Ship -Wake Joint Detection Using Sentinel-2A-2B Satellite Image

Abstract

선박탐지는 해상보안, 해상교통, 어업관리, 불법조업, 국경통제 등의 분야에서 널리 사용되고 있으며, 최근 국제 해상교통량 증가로 선박사고율이 증가함에 따라 신속한 대응과 피해 최소화를 위해 선박탐지가 중요하다. 현재 다수의 세계 및 국가 규정에 따르면 특정 등급의 선박은 정기적으로 선박의 위치와 속도 등의 정보를 제공하는 자동 식별 시스템(AIS)을 장착해야 한다. 그러나 대부분의 소형 선박(300톤 미만)은 트랜스폰더를 설치할 의무가 없으며 의도적 또는 우발적으로 전송되지 않을 수 있습니다. 심지어 선박의 위치정보를 악용한 사례도 있다. 따라서 본 연구에서는 주기적으로 넓은 범위를 원격 탐지하고 소형 선박을 탐지할 수 있는 고해상도 광학위성 영상을 이용하여 선박 탐지를 수행하였다. 광학영상은 최근 극궤도, 정지궤도, 초소형 군집위성 등의 증가로 인해 이용 가능한 데이터가 다량 축적되고 있으며, 공간해상도도 향상되고 있어 다수의 고해상도 광학위성영상을 함께 사용할 경우 검출영역을 확대하고 관측빈도를 높일 수 있다. 그러나 광학 영상은 구름과 후류같이 배와 유사한 밝기를 나타내는 요인으로 인해 거짓 경보를 유발할 수 있으므로 선박 탐지의 정확도를 향상시키기 위해 이러한 요인들을 제거하는 것이 중요하다. 본 연구에서는 해상도의 한계로 인해 탐지가 어려운 소형선박의 존재나 선박의 방향과 속도를 추정하는 데 도움이 되는 후류를 제거하여 거짓 경보를 줄이고 선박 탐지의 정확도를 향상시켰다. 선박 탐지 방법으로는 가장 많이 사용되는 물체 탐지 방법인 Threshold 기반 알고리즘과 최근 물체 탐지 분야에서 널리 사용되고 있는 머신러닝 기반의 Random Forest, CNN 기법을 이용하여 선박 탐지를 수행하였으며, 모델별 선박 탐지 결과를 비교 분석하였다. Threshold 기반 알고리즘은 선행연구의 선박탐지지수 (Ship Detection Index, SDI)를 이용하여 본 연구영역에 적합한 경계값을 선정하고 선박 탐지를 수행하였다. SDI로 미탐지된 후류를 제거하기 위해 후류와 선박의 분광 특성을 분석하여 후류탐지지수 (Wake Detection Index, WDI)를 개발하였고, WDI를 이용하여 후류를 제거하여 Threshold 기반 알고리즘의 선박 탐지 결과의 정확도를 향상시켰으며, RF는 선박과 후류를 동시에 감지하기 위해 밴드별 반사도, 밴드비, SDI, WDI 및 NDWI 등 총 7개의 feature를 활용하여 모델을 학습하였다. 마지막으로 CNN의 경우 Mask R-CNN 기반 Detectron2를 사용하여 선박과 후류의 이미지를 학습하여 모델을 개발하고 선박과 후류를 동시에 탐지하였다. CNN의 경우 선박이 소형으로 감지되는 경향이 있었고 Threshold 와 RF는 선박이 끊어지는 현상이 발생하였다. 따라서 본 연구에서는 RF와 CNN의 결과를 결합하여 선박끊김현상과 과소탐지현상을 개선하였다. 본 연구의 선박 탐지 결과는 높은 정확도를 유지하면서 각 모델의 한계를 개선하였다는 점에서 의의가 있다. 또한 향후 공간해상도가 향상된 위성영상을 활용할 경우 보다 정확도가 높은 선박 및 후류 동시탐지가 가능할 것으로 기대된다.