Yuseongdae-ro 1689beon-gil, Yuseong-gu, 34045 Daejeon, South Korea

2Senior Researcher, Water Resources & Environmental Research Center, K-water Research Institute, 125 Yuseongdae-ro 1689beon-gil, Yuseong-gu, 34045 Daejeon, South Korea

3Head of Center, Water Resources & Environmental Research Center, K-water Research Institute, 125 Yuseongdae-ro 1689beon-gil, Yuseong-gu, 34045 Daejeon, South Korea

Corresponding Author Euiho Hwang Tel: +82-42-870-7435 E-mail: ehhwang@kwater.or.kr
• Received: September 11, 2023   • Revised: September 20, 2023   • Accepted: September 21, 2023

Copyright © 2023 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

  • 346 Views
  • 16 Download
  • For the spatiotemporal analysis of water resources and disasters, water body detection using satellite imagery is crucial. Recently, AI-based methods have been widely employed in water body detection using satellite imagery. To use these AI techniques, a substantial amount of training data is required. When creating training data for water body detection, optical imagery and synthetic aperture radar (SAR) imagery have their respective strengths and weaknesses. To use the advantages of both, this study proposes a water body detection method through the fusion of optical and SAR imagery. The results of the proposed model show an Intersection over Union of 0.612 and an F1 score of 0.759, which is better compared to using either optical or SAR imagery alone. This research presents a method that can easily generate a large amount of water body data, making it promising for use as AI training data for water body detection.
극한 기후 변화로 인해 전 세계적으로 수재해가 더욱 빈번하게 발생하게 되었다(World Meteorological Organization, 2021). 한반도에서도 2023년 폭우 및 태풍으로 인해 수재해가 발생하여, 이를 모니터링하기 위하여 위성 원격탐사 분석이 시도되고 있다(International Charter, 2023). 수자원·수재해의 시공간적인 분석을 위해서 위성영상을 이용한 수체탐지가 중요하다. 광학영상은 구름 등 기상과 대기환경에 의한 영향을 많이 받는 반면, synthetic aperture radar (SAR) 영상은 그에 대한 영향이 적어 홍수 등의 재해 시에 활용이 용이하다(Park, 2016).
이러한 SAR 위성을 활용한 수체탐지는 후방산란계수의 임계값(thresholds)에 기반한 방법이 활용되었으나 최근에는 AI 기술을 이용한 방법이 널리 활용되고 있다(Guo et al., 2022). AI 기술을 활용하기 위해서는 AI 학습데이터 구축이 필수적으로 필요하나 현재는 수체를 육안으로 구분하는 등 사용자의 개입이 불가피하게 발생하고 있다. 이러한 사용자의 개입은 많은 노력이 필요로 하고 오탐지 가능성도 존재한다.
SAR 영상은 후방산란계수가 낮게 나오는 산사면에 생기는 음영 지역이나 노이즈에 의해 수체로 오탐지 하는 경우가 발생한다(Richards, 2009). 반면, 광학영상에서는 식생지수를 이용하여 숲과 수체를 쉽게 구분할 수가 있다(Rouse et al., 1974). 그러나 광학영상은 물 관련 지수(normalized difference water index [NDWI], modified normalized difference water index [MNDWI] 등)를 이용할 경우 도심지를 수체로 오탐지하는 경우가 발생하여 도심지역의 경우 임계값을 0이 아닌 0.3으로 설정하기도 한다(McFeeters, 2013). 반면, SAR 영상에서는 도심지와 수체는 후방산란계수 차이가 커 쉽게 구분이 가능하다. 이러한 광학영상과 SAR 영상에서의 장단점을 이용하여 영상 융합을 통해 수체 오탐지 가능성을 줄일 수 있다.
따라서 본 연구에서는 SAR 영상과 광학위성 영상 융합을 통해 사용자의 개입없이 수체 AI 학습데이터 구축하고자 한다. 환경부에서 제공해주는 토지피복지도를 이용하여 광학영상과 SAR 영상을 이용한 수체탐지 방법들의 정확도를 비교해 보고 광학영상과 SAR 영상 융합을 통한 간단한 수체탐지 방법을 제시하고자 한다.
2.1 연구지역
연구지역은 Sentienl-1 위성의 상승 궤도와 하강 궤도 및 다양 한 입사각에서 촬영된 지역들 을 모두 포함하는 S entinel-2의 T 52SCF 타 일 지 역으로 선정하였다. Sentinel-2의 T52SCF 타일 지역과 연구에서 사용한 Sentinel-1 위성의 촬영 지역은 Fig. 1A와 같다. Fig. 1B는 연구지역의 환경부에서 제공하는 토지피복지도로 2022년에 제작된 공간해상도 5 m인 중분류 자료를 사용하였고 7가지 대분류로 재분류하여 나타내었다. 토지피복지도에서의 각 피복별 분포 비율은 Table 1과 같다. 전체 토지피복 중에 숲이 51.3%로 가장 많은 비율을 가지고 있으며 수체의 비율은 3.07%이다. 환경부에서 제공하는 토지피복지도는 항공정사 영상 및 아리랑 2호, 3호의 2021년 영상을 이용하여 만들어 졌다(Ministry of Environment, 2023).
2.2 광학영상
광학영상은 Sentinel-2 multispectral instrument (MSI) 영상을 이용하였으며 토지피복지도 제작에 활용된 영상의 촬영연도인 2021년 영상 증 구름이 10% 이하인 자료를 사용하였다. 그리고 24시간 이내에 Sentinel-1 영상이 찍힌 것이 있는 영상만 사용하였다. Sen2Cor 알고리즘으로 대기 보정이 되어있는 level-2A 자료를 사용하였다(Louis, 2021). 사용한 Sentinel-2 MSI 자료는 Table 2와 같다. 광학영상을 이용한 수체탐지를 위해 NDWI, MNDWI 지수를 사용하였고 각 지수에 대한 식은 다음과 같다(McFeeters, 1996; Xu, 2006).
NDWI=Green-NIRGreen+NIRMNDWI=Green-SWIRGreen-SWIR
Sentinel-2에서 green은 band 3 (0.56 μm), near infrared (NIR)는 band 8 (0.83 μm), short wavelength infrared (SWIR)는 band 11 (1.6 μm)을 사용하였다. Band 3, 8은 공간해상도가 10 m이고 band 11은 공간해상도가 20 m이며 10 m로 오버샘플링하여 사용하였다.
2.3 SAR 영상
SAR 영상은 Sentinel-1 영상을 사용하였으며 ground range detected 자료를 SNAP 소프트웨어를 이용하여 전처리를 하였다. 궤도 보정, 열잡음 제거, sigma0 계산, 스펙클 제거, 지형 보정, dB 변환순으로 하였으며, 스펙클 제거는 Refined Lee 필터를 사용하였고 지형 보정은 Shuttle Radar Topography Mission 1 sec digital elevation model을 사용하였다(Filipponi, 2019). 사용한 Sentinel-1 SAR 자료는 Table 3과 같다.
2.4 연구 방법
SAR 영상을 이용한 수체탐지는 각 편파(VV, VH)별로 후방산란계수 임계값을 이용한 방법을 사용하였다. 이때 설정한 임계값은 편파 하나만 사용하였을 때 각각 값을 1씩 변화를 주면서 수체탐지 분석을 하였고 가장 결과가 좋게 나오는 값인 17과 26으로 설정하였다.
광학영상을 이용한 수체탐지는 NDWI, MNDWI가 0보다 크면 수체로 분류하는 방법을 사용하였다. 그리고 본 연구에서는 광학영상과 SAR 영상 융합을 통한 수체탐지 방법을 사용하였다. 다음과 같이 index를 계산한 후
index 값이 4 이상인 픽셀을 수체로 분류하였다.
Index=1×(VV<15)+1×(VH<22)+2×(NDWI>0)+1× (MNDWI>-0.2)
각 방법별 수체탐지 결과 평가는 다음과 같이 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 score, Intersection over Union (IoU)를 이용하여 평가를 하였다.
Accuracy= TP+TNTP+TN+FP+FNPrecision= TPTP+FPRecall=TPTP+FNF1 Score= 2×Precision×RecallPrecision+RecallIoU=TPTP+FP+FN
여기서 true positive (TP)는 실제와 예상이 둘 다 수체이고 true negative (TN)는 실제와 예상이 둘 다 수체가 아닌 경우이다. False negative (FP)는 예상만 수체이고 false positive (FN)는 실제만 수체인 경우이다. 이때 실제는 토지피복지도의 분류를 이용하였고 예상은 위성영상을 활용한 수체탐지 방법들을 통해 예상한 분류이다.
3.1 토지피복별 분석
토지피복별로 SAR 영상에서 각 편파(VV, VH)의 후방산란계수 및 광학영상에서 NDWI, MNDWI 값 분포는 Fig. 2와 같다. 후방산란계수, NDWI, MNDWI 값 분포가 수체의 25-75% 구간이 다른 피복에서의 25-75% 구간과 겹치지 않아 유효한 차이를 보이는 것을 확인하였다. MNDWI가 0 이상일 경우 수체로 분류하는데 0보다 작은 값을 가진 수체가 25% 이상 존재하는 것을 확인하였다.
3.2 수체탐지
방법별로 수체탐지 결과는 Table 4와 같다. 그 결과 본 논문에서 제시한 모델이 IoU는 0.612이고 F1 score는 0.759로 다른 방법보다 좋은 결과를 나타내었고 단일 값만 사용한 결과 중에서는 NDWI를 이용한 방법이 IoU는 0.597이고 F1 score는 0.747로 좋은 결과를 나타내었다. 토지피복 중 수체의 비율이 3.07%밖에 되지 않아 모든 수체탐지 방법이 정확도가 96% 이상으로 매우 높게 나오는 반면, F1 score는 0.5-0.75, IoU는 0.34-0.62로 상대적으로 낮은 값이 나왔다. MNDWI를 이용한 방법이 NDWI를 이용한 방법보다 도심지가 많은 지역에서 수체탐지에 더 적합한 방법으로 알려져 있다(Xu, 2006). 그러나 본 연구지역은 숲의 비율이 절반 이상이고 도심지의 비율이 낮아 NDWI를 이용한 방법이 MNDWI를 이용한 방법보다 좋은 결과가 나왔다.
제안된 모델을 이용하여 수체 데이터를 만든 예시 결과는 Fig. 3B와 같다. 토지피복지도의 수체인 Fig. 3A와 비교해보았을 때 면적이 넓은 수체의 경우 잘 분류하였으나 폭이 좁은 하천은 잘 구분하지 못하였다. 그리고 왼쪽 상단에 토지피복이 습지인 지역이 존재하는데 위성영상의 촬영 시간에는 전부 수체로 분류하였다.
위성영상을 활용한 수체탐지를 할 때 광학영상과 SAR 영상이 각각의 장단점을 가지고 있다. 이러한 장단점을 활용하여 간단한 방법을 통해 광학영상과 SAR 영상 융합을 통한 수체탐지 방법을 제시하였고 수체탐지 결과 IoU는 0.612, F1 score는 0.759로 단일 영상만 사용한 방법에 비해 수체탐지 결과가 좋은 것을 확인하였다.
위성영상을 활용한 수체탐지의 정확도가 96% 이상으로 높게 나왔지만 IoU와 F1 score는 상대적으로 낮게 나왔다. 이는 토지피복에서 수체의 비율이 3.07%로 매우 낮았고 토지피복지도가 실제 위성 촬영 날짜에서의 분류와의 차이가 존재하기 때문으로 생각된다. 모델에 사용된 위성영상과 토지피복지도 제작에 활용된 영상 간의 날짜가 정확히 일치하지 않을 경우, 풍수기나 갈수기에 따른 수위 변화에 따라서 생기는 수체 면적의 차이가 발생한다. 그리고 토지피복이 습지인 지역이 조수에 따라서 습지나 수체가 될 수 있어서 오탐지가 발생한다.
위성영상을 활용한 수체탐지 분야에서 AI를 이용한 방법들이 최근에 많이 사용되고 있는데 AI 학습을 위해서는 많은 학습데이터를 필요로 한다. 본 연구에서 제시한 방법을 통해 쉽게 많은 수체 데이터를 만들 수 있어 25년 발사되는 C-밴드 SAR 탑재 수자원위성의 수체탐지를 위한 AI 학습데이터로 활용이 기대된다.

Conflict of Interest

Euiho Hwang and Kimook Kang have been an Editorial Board of GEO DATA; however, they were not involved in the peer reviewer selection, evaluation, or decision process of this article. Otherwise, no other potential conflicts of interest relevant to this article were reported.

Funding Information

This research was supported by Ministry of Environment, under the Development of Ground Operation System for Water Resources Satellite from K-water.

Data Availability Statement

The data that support the findings will be available in GEO DATA at https://doi.org/10.22761/GD.2023.0029 following an embargo from the date of publication to allow for commercialization of research findings.

Fig. 1.
(A) Satellite acquisition area and (B) land cover map (Ministry of Environment) in the study area.
GD-2023-0029f1.jpg
Fig. 2.
Boxplot of VV, VH, NDWI, MNDWI by land cover. NDWI, normalized difference water index; MNDWI, modified normalized difference water index.
GD-2023-0029f2.jpg
Fig. 3.
Waterbody in (A) land cover map and (B) the example result using proposed model on satellite images on December 12, 2021.
GD-2023-0029f3.jpg
Table 1.
Ratio by land cover in Sentinel-2 T52SCF region
Land cover Percentage (%)
Urban 5.87
Agriculture 27.64
Forest 51.30
Grassland 11.13
Wetland 1.92
Barrenland 2.15
Water 3.07
Table 2.
List of Sentinel-2 multispectral instrument data
No. Satellite Date Acquisition time (UTC) Path ID Cloud cover (%)
1 Sentinel-2B 2021.01.17 02:20:29 T52SCF 9.36
2 Sentinel-2A 2021.02.21 02:17:21 T52SCF 0.20
3 Sentinel-2B 2021.03.18 02:15:59 T52SCF 1.83
4 Sentinel-2A 2021.03.23 02:16:01 T52SCF 1.86
5 Sentinel-2A 2021.05.22 02:16:01 T52SCF 1.60
6 Sentinel-2A 2021.06.21 02:16:01 T52SCF 7.79
7 Sentinel-2B 2021.08.15 02:16:09 T52SCF 8.90
8 Sentinel-2A 2021.12.08 02:21:01 T52SCF 2.44
9 Sentinel-2B 2021.12.13 02:20:59 T52SCF 6.03
10 Sentinel-2A 2021.12.18 02:21:11 T52SCF 2.29
Table 3.
List of Sentinel-1 synthetic aperture radar data
No. Satellite Date Acquisition time (UTC) Orbit direction Path/frame
1 Sentinel-1B 2021.01.16 21:32:00 to 21:32:25 Descending 134/471 (D1)
2 Sentinel-1A 2021.01.17 09:23:43 to 09:24:08 Ascending 54/117 (A2)
3 Sentinel-1B 2021.02.21 21:31:59 to 21:32:24 Descending 134/471 (D1)
4 Sentinel-1B 2021.03.17 21:31:58 to 21:32:23 Descending 134/471 (D1)
5 Sentinel-1A 2021.03.18 09:23:42 to 09:24:07 Ascending 54/117 (A2)
6 Sentinel-1A 2021.03.23 09:31:46 to 09:32:11 Ascending 127/115 (A1)
7 Sentinel-1A 2021.05.22 09:31:48 to 09:32:13 Ascending 127/115 (A1)
8 Sentinel-1B 2021.06.21 21:32:03 to 21:32:28 Descending 134/471 (D1)
9 Sentinel-1A 2021.08.14 09:31:53 to 09:32:18 Ascending 127/115 (A1)
10 Sentinel-1A 2021.12.07 09:31:52 to 09:32:22 Ascending 127/115 (A1)
11 Sentinel-1A 2021.12.12 09:31:54 to 09:32:19 Ascending 127/115 (A1)
12 Sentinel-1B 2021.12.18 21:32:07 to 21:32:32 Descending 134/471 (D1)
Table 4.
List of Sentinel-1 synthetic aperture radar data
Method VV <17 VH <26 NDWI >0 MNDWI >0 Proposed model
Accuracy 0.981 0.980 0.962 0.962 0.987
Precision 0.675 0.677 0.782 0.414 0.859
Recall 0.668 0.598 0.715 0.684 0.680
F1 score 0.671 0.634 0.747 0.516 0.759
IoU 0.505 0.465 0.597 0.347 0.612

NDWI, normalized difference water index; MNDWI, modified normalized difference water index; IoU, Intersection over Union

  • Filipponi F (2019) Sentinel-1 GRD preprocessing workflow. In: the 3rd International Electronic Conference on Remote Sensing, 22 May-5 Jun 2019
  • Guo Z, Wu L, Huang Y, et al (2022) Water-body segmentation for SAR images: past, current, and future. Remote Sens 14(7):1752Article
  • International Charter (2023) Flash floods in South Korea. Charter activations. The International Charter Space and Major Disasters. https://disasterscharter.org/web/guest/activations/-/article/flood-flash-in-korea-republic-of-activation-828 Accessed 20 Sep 2023
  • Louis J (2021) Sentinel-2 Level-2A Algorithm Theoretical Basis Document. European Space Agency, Paris, 78p
  • McFeeters SK (1996) The use of the normalized difference water index (NDWI) in the delineation of open water features. Int J Remote Sens 17(7):1425–1432Article
  • McFeeters SK (2013) Using the normalized difference water index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: a practical approach. Remote Sens 5(7):3544–3561Article
  • Ministry of Environment (2023) Land cover map.. Ministry of Environment. https://egis.me.go.kr/intro/land.do Accessed 20 Sep 2023
  • Park SE (2016) Detection of water bodies from Kompsat-5 SAR data. Korean J Remote Sens 32(5):539–550Article
  • Richards JA (2009) Remote sensing with imaging radar. Springer, Berlin/Heidelberg, 361p
  • Rouse JW Jr, Haas RH, Schell JA, Deering DW, Harlan JC (1974) Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation. Remote Sensing Center Texas A&M University, College Station, 390p
  • World Meteorological Organization (2021) Weather-related disasters increase over past 50 years, causing more damage but fewer deaths. World Meteorological Organization. https://public.wmo.int/en/media/press-release/weatherrelated-disasters-increase-over-past-50-years-causing-moredamage-fewer Accessed 20 Sep 2023
  • Xu H (2006) Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int J Remote Sens 27(14):3025–3033Article
Metadata for Dataset
Sort Field Subcategory#1 Subcategory#2
Essential *Title Water body dataset
*DOI name https://doi.org/10.22761/GD.2023.0029
*Category UtilitiesCommunication
Abstract
*Temporal Coverage 1 September, 2023
*Spatial Coverage Chungcheong-do (South Korea)
WGS84 Coordinates Raster
*Personnel Name Joonhyuk Choi
Affiliation K-water
E-mail jhch@kwater.or.kr
*CC License CC BY
Optional *Project The Development of Ground Operation System for Water Resources Satellite
*Instrument Sentinel-1/2

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure

      GEO DATA : GEO DATA