고해상도 위성영상과 Fully Convolutional Network를 활용한 산림재해 피해지 탐지
Detection of Forest Disaster Areas Using High-resolution Satellite Images with Fully Convolutional Network
1
조회
0
다운로드
15
인용
0
참고문헌
키워드
초록
최근의 기후변동은 산불, 산사태, 병해충 등의 발생에도 영향을 미치며, 이로 인해 인명 및 재산상의 피해가늘어나는 추세이다. 산림재해는 무작위로 시작되거나 급격하게 진행되는 경향이 있기 때문에, 현장조사 및 수작업만으로는 피해상황의 신속 정확한 파악에 시공간적 제약이 따른다. 이에 대한 대안으로서 위성원격탐사는 산림재해 감시 및 분석의 시공간적 제약을 극복할 수 있는 방법으로 평가되고 있다. 본 연구에서는 기존의 분광특성 기반 방법과 최근 부각되고 있는 딥러닝 기술을 결합하여 대안적인 산림재해 탐지 기법을 개발하고 그 활용 가능성을 제시하고자 한다. 이를 위하여 Kompsat-3A, Sentinel-2, Landsat 5 등의 고해상도 위성영상을 활용하였으며, 산림재해피해지 분석에 주로 사용되는 NBR(Normalized Burned Ratio), BAI(Burn Area Index), FBI(Fire Burn Index) 등의 자료를 산출하여 최근 우리나라 7건의 대형 산불에 대한 사례연구를 수행하였다. 기존의 분광특성에 기초한 방법은 지역 및 계절에 따라 매번 임계치를 재조정해야 하는 문제가 있으므로, 이를 보완하기 위하여FCN(Fully Convolutional Network) 기반의 U-Net 모델을 활용하여 산불 피해지를 보다 효과적으로 탐지하였다. 향후 여러 딥러닝 알고리즘 간의 비교 분석과 함께, 분광특성 기반 탐지 결과와의 정량적인 정확도 비교를 통하여 U-Net 모델의 성능을 보다 더 객관적으로 제시할 수 있을 것이다.
Abstract
Recent climate change affected forest fires, landslides, and pests, which have caused serious damages to human life and property. Such forest disasters can occur randomly and develop rapidly, so the in-situ observations may be limited spatially and temporally. As an alternative, satellite remote sensing is an effective method for detecting forest disasters. This paper described the development of a forest disaster detection method by combining the existing spectral methods and a state-of-the-art deep learning technique. NBR(Normalized Burned Ratio), BAI(Burn Area Index), and FBI(Fire Burn Index), which are mainly used fire damage indices, were applied to seven forest fires cases together with the satellite images from Kompsat-3A, Sentinel-2, and Landsat 5. The existing spectral methods have limitation of threshold adjustment for each region and for each season. To mitigate this problem, we used the FCN(Fully Convolutional Network)-based U-Net model, which produced more effective detectability of forest fire damages. For future work, the result of spectral methods and several deep learning techniques can be compared quantitatively to prove the performance of U-Net model objectively.
참고문헌 (21)
- 강준묵, "위성영상을 이용한 산불재해 분석", 한국측량학회지, 28(1), pp.21~28 (2010), 한국측량학회
- 국립산림과학원, "산림재해백서" (2017)
- 김소라, "소나무재선충병 발생시기별 피해목 탐지를 위한 시계열 초분광 항공영상의 활용", 대한원격탐사학회지, 31(5), pp.385~394 (2015), 대한원격탐사학회[DOI]
- 김응남, "지상형 원격탐사기술을 이용한 소나무 재선충 피해조사", 한국지역지리학회지, 14(1), pp.84~92 (2008), 한국지역지리학회
- 나현섭, "영상판독에 의한 산림훼손지의 공간적 특성분석 -화천군과 철원군 DMZ일원을 대상으로-", 경관과 지리, 25(3), pp.63~73 (2015), 한국사진지리학회[DOI]
- 변상우, "산림재해 통합관리체계 구축", 한국콘텐츠학회지, 12(2), pp.73~77 (2014)
- 염종민, "장기간 SPOT", VEGETATION 정규화 식생지수를 이용한 지면 변화 탐지 개선에 관한 연구, 2010, pp.13(4), 111~124[DOI]
- 원명수, "Landsat 영상으로부터 정규탄화지수 추출과 산불피해지역 및 피해강도의 정량적 분석", 한국지리정보학회지, 10(3), pp.80~92 (2007), 한국지리정보학회
- 이수진, "Sentinel-2 영상 기반의 FBI(Fire Burn Index) 개발 및 우리나라 산불피해지역 탐지 실험", 경관과 지리, 27(4), pp.187~202 (2017), 한국사진지리학회[DOI]
- 최승필, "식생의 분광 반사특성을 이용한 산불 피해지 분석", 대한공간정보학회지, 14(2), pp.89~94 (2006), 대한공간정보학회
- Chavez, P. S., "Image-based atmospheric corrections- Revisited and improved", Photogrammetric Engineering and Remote Sensing, 62(9), pp.1025~1036 (1996)
- Chuvieco, E., "Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination", International Journal of Remote Sensing, 23(23), pp.5103~5110 (2002)
- Kussul, N., "Deep learning classification of land cover and crop types using remote sensing data", IEEE Geoscience and Remote Sensing Letters, 14(5), pp.778~782 (2017)
- Längkvist, M., "Classification and segmentation of satellite orthoimagery using convolutional neural networks", Remote Sensing, 8(4), pp.329~ (2016)
- LeCun, Y., "Backpropagation applied to handwritten zip code recognition", Neural Computation, 1(4), pp.541~551 (1989)
- Long, J., "Fully convolutional networks for semantic segmentation", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.3431~3440 (2015)
- Miller, J. D., "Calibration and validation of the relative differenced Normalized Burn Ratio (RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains, California, USA", Remote Sensing of Environment, 113(3), pp.645~656 (2009)
- Parks, S. A., "A new metric for quantifying burn severity: the relativized burn ratio", Remote Sensing, 6(3), pp.1827~1844 (2014)
- Ronneberger, O., "U-Net: Convolutional networks for biomedical image segmentation", International Conference on Medical image computing and computerassisted intervention, pp.234~241 (2015)
- Veraverbeke, S., "The temporal dimension of differenced Normalized Burn Ratio (dNBR) fire", burn severity studies: the case of the large 2007 Peloponnese wildfires in Greece, 2010, pp.114(11), 2548~2563
- Zhang, F., "Scene classification via a gradient boosting random convolutional network framework", IEEE Transactions on Geoscience and Remote Sensing, 54(3), pp.1793~1802 (2016)