아마존 열대우림에서의 삼림 벌채는 역사상 최악 수준에 근접하고 있으며, 벌채된 지역의 정확한 추정은 추가적인 삼림 벌채를 방지하는 데 필수적이다. 본 서신에서는 Mask2Former에 기반한 산림 벌채 분할(segmentation) 접근법을 제안하며, 이는 다중 위성(multisatellite) 정보를 활용하고 최적화된 백본(backbone) 네트워크를 사용한다. 특히, 구름 덮임의 양에 따라 학습 단계에서 해당 광학 영상(optical imagery)을 사용할지 여부를 결정할 수 있도록 하고, 그로 인해 발생하는 데이터 희소성에 대응하기 위한 모델을 적용하였다. 이 모델은 특정 시점의 벌채 발생 정보를 동일한 시계열 상의 시점에서의 벌채 예측에 반영함으로써, 데이터 부족을 보완하면서도 높은 정확도로 벌채를 탐지한다. 실험에서 제안한 방법은 픽셀 정확도 91.1%와 F1 점수 88.8%로 우수한 성능을 달성하였다. 또한 이 방법은 공식 CVPR MultiEarth Workshop 2023 챌린지에서 벌채 지역에 대한 분할 성능이 최상으로 평가됨으로써 검증되었다.

삼림파괴에 대한 추정은 삼림파괴 수준이 증가할수록 심각한 환경 문제가 유발되기 때문에 중요하다. 그러나 아마존 열대우림과 같이 광범위한 지역에서는 해당 지역의 광대한 규모와 직접적인 인간 접근의 어려움으로 인해 조사를 수행하기가 어렵다. 위성영상은 이러한 문제에 대한 효과적인 해결책으로 활용될 수 있으며, 광학 영상과 합성개구레이더(SAR) 영상을 결합하면 날씨 조건과 무관하게 대규모 지역에서 삼림파괴를 모니터링할 수 있다. 본 연구에서는 이러한 기반 위에서 다중모달 삼림파괴 추정을 위한 학습 전략을 제안한다. 이를 위해 Sentinel-1, Sentinel-2, Landsat 8의 서로 다른 세 가지 위성에서 얻은 영상들을 사용하였다. 제안된 알고리즘은 보완적인 SAR 영상을 활용해 다중모달 데이터셋을 구성함으로써 아마존의 긴 우기(雨期)로 인한 가시성 제한을 극복하고, 높은 추정 정확도를 달성한다. 데이터셋은 상대적으로 매달 생성되는 지상진실 마스킹 데이터가 적은 형태로, 매일 촬영한 위성 데이터로 구성되며, 이를 many-to-one-mask 조건이라 한다. 데이터셋을 구성하기 위해 정규화차식생지수(Normalized Difference Vegetation Index)와 정규화차토양지수(Normalized Difference Soil Index) 밴드를 선택하였다. 그 결과, RGB 또는 모든 밴드로 구성된 데이터셋에 비해 더 나은 탐지 성능과 더 짧은 학습 시간을 제공한다. 다중 심층신경망을 각 모달리티별로 독립적으로 학습하고, 삼림파괴를 탐지하기 위한 적절한 융합 방법을 개발한다. 제안 방법은 예측된 삼림파괴율의 거리 유사도를 이용하여 예측 결과를 필터링한다. 유사도가 높은 요소들은 평균 및 노이즈 제거 연산을 통해 최종 결과로 병합된다. 마지막으로, U-Net 계열의 다섯 가지 네트워크 변형의 성능을 비교하였으며, Attention U-Net이 가장 우수한 예측 결과를 보였다. 끝으로, 제안된 방법을 신규 쿼리의 삼림파괴 상태를 높은 정확도로 추정하는 데 활용한다.

공동(共動) 지진에 수반된 지표면 단층파열(co-seismic surface ruptures)은 단층을 따라 발생한 지진 파열의 ‘진실(ground truth)’이며, 지진 지표면 파열에 대한 상세한 지도화(mapping)는 지진과 단층 간의 관계를 이해할 수 있는 기회를 제공한다. 지진 지표면 파열을 지도화하기 위한 가장 효과적인 도구 중 하나는 고해상도 위성영상과 같은 원격탐사 자료의 활용이다. 본 연구는 몽골 불네이(Bulnay) 지역에서 발생한 지진에 대해 고해상도 위성영상(Pléiades-1B)을 이용하여 지표면 파열의 기하학적 특성을 추출하기 위한 심층학습 기반 균열(crack) 탐지 모델과 분석 도구를 제안한다. 이전 연구[1]의 선형(line) 지도와 예측 결과를 비교함으로써 단층 탐지의 신뢰성을 확인할 수 있었다. 해당 모델은 파열 탐지 정확도가 약 90%에 도달하였으며, 균열의 특징적 오차 수준(characteristic features of crack error level) 5% 이하의 추출을 달성하였다. 제안된 모델이 영상 크기에 상관없이 폭넓게 적용 가능함을 평가하기 위해 정량적 및 정성적 방법을 통해 모델 성능을 검토하였다. 모델은 다양한 유형의 지표면 파열에 대해 방향(orientation)과 길이(length) 등 필수 특성을 정확하게 산출하였다. 이러한 결과는 지진으로 인해 발생한 지표면 파열을 탐지하고 특성화하는 데 있어 제안된 모델의 일반적 유효성을 확인해 준다. 위성영상을 활용한 자동화 표적 탐지 자동화 모델로서 제안된 이 모델은 현장조사 수행 및 지진 관련 기초 자료 확보를 위한 목적적합(fit-for-purpose) 해법으로 활용될 수 있다. 또한 제안된 모델은 지진이 유발한 다양한 지표면 파열과 변형을 식별함으로써 지진 발생 이후의 여파에 대한 유의미한 통찰을 제공할 수 있다.

아마존 열대우림에서의 삼림 벌채는 역사상 최악 수준에 근접하고 있으며, 벌채된 지역의 정확한 추정은 추가적인 삼림 벌채를 방지하는 데 필수적이다. 본 서신에서는 Mask2Former에 기반한 산림 벌채 분할(segmentation) 접근법을 제안하며, 이는 다중 위성(multisatellite) 정보를 활용하고 최적화된 백본(backbone) 네트워크를 사용한다. 특히, 구름 덮임의 양에 따라 학습 단계에서 해당 광학 영상(optical imagery)을 사용할지 여부를 결정할 수 있도록 하고, 그로 인해 발생하는 데이터 희소성에 대응하기 위한 모델을 적용하였다. 이 모델은 특정 시점의 벌채 발생 정보를 동일한 시계열 상의 시점에서의 벌채 예측에 반영함으로써, 데이터 부족을 보완하면서도 높은 정확도로 벌채를 탐지한다. 실험에서 제안한 방법은 픽셀 정확도 91.1%와 F1 점수 88.8%로 우수한 성능을 달성하였다. 또한 이 방법은 공식 CVPR MultiEarth Workshop 2023 챌린지에서 벌채 지역에 대한 분할 성능이 최상으로 평가됨으로써 검증되었다.

삼림파괴에 대한 추정은 삼림파괴 수준이 증가할수록 심각한 환경 문제가 유발되기 때문에 중요하다. 그러나 아마존 열대우림과 같이 광범위한 지역에서는 해당 지역의 광대한 규모와 직접적인 인간 접근의 어려움으로 인해 조사를 수행하기가 어렵다. 위성영상은 이러한 문제에 대한 효과적인 해결책으로 활용될 수 있으며, 광학 영상과 합성개구레이더(SAR) 영상을 결합하면 날씨 조건과 무관하게 대규모 지역에서 삼림파괴를 모니터링할 수 있다. 본 연구에서는 이러한 기반 위에서 다중모달 삼림파괴 추정을 위한 학습 전략을 제안한다. 이를 위해 Sentinel-1, Sentinel-2, Landsat 8의 서로 다른 세 가지 위성에서 얻은 영상들을 사용하였다. 제안된 알고리즘은 보완적인 SAR 영상을 활용해 다중모달 데이터셋을 구성함으로써 아마존의 긴 우기(雨期)로 인한 가시성 제한을 극복하고, 높은 추정 정확도를 달성한다. 데이터셋은 상대적으로 매달 생성되는 지상진실 마스킹 데이터가 적은 형태로, 매일 촬영한 위성 데이터로 구성되며, 이를 many-to-one-mask 조건이라 한다. 데이터셋을 구성하기 위해 정규화차식생지수(Normalized Difference Vegetation Index)와 정규화차토양지수(Normalized Difference Soil Index) 밴드를 선택하였다. 그 결과, RGB 또는 모든 밴드로 구성된 데이터셋에 비해 더 나은 탐지 성능과 더 짧은 학습 시간을 제공한다. 다중 심층신경망을 각 모달리티별로 독립적으로 학습하고, 삼림파괴를 탐지하기 위한 적절한 융합 방법을 개발한다. 제안 방법은 예측된 삼림파괴율의 거리 유사도를 이용하여 예측 결과를 필터링한다. 유사도가 높은 요소들은 평균 및 노이즈 제거 연산을 통해 최종 결과로 병합된다. 마지막으로, U-Net 계열의 다섯 가지 네트워크 변형의 성능을 비교하였으며, Attention U-Net이 가장 우수한 예측 결과를 보였다. 끝으로, 제안된 방법을 신규 쿼리의 삼림파괴 상태를 높은 정확도로 추정하는 데 활용한다.

공동(共動) 지진에 수반된 지표면 단층파열(co-seismic surface ruptures)은 단층을 따라 발생한 지진 파열의 ‘진실(ground truth)’이며, 지진 지표면 파열에 대한 상세한 지도화(mapping)는 지진과 단층 간의 관계를 이해할 수 있는 기회를 제공한다. 지진 지표면 파열을 지도화하기 위한 가장 효과적인 도구 중 하나는 고해상도 위성영상과 같은 원격탐사 자료의 활용이다. 본 연구는 몽골 불네이(Bulnay) 지역에서 발생한 지진에 대해 고해상도 위성영상(Pléiades-1B)을 이용하여 지표면 파열의 기하학적 특성을 추출하기 위한 심층학습 기반 균열(crack) 탐지 모델과 분석 도구를 제안한다. 이전 연구[1]의 선형(line) 지도와 예측 결과를 비교함으로써 단층 탐지의 신뢰성을 확인할 수 있었다. 해당 모델은 파열 탐지 정확도가 약 90%에 도달하였으며, 균열의 특징적 오차 수준(characteristic features of crack error level) 5% 이하의 추출을 달성하였다. 제안된 모델이 영상 크기에 상관없이 폭넓게 적용 가능함을 평가하기 위해 정량적 및 정성적 방법을 통해 모델 성능을 검토하였다. 모델은 다양한 유형의 지표면 파열에 대해 방향(orientation)과 길이(length) 등 필수 특성을 정확하게 산출하였다. 이러한 결과는 지진으로 인해 발생한 지표면 파열을 탐지하고 특성화하는 데 있어 제안된 모델의 일반적 유효성을 확인해 준다. 위성영상을 활용한 자동화 표적 탐지 자동화 모델로서 제안된 이 모델은 현장조사 수행 및 지진 관련 기초 자료 확보를 위한 목적적합(fit-for-purpose) 해법으로 활용될 수 있다. 또한 제안된 모델은 지진이 유발한 다양한 지표면 파열과 변형을 식별함으로써 지진 발생 이후의 여파에 대한 유의미한 통찰을 제공할 수 있다.

다중시점 합성개구레이더(SAR) 영상은 모든 기상 조건에서의 역량 덕분에 환경 변화 탐지 및 모니터링에 널리 활용되어 왔다. 그러나 스펙클 배경과 강한 반사로 인해 도심 지역에서의 변화 탐지는 어려운 실정이다. 본 연구에서는 변화된 객체를 자동으로 추출하기 위해, 한국의 다목적실용위성 5호(KOMPSAT-5) 다중 영상에 대해 변화 탐지와 객체 추출을 통합한 모델을 개발하였다. 먼저, 제안된 모델에 임의의 L1A 수준 SAR 영상 2장을 입력하고, 무선 보정 및 좌표계 처리와 같은 전처리를 수행한 후 변화 탐지를 수행하였다. 이후 변화 탐지 결과로부터 원하는 표적을 자동으로 추출하였다. 마지막으로 해당 모델은 추출된 표적의 영상과 날짜 및 위치와 같은 메타데이터를 획득하였다. 변화 탐지 과정에서 생성된 차영상에 대해 스케일 적응형 변형을 적용하여 잡음을 제거하였고, 변화 발생을 강조함으로써 탐지 정확도를 향상시켰다. 표적 추출 과정에서 변화 탐지 맵의 픽셀 군을 다각형화한 뒤, 형태 기반 객체 필터링 기법을 적용하여 오탐(위양성) 탐지율을 최소화하였다. 제안한 접근 방식의 결과, KOMPSAT-5 영상의 변화된 객체는 90%의 정확도로 자동 추출되었다.

해수면 풍속과 같은 해양 상태 정보는 항해 위험의 정도를 판단하는 데 중요한 지표이다. 따라서 해양 사건에 대응하기 위해서는 해양의 상태 정보를 신속하게 파악하는 것이 필수적이다. 그러나 해양 상태 정보의 획득을 어렵게 만드는 몇 가지 문제들이 존재한다. 그 예로는 지상 관측 장비의 제한된 수, 낮은 공간해상도의 영상, 긴 자료 획득 시간이 있다. 합성개구레이더(Synthetic Aperture Radar, SAR) 위성은 이러한 문제들 중 일부를 해결한다. SAR 위성 영상은 모든 기상 조건에서 고해상도로 관심 영역을 관측할 수 있다. 또한 SAR 영상은 해양에서의 거칠기와 산란 정도를 직접 관측할 수 있으므로 해양 표면 변수를 식별하는 데 유용하다. 해양 영역에서의 지속적인 모니터링이 필요한 상황에서 이러한 SAR 특성을 활용하려는 수요가 높기 때문에, 최근에는 SAR 영상을 이용하여 해양 상태 정보를 추정하기 위한 연구가 활발히 수행되어 왔다. 더 나아가, 한국 정부는 최근 다수의 SAR 클러스터 위성을 운용할 계획이며, 이들 위성 영상들을 활용하여 고해상도 시공간 해상도로 해양 모니터링을 수행할 것으로 기대하고 있다. SAR 클러스터 위성으로부터 획득한 영상을 사용자에게 제공하기 위해, 본 프로젝트에서는 위성 영상 활용 플랫폼을 개발하고 있다. 이 플랫폼을 통해 해양으로부터의 여러 정보가 제공될 것이며, 한반도와 인근 해역에서 해양 상황을 모니터링하고 사고에 대응하기 위한 기술 연구가 수행되고 있다. 플랫폼의 여러 알고리즘 중 하나는 SAR 영상을 기반으로 한 해수면 풍속 추정 알고리즘이다. 본 연구에서는 X-밴드 SAR 위성 영상을 이용하여 한반도 연안에서 해수면 풍속을 추정하기 위한 알고리즘을 개발하였다. KOMPSAT-5와 ICEYE SAR 영상을 사용하였는데, 이들 위성은 발사 예정인 클러스터 위성과 동일한 대역에 속하기 때문이다. 지구물리 모델 함수(Geophysical Model Function, GMF) 중 하나인 XMOD 모델을 사용하여 SAR 영상으로부터 풍속을 계산하였다. 또한 모델의 경험적 계수를, KOMPSAT-5 및 ICEYE SAR 영상 각각에 대응시켜 해양 관측 부표 데이터에 기반해 업데이트하였다. 아울러 수치 모델의 풍향 정보도 사용하여 XMOD 모델에 필요한 풍향 입력 정보로 적용하였다. 개발된 알고리즘의 성능을 분석하기 위해, 풍속을 한반도 연안의 해양 부표 관측과 비교하여 검증하였다. 향후 클러스터 SAR 위성이 발사되면, XMOD 모델에서 계수를 업데이트하고 새로운 위성 영상을 적용함으로써 풍속 추정 알고리즘의 최적화가 수행될 것이다. 그 결과, 개발된 알고리즘은 위성 영상 활용 플랫폼과 연동되어 사용자에 의해 활용될 것이다.

해양 관측/감시를 위한 해양영역 인지(MDA)의 중요성이 증가함에 따라 위성영상 기반으로 선박을 탐지하는 기술은 유의미한 발전을 보였다. 특히 합성개구레이더(Synthetic Aperture Radar, SAR) 영상은 기상 조건이나 주간/야간 여부와 무관하게 선박 탐지에 활용될 수 있다. 그러나 소형 또는 비금속 선박은 낮은 레이더 단면적(radar cross-section)과 해상 클러터(sea clutter)의 존재로 인해 탐지가 어려울 수 있다. 이러한 한계를 극복하기 위해, 선박이 생성하는 광범위하고 지속적인 패턴을 활용하는 웨이크(wake) 탐지에 대한 관심이 크게 증가해 왔다. 최근 연구에서는 SAR 영상을 기반으로 한 웨이크 탐지에 AI 기법을 적용하여 탐지 성능을 향상시키고자 활발히 모색해 왔다. 그러나 AI 기반 모델의 효과는 학습 데이터의 품질에 크게 의존하며, 공개적으로 이용 가능한 데이터셋은 모든 웨이크를 단일 범주로 분류하여 웨이크의 다양한 특성을 충분히 반영하지 못한다. 이를 해결하기 위해 본 연구는 SAR 웨이크 탐지 성능을 개선하고자 켈빈 웨이크(Kelvin wake)와 난류 웨이크(turbulent wake)를 구분하는 세분화 라벨링(granular labeling) 접근법을 제안한다. 데이터셋 분석 결과 난류 웨이크가 우세하며 SAR 영상에서 더 쉽게 관측되는 반면, 켈빈 웨이크는 상대적으로 드물고 탐지가 어렵다는 사실이 확인되었다. 이에 따라 난류 웨이크를 위한 별도 클래스를 생성하였고, 그 결과 모델 성능이 향상되었다. 켈빈 웨이크와 관련된 클래스 불균형 문제를 해결하기 위해 시뮬레이션 데이터를 데이터셋에 통합하였다. 이를 통해 모델은 두 가지 웨이크 유형의 고유한 특성을 보다 효과적으로 학습할 수 있었다. 세분화된 분류와 시뮬레이션 데이터를 결합한 결과, 웨이크 탐지의 전체 정확도에서 소폭의 개선이 이루어졌다. 본 연구 결과는 세분화된 웨이크 분류와 데이터 증강이 SAR 기반 웨이크 탐지 성능 향상에 중요한 역할을 함을 시사한다.

본 연구는 KOMPSAT-5 X-밴드 합성개구레이더(SAR) 영상을 이용하여 유의파고(SWH)와 평균파주기(MWP)를 추정하기 위한 실용적인 방법을 제안하며, 한반도 주변의 심해와 연안 해역을 모두 대상으로 한다. 제안된 접근은 SAR 후방산란 영상에 대해 2차원 고속 푸리에 변환(2D-FFT)을 적용하여 파 스펙트럼을 생성하는 것으로 시작한다. 이 스펙트럼으로부터 지배파장(wavelength)을 식별하고, 국소 해저지형(bathymetry)에 따라 심해 또는 천해의 분산관계(dispersion relation)를 사용하여 파 주기를 계산한다. 이후 총 스펙트럼 에너지를 산출하고 부이(buoy) 관측으로부터 도출된 경험적 곡선적합 관계를 적용하여 파 높이를 추정한다. 2022년부터 2024년까지 취득된 총 6개의 SAR 장면을 분석하고, 한국 기상청(KMA) 및 한국해양수산부 소속 해양수산과학기술? (KHOA) 부이의 현장 관측 자료와 매칭하였다. 추정된 파고는 부이 관측과 비교하여 제곱근평균오차(root mean square error, RMSE)가 약 0.41 m로 나타났다. 이러한 결과는 KOMPSAT-5 SAR 영상이 해양 파동 모니터링에 효과적임을 보여주며, 특히 파동 역학이 복잡하고 기존의 전지구 수치모델이 국소 조건을 충분히 반영하지 못하는 연안 근처 해역에서 유용하다. 본 연구에서 제안한 방법은 국내 위성 데이터를 활용한 향후 개선 및 국소화 알고리즘 개발을 위한 탄탄한 기반을 제공한다.