다중위성 광학·SAR 기반 삼림 훼손 모니터링 연구

Multi-Modal Optical-SAR Satellite Monitoring for Deforestation

연구 내용

광학과 SAR 위성영상을 결합해 아마존 삼림 훼손을 대규모로 탐지·분할·정량화하는 학습 전략을 개발하는 연구

본 연구는 기후 및 관측 조건 변화에도 불구하고 삼림 훼손 상태를 안정적으로 산출하기 위해 광학 영상과 SAR 영상을 다중모달로 통합하는 방법론을 확립합니다. 장기 우기 등으로 발생하는 가시성 저하 문제를 SAR 보강 데이터로 완화하고, 정규화 지수 기반 밴드 선택과 U-Net 계열 구조를 활용해 훼손 영역을 학습합니다. 또한 시계열에서 사건 발생 시점을 반영하도록 학습 조건을 조정하고, 저해상도 데이터의 라벨 한계를 보완하기 위한 pseudo-labeling 기반 고해상도 라벨 생성 접근을 포함합니다. 최종적으로 다중 네트워크 융합과 예측 필터링 절차로 성능을 일관되게 유지하는 차별성이 있습니다.

관련 프로젝트

0건

연구 흐름

초기에는 Sentinel-1(SAR)과 Sentinel-2·Landsat 8(광학) 등 서로 다른 센서의 관측 특성을 활용해 다중모달 삼림 훼손 추정 프레임을 구축했습니다. 2022년에는 대회 기반 파이프라인을 통해 밴드 조합과 전처리 전략을 정리하고, U-Net 기반 추정 성능을 검증했습니다. 2023년에는 광학 가시성 제한을 SAR로 보완하는 many-to-one-mask 조건과 모달별 독립 학습 및 융합 방식을 적용해 탐지 안정성을 높였습니다. 이후 2024~2025년에는 Mask2Former 기반 시점 조건 학습과 데이터 희소성 보정, 저해상도 데이터로부터 고해상도 라벨을 생성하는 pseudo-labeling을 도입하여 분할 정확도와 학습 효율을 함께 개선하는 흐름을 보였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

운영형 삼림 훼손 지도 자동 생성
구름 영향 완화형 위성 기반 변화 감시
시계열 사건 시점 기반 모니터링
저라벨 데이터 학습을 위한 의사 라벨 생성
다중 센서 융합 기반 산림 위험 분석
대규모 영토 재난·환경 정보 업데이트
세분화된 훼손 영역 통계 산출
감시 지역별 맞춤형 모델 학습 파이프라인
위성 관측 스케줄 최적화 지원
환경·정책 의사결정용 시각화 산출