기계학습을 활용한 GK-2A/AMI 영상 의 반투명 구름탐지 개선 연구

Abstract

구름은 대기 중에 떠 있는 작은 물방울이나 얼음 알갱이들 또는 혼합물 등으로 구성되며 지구 표면의 약 2/3 을 덮고 있다. 구름은 날씨와 기후, 지구 복사 에너지 결정에 중요한 역할을 하지만, 원격탐사내에서 구름은 태양과 지표면사이의 복사를 차단하기 때문에, 위성영상 데이터의 손실을 유발하고 활용률을 감소시키는 요소로 작용한다. 따라서 구름탐지는 위성영상을 더 효과적으로 활용하거나 정밀하게 적용하기 위한 필수적인 단계이다. 위성영상을 활용한 구름탐지 선행연구에서는 두꺼운 구름과 균질한 구름은 일반적으로 뚜렷한 특징을 가지기 때문에 쉽게 식별이 가능하지만 지표면과 혼합되어져 나타나는 얇은 구름, 반투명 구름 등에서는 쉽게 놓쳐지거나 제대로 탐지가 잘 되지 않는 등 여러 한계점들이 존재하였다. 이러한 구름탐지의 반투명 구름의 한계점을 극복하기 위해, 본 연구에서는 머신러닝 기법(Random Forest, CNN)을 활용하여 반투명 구름을 중점으로 한 구름탐지 연구를 수행하였다. 반투명 구름의 고려를 위해 모델 훈련 데이터의 픽셀 비율을 구름, 반투명 구름, 청천이 약 1:1:1 이 되도록 구성하였으며, 구름과 반투명 구름의 Reference 자료로 MODIS 에서 제공해주는 MOD35 자료의 Cloud Mask 및 Cirrus Mask 를 활용하였다. 연구의 정성적 비교 결과, RF 와 CNN 모두 반투명 구름, 부서진 구름 등을 잘 탐지하였고, RF 모델 결과와 CNN 모델 결과를 혼합한 RF+CNN 경우에는 개별 모델의 한계점을 개선시키며 구름탐지가 잘 수행되어진 것을 확인하였다. 연구의 정량적 결과 RF 의 전체 정확도(PC)값은 92%, CNN 은 94.11%를 보였고, RF+CNN 는 94.29%의 정확도를 보였다. 추가적으로 GK-2A Cloud Mask 산출물에 본 연구의 모델 결과를 적용하였을 때, 반투명 구름의 미탐지 부분이나 구름의 오탐지 부분을 개선시킨 것을 확인할 수 있었으며 기존 GK-2A 보다 개선된 정확도와 오탐지율도 확인할 수 있었다.