KR102374004B1 - 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 - Google Patents
위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR102374004B1 KR102374004B1 KR1020210142651A KR20210142651A KR102374004B1 KR 102374004 B1 KR102374004 B1 KR 102374004B1 KR 1020210142651 A KR1020210142651 A KR 1020210142651A KR 20210142651 A KR20210142651 A KR 20210142651A KR 102374004 B1 KR102374004 B1 KR 102374004B1
- Authority
- KR
- South Korea
- Prior art keywords
- water level
- area
- volume
- satellite
- inflow
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000428 dust Substances 0.000 title 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 197
- 238000000611 regression analysis Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 93
- 238000012549 training Methods 0.000 claims description 84
- 238000005259 measurement Methods 0.000 claims description 71
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 15
- 239000000284 extract Substances 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 14
- 238000011109 contamination Methods 0.000 description 13
- 230000001419 dependent effect Effects 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
- G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
- G01C11/12—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken
- G01C11/14—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken with optical projection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Image Processing (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
Abstract
본 발명의 실시예에 따르면, 지표면에 대한 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치가 제공된다. 상기 장치는, 상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부; 상기 관측가능영역에 포함된 복수의 픽셀들을 물영역과 땅영역으로 분류하고, 복수의 픽셀들 중 물영역으로 분류된 픽셀로 구성된 물영역이미지를 생성하며, 물영역이미지에 기초하여 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 산출하는 측정부; 및 상기 관측불가능영역과 대응하는 지리정보에 대한 회귀 분석을 통해 수위, 용적량, 유입량 및 오염도 중 적어도 하나의 예측값을 획득하는 추정부를 포함할 수 있다.
Description
본 발명은 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
지구온난화가 가속됨에 따라 급격한 기후변화로 인한 피해가 급증하고 있으며, 이에 따라 수자원관리에 대한 중요성이 더욱 대두되고 있다. 또한, 환경에 대한 이슈가 점차 중요하게 다루어지면서 수질에 대한 관심 또한 증가하고 있다.
이에 따라, 수위, 용적량, 유입량 및 오염도 등에 대한 측정을 통해 수자원을 관리하는 기술에 대한 개발이 원활하게 이루어지고 있다.
주로, 관측소를 통해 측정된 측정값을 이용한 기술들이 개발되고 있으나, 관측소와 거리가 이격된 지역에 대한 측정이 정확히 제공되기 어려운 문제점이 발생되고 있다.
본 발명의 일 목적은, 지역별로 수집된 학습용 데이터셋들을 복수의 클러스터들로 군집화시키고, 복수의 클러스터들 각각에 대응하는 측정모델 및 추정모델을 생성하는, 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램을 제공하는 것이다.
본 발명의 다른 목적은, 위성이미지로부터 도출된 특징벡터에 기초하여 수위, 용적량, 유입량 및 오염도를 산출하는, 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램을 제공하는 것이다.
본 발명의 또 다른 목적은, 위성이미지를 관측가능영역과 관측불가능 영역으로 분류하고, 관측가능영역의 위성이미지를 통해 관측가능영역과 대응하는 수위, 용적량, 유입량 및 오염도를 산출하며, 관측불가능영역의 위성이미지와 대응하는 지리정보를 통해 관측불가능영역과 대응하는 수위, 용적량, 유입량 및 오염도를 산출하는, 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램을 제공하는 것이다.
본 발명의 또 다른 목적은, 설정된 모니터링 지역에 발생된 과도한 오염물질 방류를 감지할 수 있는, 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램을 제공하는 것이다.
본 발명의 일 실시예에 따르면, 지표면에 대한 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치가 제공된다.
또한, 상기 장치는, 상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부; 상기 관측가능영역에 포함된 복수의 픽셀들을 물영역과 땅영역으로 분류하고, 복수의 픽셀들 중 물영역으로 분류된 픽셀로 구성된 물영역이미지를 생성하며, 물영역이미지에 기초하여 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 산출하는 측정부; 및 상기 관측불가능영역과 대응하는 지리정보에 대한 회귀 분석을 통해 수위, 용적량, 유입량 및 오염도 중 적어도 하나의 예측값을 획득하는 추정부를 포함할 수 있다.
또한, 상기 측정부는, 상기 물영역이미지로부터 서로 다른 복수의 색상들 각각에 대응하는 복수의 컬러 히스토그램들을 추출하고, 상기 복수의 컬러 히스토그램들로부터 복수의 제1 특징벡터들을 결정하며, 상기 복수의 제1 특징벡터들에 기초하여 상기 관측가능영역과 대응하는 수위를 산출하며, 상기 관측가능영역과 대응하는 수위는, RFR(Random Forest Regressor) 알고리즘을 통해 산출될 수 있다.
또한, 상기 측정부는, 상기 물영역이미지로부터 서로 다른 복수의 색상들 각각에 대응하는 복수의 컬러 히스토그램들을 추출하고, 상기 복수의 컬러 히스토그램들로부터 복수의 제2 특징벡터들을 결정하며, 상기 복수의 제2 특징벡터들에 기초하여 상기 관측가능영역과 대응하는 용적량을 산출하며, 상기 관측가능영역과 대응하는 용적량은, RFR(Random Forest Regressor) 알고리즘을 통해 산출될 수 있다.
또한, 상기 측정부는, 제1 시각에서 촬영된 위성이미지인 제1 위성이미지의 관측가능영역과 대응하는 수위인 제1 수위를 산출하고, 상기 제1 위성이미지의 관측가능영역과 대응하는 용적량인 제1 용적량을 산출하며, 상기 제1 시각과 다른 제2 시각에서 촬영된 위성이미지인 제2 위성이미지의 관측가능영역과 대응하는 수위인 제2 수위를 산출하고, 상기 제2 위성이미지의 관측가능영역과 대응하는 용적량인 제2 용적량을 산출하며, 상기 제1 수위, 상기 제1 용적량, 상기 제2 수위 및 상기 제2 용적량에 대한 다중 회귀 분석을 통해 상기 제1 시각과 상기 제2 시각 사이의 시간과 대응하는 유입량을 산출할 수 있다.
또한, 상기 추정부는, 상기 관측불가능영역과 대응하는 지리정보로부터 결정된 적어도 하나의 제1 독립변수에 대한 회귀 분석을 통해, 상기 관측불가능영역과 대응하는 수위에 대한 제1 예측값을 산출하고, 상기 관측가능영역과 대응하는 수위 및 상기 제1 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 제1 예측값과 대응하는 제1 잔차를 산출하며, 상기 제1 예측값 및 상기 제1 잔차에 기초하여 상기 관측불가능영역과 대응하는 수위를 산출할 수 있다.
또한, 상기 추정부는, 상기 관측불가능영역과 대응하는 지리정보로부터 결정된 적어도 하나의 제2 독립변수에 대한 회귀 분석을 통해, 상기 관측불가능영역과 대응하는 용적량에 대한 제2 예측값을 산출하고, 상기 관측가능영역과 대응하는 용적량 및 상기 제2 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 제2 예측값과 대응하는 제2 잔차를 산출하며, 상기 제2 예측값 및 상기 제2 잔차에 기초하여 상기 관측불가능영역과 대응하는 용적량을 산출할 수 있다.
또한, 상기 추정부는, 제1 시각에서 촬영된 위성이미지인 제1 위성이미지의 관측불가능영역과 대응하는 수위인 제3 수위를 산출하고, 상기 제1 위성이미지의 관측불가능영역과 대응하는 용적량인 제3 용적량을 산출하며, 상기 제1 시각과 다른 제2 시각에서 촬영된 위성이미지인 제2 위성이미지의 관측불가능영역과 대응하는 수위인 제4 수위를 산출하고, 상기 제2 위성이미지의 관측가능영역과 대응하는 용적량인 제4 용적량을 산출하며, 상기 제3 수위, 상기 제3 용적량, 상기 제4 수위 및 상기 제4 용적량에 대한 다중 회귀 분석을 통해 상기 제1 시각과 상기 제2 시각 사이의 시간과 대응하는 유입량을 산출할 수 있다.
또한, 복수의 상기 위성이미지들 각각과 대응하는 복수의 지표면들 중 적어도 하나를 포함하는 모니터링 영역을 설정하고, 기 설정된 기간동안의 상기 모니터링 영역의 오염도에 기초하여 시계열적 오염도패턴을 생성하는, 이상패턴 판단부를 더 포함할 수 있다.
또한, 상기 이상패턴 판단부는, 상기 모니터링 영역과 대응하는 위성이미지에 기초하여 상기 측정부 및 상기 추정부 중 적어도 하나가 산출한 오염도가 상기 시계열적 오염도패턴을 벗어나는 경우 이상패턴으로 판단할 수 있다.
또한, 복수의 관측소들 각각과 대응하는 위치의 지표면에 대한 복수의 학습용 위성이미지들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성하고, 상기 복수의 클러스터들 중 어느 하나에 기초하여, 수위, 용적량, 유입량 및 오염도에 관한 측정모델 및 추정모델을 생성하는 모델 생성부를 더 포함할 수 있다.
또한, 상기 모델 생성부는, 상기 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 상기 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고, 상기 복수의 데이터셋들 각각에 포함된 복수의 위성이미지들 중 노이즈로 결정된 위성이미지를 제거하며, 상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행하고, 상기 복수의 데이터셋들을 클러스터링(Clustering)하여 상기 복수의 클러스터들을 생성할 수 있다.
또한, 상기 모델 생성부는, 상기 학습용 위성이미지 중, 전체영역 면적 대비 구름영역 면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 상기 노이즈로 판단하여 제거할 수 있다.
본 발명의 일 실시예에 따르면, 수위, 용적량, 유입량 및 오염도가 지역과 매칭되는 측정모델 및 추정모델을 통해 산출된다. 이를 통해, 지역적 편차로 인해 발생될 수 있는 오차가 저감될 수 있다.
본 발명의 다른 실시예에 따르면, 위성이미지를 통해 수위, 용적량, 유입량 및 오염도가 측정되므로, 관측소가 없는 지역에 대한 수위, 용적량, 유입량 및 오염도가 측정되어 사용자에게 제공될 수 있다.
본 발명의 또 다른 실시예에 따르면, 추정모델을 통해 수위, 용적량, 유입량 및 오염도가 추정되므로, 구름이 형성된 지역에 대한 수위, 용적량, 유입량 및 오염도가 추정되어 사용자에게 제공될 수 있다.
본 발명의 또 다른 실시예에 따르면, 오염도에 대모니터링 지역을 지속적으로 감시할 수 있다.
도 1은 일 실시예에 따른 수위, 용적량, 유입량 및 오염도 측정 시스템에 대한 개요도다.
도 2는 도 1에 따른 수위, 용적량, 유입량 및 오염도 측정 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 3은 도 2에 따른 모델 생성부가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
도 4는 도 2에 따른 모델 생성부가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
도 5는 도 2에 따른 모델 생성부가 위성이미지로부터 물영역이미지를 분류하는 과정을 개념적으로 나타내는 도면이다.
도 6은 도 2에 따른 모델 생성부가 물영역이미지로부터 특징벡터를 추출하는 과정을 개념적으로 나타낸 도면이다.
도 7은 도 2에 따른 모델 생성부가 특징벡터, 기상벡터 및 지리벡터에 기초하여 측정모델을 생성하는 과정을 개념적으로 나타낸 도면이다.
도 8은 도 2에 따른 모델 생성부가 추정모델을 생성하는 과정을 도시하는 흐름도이다.
도 9는 도 2에 따른 영역 분류부가 관측가능영역 및 관측불가능영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
도 10은 도 2에 따른 측정부가 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 측정하는 과정을 나타내는 흐름도다.
도 11은 도2에 따른 측정부가 유입량을 측정하는 과정을 개념적으로 나타낸 도면이다.
도 12는 도 2에 따른 추정부가 수위를 추정하는 과정을 나타내는 흐름도다.
도 13은 도 2에 따른 추정부가 용적량을 추정하는 과정을 나타내는 흐름도다.
도 14는 도 2에 따른 추정부가 유입량을 추정하는 과정을 나타내는 흐름도다.
도 15는 도 2에 따른 추정부가 오염도를 추정하는 과정을 나타내는 흐름도다.
도 16은 도 2에 따른 이상패턴 판단부가 오염도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
도 17은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 2는 도 1에 따른 수위, 용적량, 유입량 및 오염도 측정 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 3은 도 2에 따른 모델 생성부가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
도 4는 도 2에 따른 모델 생성부가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
도 5는 도 2에 따른 모델 생성부가 위성이미지로부터 물영역이미지를 분류하는 과정을 개념적으로 나타내는 도면이다.
도 6은 도 2에 따른 모델 생성부가 물영역이미지로부터 특징벡터를 추출하는 과정을 개념적으로 나타낸 도면이다.
도 7은 도 2에 따른 모델 생성부가 특징벡터, 기상벡터 및 지리벡터에 기초하여 측정모델을 생성하는 과정을 개념적으로 나타낸 도면이다.
도 8은 도 2에 따른 모델 생성부가 추정모델을 생성하는 과정을 도시하는 흐름도이다.
도 9는 도 2에 따른 영역 분류부가 관측가능영역 및 관측불가능영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
도 10은 도 2에 따른 측정부가 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 측정하는 과정을 나타내는 흐름도다.
도 11은 도2에 따른 측정부가 유입량을 측정하는 과정을 개념적으로 나타낸 도면이다.
도 12는 도 2에 따른 추정부가 수위를 추정하는 과정을 나타내는 흐름도다.
도 13은 도 2에 따른 추정부가 용적량을 추정하는 과정을 나타내는 흐름도다.
도 14는 도 2에 따른 추정부가 유입량을 추정하는 과정을 나타내는 흐름도다.
도 15는 도 2에 따른 추정부가 오염도를 추정하는 과정을 나타내는 흐름도다.
도 16은 도 2에 따른 이상패턴 판단부가 오염도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
도 17은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
아래에서 사용되는 '오염도'는 용존산소(DO), 생화학적 산소요구량(BOD), 부유물질(SS)에 대한 농도로서, 오염도의 단위는 ppm일 수 있다. 또한, '오염도'는 수소이온에 대한 농도로서, 오염도의 단위는 pH 일 수 있다.
아래에서 사용되는 '수위'는 하천의 깊이를 의미한다. 아래에서 사용되는 '용적량'은 하천의 용적량을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 수위, 용적량, 유입량 및 오염도 측정 시스템에 대한 개요도이다.
도 1을 참조하면, 수위, 용적량, 유입량 및 오염도 측정 시스템은, 장치(100), 사용자 단말(200), 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS(Geographic Information System) 서버(600)를 포함할 수 있다.
사용자 단말(200)은, 수위, 용적량, 유입량 및 오염도 제공 서비스를 이용하고자 하는 사용자의 단말로서, 사용자 정보를 장치(100)에 등록하고, 장치(100)를 통해 수위, 용적량, 유입량 및 오염도 제공 서비스의 여러 기능을 이용할 수 있다.
인공위성 서버(300)는, 지표면으로부터 이격되어 운항하는 인공위성이 지표면에 대해 촬영한 위성이미지를 저장한다. 일 실시예에서, 인공위성은 지표면으로부터 기 설정된 간격으로 이격되어 운항하는 인공위성일 수 있다. 일 실시예에서, 인공위성 서버(300)는 인공위성으로부터 기 설정된 시간간격으로 위성이미지를 수신할 수 있다. 일 실시예에서, 인공위성이미지는 기 설정된 해상도 또는 기 설정된 크기의 이미지일 수 있다.
인공위성 서버(300)는, 인공위성으로부터 수신한 위성이미지를 장치(100)에 전송한다.
관측소(400)는, 설치된 위치의 수위, 용적량, 유입량 및 오염도를 측정한다. 관측소(400)는 복수의 지역들 각각에 복수개로 설치될 수 있다. 일 실시예에서, 관측소(400)는 지역별로 서로 다른 개수로 설치될 수 있다. 관측소(400)는 하천과 인접한 장소에 설치되어 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 측정하도록 구성될 수 있다.
복수의 관측소(400)들은, 측정된 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 장치(100)에 전송한다. 일 실시예에서, 복수의 관측소(400)들에서 측정된 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 모두 수신하는 별도의 관측소 서버(미도시)가 있는 경우, 장치(100)는, 관측소 서버(미도시)로부터 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 수신할 수 있다.
기상 서버(500)는, 기상 정보를 수집하는 서버로서, 기상 정보를 측정하는 센서들과 정보통신 가능하게 연결된다. 일 실시예에서, 기상 정보는 강우량, 구름이 형성된 영역, 초 가강수량, 대기불안정도, 대기운동벡터, 에어로졸광학두께, 황사광학두께, 에어로졸 입자크기, 온습도 프로파일, 운량, 운상, 운정온도, 기압, 고도, 해수면온도, 에어로졸 시정, 구름광학두께, 구름입자유효반경, 단파 복사, 장파 복사 등을 포함할 수 있다.
기상 서버(500)는 기상 정보를 장치(100)에 전송한다.
GIS 서버(600)는, 기 설정된 영역에 대한 지리정보를 저장한다. 기 설정된 영역은 기 설정된 크기의 복수의 세부영역(Grid)들로 분할될 수 있으며, 지리정보는 복수의 세부영역들 각각에 대해 저장될 수 있다. 일 실시예에서, 지리정보는, 세부영역에 대하여, 하천의 영역별 너비, 하천의 영역별 깊이, 하천에 설치된 구조물에 관한 정보, 하천에 인접한 방류시설에 관한 정보 등을 포함할 수 있다. 지리정보는 상술한 예들에 한정되지 않으며, 수위, 용적량, 유입량 및 오염도와 연관된 다양한 정보들이 지리정보에 포함될 수 있다.
GIS 서버(500)는 지리정보를 장치(100)에 전송한다.
사용자 단말(200), 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS 서버(600)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
장치(100)는 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS 서버(600)로부터 수신한 정보에 기초하여 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 산출하고, 산출된 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 사용자 단말(200)에 제공할 수 있는 적어도 하나의 서버일 수 있다.
장치(100)는, 수위, 용적량, 유입량 및 오염도 제공 서비스를 운영하여 사용자 단말(200)에게 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 제공할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 수신한 복수의 위성이미지들 중 관측소(400)와 대응하는 지표면에 대한 위성이미지를 학습용 위성이미지로 분류하고, 학습용 위성이미지 및 학습용 위성이미지와 대응하는 수위, 용적량, 유입량 및 오염도 중 어느 하나에 기초하여 수위, 용적량, 유입량 및 오염도 중 어느 하나를 측정하는 모델을 생성할 수 있다.
또한, 장치(100)는, 인공위성 서버(300)로부터 수신한 복수의 위성이미지들 중 관측소(400)와 대응하는 지표면에 대한 위성이미지를 학습용 위성이미지로 분류하고, 학습용 위성이미지, 학습용 위성이미지와 대응하는 수위, 용적량, 유입량 및 오염도 중 어느 하나와, 학습용 위성이미지와 대응하는 지리정보 및 기상정보 중 적어도 하나에 기초하여 수위, 용적량, 유입량 및 오염도 중 어느 하나를 측정하는 모델을 생성할 수 있다.
장치(100)는, GIS 서버(600)로부터 수신한 복수의 지리정보들 중 관측소(400)의 위치와 대응하는 지리정보를 학습용 지리정보로 분류하고, 학습용 지리정보 및 학습용 지리정보에 대응하는 수위, 용적량 및 유입량 중 어느 하나에 기초하여, 수위, 용적량 및 유입량 중 어느 하나를 추정하는 모델을 생성할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 수신한 복수의 위성이미지들 각각을 복수의 영역들로 분할하고, 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 장치(100)는, 복수의 영역들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 영역을 관측불가능영역으로 분류할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 위성이미지를 수신하고, 수위, 용적량, 유입량 및 오염도 중 어느 하나를 측정하는 모델을 통해 위성이미지의 관측가능영역으로부터 수위, 용적량, 유입량 및 오염도 중 어느 하나를 획득할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 위성이미지를 수신하고, 수위, 용적량 및 유입량 중 어느 하나에 대한 추정모델을 통해 위성이미지의 관측불가능영역으로부터 수위, 용적량 및 유입량 중 어느 하나의 예측값을 획득할 수 있다. 또한, 장치(100)는, 관측불가능영역에 대한 수위 및 용적량 중 어느 하나의 예측값 및 관측가능영역의 수위 및 용적량 중 어느 하나에 대한 크리깅(Kriging) 분석을 통해, 예측값에 대한 잔차를 산출할 수 있다. 장치(100)는, 예측값 및 잔차에 기초하여, 관측불가능영역에 대한 수위, 용적량 및 유입량 중 어느 하나의 예측값을 보정할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 위성이미지를 수신하고, 오염도에 대한 크리깅(Kriging) 분석을 통해 위성이미지의 관측불가능영역으로부터 오염도의 예측값을 획득할 수 있다.
장치(100)는, 관측가능영역 및 관측불가능영역의 수위, 용적량, 유입량 및 오염도 중 어느 하나에 기초하여, 위성이미지가 수신된 전체 영역에 대한 수위, 용적량, 유입량 및 오염도 중 어느 하나의 분포도를 생성할 수 있다.
장치(100)는, 위성이미지를 통해 수집되는 전체 영역 중 모니터링 영역을 설정하고 기 설정된 기간 동안 수집된 모니터링 영역의 오염도에 기초하여 시계열적 오염도패턴을 생성할 수 있다.
장치(100)는, 모니터링 영역에 대응하는 오염도가 시계열적 오염도패턴을 벗어나는 경우 이상패턴이 발생된 것으로 결정할 수 있다.
도 2는 도 1에 따른 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 2를 참조하면, 장치(100)는, 측정모델 및 추정모델을 생성하는 모델 생성부(101), 수신된 위성이미지를 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부(102), 측정모델을 통해 관측가능영역의 수위, 용적량, 유입량 및 오염도 중 어느 하나를 측정하는 측정부(103), 추정모델을 통해 관측불가능영역의 수위, 용적량, 유입량 및 오염도 중 어느 하나의 예측값을 추정하는 추정부(104), 관측가능영역 및 관측불가능영역의 수위, 용적량, 유입량 및 오염도 중 어느 하나에 기초하여 수위, 용적량, 유입량 및 오염도 중 어느 하나의 분포도를 생성하는 분포도 생성부(105) 및 모니터링 영역에서의 이상패턴 발생을 감지하는 이상패턴 판단부(106)를 포함할 수 있다.
일 실시예에서, 모델 생성부(101)는, 복수의 학습용 위성이미지들에 대한 클러스터링(Clustering)을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 측정모델을 생성할 수 있다. 클러스터링 방법으로서, K-Means Clustering, Mean-Shift Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), Expectation-Maximization (EM) Clustering using Gaussian Mixture Models (GMM), Agglomerative Hierarchical Clustering 등이 사용될 수 있다.
일 실시예에서, 모델 생성부(101)는, 복수의 학습용 지리정보들에 대한 클러스터링(Clustering)을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 추정모델을 생성할 수 있다.
일 실시예에서, 지역별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 지역별로 그룹핑하여, 지역별 데이터셋들을 생성하고, 지역별 데이터셋들에 대해 클러스터링이 수행될 수 있다.
일 실시예에서, 계절별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 계절별로 그룹핑하여, 계절별 데이터셋들을 생성하고, 계절별 데이터셋들에 대해 클러스터링이 수행될 수 있다.
일 실시예에서, 계절별 및 지역별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 계절별 및 지역별로 그룹핑하여, 계절별 및 지역별로 그룹핑된 데이터셋들을 생성하고, 계절별 및 지역별로 그룹핑된 데이터셋들에 대해 클러스터링이 수행될 수 있다.
관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지 및 지리정보가 학습용 데이터로 사용된다.
모델 생성부(101)는, 복수의 관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지를 학습용 위성이미지로 결정하고, 결정된 학습용 위성이미지와 학습용 이미지에 대응하는 수위, 용적량 및 오염도 중 어느 하나의 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성부(101)는 복수의 학습용 데이터들에 대한 기계학습을 통해 수위, 용적량 및 오염도 중 어느 하나를 측정하는 측정모델을 생성할 수 있다. 일 실시예에서, 모델 생성부(101)는, 결정된 학습용 위성이미지와, 학습용 이미지에 대응하는 기상정보 및 지리정보 중 적어도 하나를, 학습용 이미지에 대응하는 수위, 용적량 및 오염도 중 어느 하나의 측정값을 라벨링하여 학습용 데이터를 생성할 수 있다.
모델 생성부(101)는, 복수의 관측소(400)와 대응하는 위치의 지표면에 대해 서로 다른 두 시점에서 촬영한 한 쌍의 위성이미지를 학습용 위성이미지쌍으로 결정하고, 결정된 학습용 위성이미지쌍과 학습용 이미지쌍에 대응하는 유입량에 대한 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성부(101)는 복수의 학습용 데이터들에 대해 기계학습을 통해 유입량을 측정하는 측정모델을 생성할 수 있다. 일 실시예에서, 모델 생성부(101)는, 결정된 학습용 위성이미지쌍과, 학습용 위성이미지쌍에 대응하는 기상정보 및 지리정보 중 적어도 하나를, 학습용 위성이미지쌍에 대응하는 유입량에 대한 측정값을 라벨링하여 학습용 데이터를 생성할 수 있다.
또한, 모델 생성부(101)는, 수신된 복수의 관측소(400)와 대응하는 위치의 지리정보 및 기상정보 중 적어도 하나를 학습용 정보로 결정하고, 결정된 학습용 정보와 학습용 정보에 대응하는 수위 및 용적량 중 어느 하나의 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성부(101)는 복수의 학습용 데이터들에 대한 기계학습을 통해 수위 및 용적량 중 어느 하나에 대한 추정모델을 생성할 수 있다.
또한, 모델 생성부(101)는, 수위에 대한 추정모델로부터 결정된 제1 시각에서의 제1 수위의 예측값, 용적량에 대한 추정모델로부터 결정된 제1 시각에서의 제1 용적량의 예측값, 수위에 대한 추정모델로부터 결정된 제2 시각에서의 제2 수위의 예측값 및 용적량에 대한 추정모델로부터 결정된 제2 시각에서의 제2 용적량의 예측값을 학습용 정보로 결정하고, 결정된 학습용 정보와 학습용 정보와 대응하는 유입량의 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성(부(101)는 복수의 학습용 데이터에 대한 기계학습을 통해 유입량에 대한 추정모델을 생성할 수 있다. 제1 시각 및 제2 시각은 서로 다른 임의의 두 시간을 의미한다.
또한, 모델 생성부(101)는, 수신된 복수의 관측소(400)와 대응하는 위치의 오염도 값에 대한 크리깅(Kriging) 분석을 통해 오염도에 대한 추정모델을 생성할 수 있다.
일 실시예에서, 모델 생성부(101)는, 학습용 위성이미지들 중 전체영역 면적 대비 구름영역 면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 노이즈로 판단하여 제거할 수 있다.
모델 생성부(101)는, 복수의 학습용 데이터들을 지역별 및 계절별로 그룹핑하여 지역별 및 계절별 데이터셋들을 생성하고, 지역별 및 계절별 데이터셋들에 대한 클러스터링을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 측정모델 및 추정모델을 생성할 수 있다.
클러스터들 각각에 대응하는 복수의 측정모델 및 추정모델이 생성되므로, 측정모델 및 추정모델에 지역적 특성 및 계절적 특성이 잘 반영될 수 있다. 이를 통해, 수위, 용적량, 유입량 및 오염도 산출 시, 지역의 편차 및 계절의 편차에 의해 발생될 수 있는 오차를 저감시킬 수 있다.
수위, 용적량, 유입량 및 오염도 중 어느 하나를 측정하기 위해 설치된 복수의 관측소(400)들의 개수는 지역별로 상이하다. 관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지, 기상정보 및 지리정보가 학습용 데이터로 사용되므로, 지역별로 학습용 데이터의 데이터량의 편차가 발생된다.
모델 생성부(101)는, 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고, 상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행할 수 있다. 모델 생성부(101)는, 언더 샘플링된 복수의 데이터셋들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성할 수 있다. 모델 생성부(101)는, 복수의 클러스터들 각각에 대응하는 측정모델 및 추정모델을 생성할 수 있다. 언더 샘플링을 통해 데이터셋들의 데이터량이 균일화되므로, 데이터량이 적은 지역의 데이터셋의 특성이 측정모델 및 추정모델에 반영될 수 있다.
일 실시예에서, 학습용 위성이미지들에 대한 클러스터링은, 학습용 위성이미지로부터 결정된 복수의 특징벡터들에 기초하여 수행될 수 있다. 복수의 특징벡터들은 측정모델의 학습에 사용되는 복수의 특징벡터들일 수 있다.
도 3은 도 2에 따른 모델 생성부(101)가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
먼저, 모델 생성부(101)는, 복수의 관측소(400)들 각각과 대응하는 위치의 지표면 이미지를 포함하는 복수의 학습용 위성이미지들을 수신한다(S110).
또한, 모델 생성부(101)는, 복수의 학습용 이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성한다(S120). 일 실시예에서, 데이터셋에는 학습용 이미지 이외에 학습용 이미지와 대응하는 기상 정보 및 지리 정보가 포함될 수 있다.
또한, 모델 생성부(101)는, 복수의 데이터셋들 각각에 포함된 복수의 학습용 위성이미지들 중 노이즈로 판단되는 학습용 위성이미지를 제거한다(S130).
일 실시예에서, 모델 생성부(101)는, 복수의 학습용 위성이미지들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 노이즈로 판단하여 제거할 수 있다.
또한, 모델 생성부(101)는, 노이즈가 제거된 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링 수행을 수행한다(S140).
또한, 모델 생성부(101)는, 언더 샘플링된 복수의 데이터셋들을 클러스터링하여 복수의 클러스터들을 생성한다(S150).
또한, 모델 생성부(101)는, 복수의 클러스터들 각각에 대응하는 측정모델을 생성한다(S160).
도 4는 도 2에 따른 모델 생성부(101)가 측정모델을 생성하는 과정을 도시하는 흐름도이다.
먼저, 모델 생성부(101)는 학습용 위성이미지로부터 물영역이미지를 추출한다(S161).
도 5는 도 2에 따른 모델 생성부(101)가 위성이미지로부터 물영역이미지를 분류하는 과정을 개념적으로 나타내는 도면이다. 도 5를 참조하면, 모델 생성부(101)는 시맨틱 세그멘테이션(semantic segmentation)을 통해 학습용 위성이미지의 픽셀을 물영역(Flooded)과 그밖의 영역(Unflooded)으로 분류할 수 있다. 모델 생성부(101)는 물영역(Flooded)으로 분류된 픽셀들을 물영역이미지로 분류할 수 있다. 일 실시예에서, 시맨틱 세그멘테이션(semantic segmentation)의 방법으로 UNet 신경망 또는 FCN 신경망이 사용될 수 있다.
다시 도 4를 참조하면, 모델 생성부(101)는 물영역이미지로부터 서로 다른 복수의 색상에 대한 복수의 컬러 히스토그램들을 추출한다(S162). 또한, 모델 생성부(101)는 복수의 컬러 히스토그램들로부터 복수의 특징벡터들을 결정할 수 있다(S163).
도 6은 도 2에 따른 모델 생성부(101)가 물영역이미지로부터 특징벡터를 추출하는 과정을 개념적으로 나타낸 도면이다. 도시된 실시예에서, 모델 생성부(101)는, 물영역이미지를 구성하는 픽셀들로부터 파란색에 대한 컬러 히스토그램, 빨간색에 대한 컬러 히스토그램 및 노란색에 대한 컬러 히스토그램을 추출할 수 있다. 모델 생성부(101)는 파란색에 대한 컬러 히스토그램, 빨간색에 대한 컬러 히스토그램 및 노란색에 대한 컬러 히스토그램 중 적어도 하나로부터 복수의 특징벡터들을 결정한다.
모델 생성부(101)는 수위에 대한 측정모델의 생성을 위하여 복수의 컬러 히스토그램들로부터 복수의 제1 특징벡터들을 결정할 수 있다. 또한, 모델 생성부(101)는 용적량에 대한 측정모델의 생성을 위하여 복수의 컬러 히스토그램들로부터 복수의 제2 특징벡터들을 결정할 수 있다. 또한, 모델 생성부(101)는 오염도에 대한 측정모델의 생성을 위하여 복수의 컬러 히스토그램들로부터 복수의 제3 특징벡터들을 결정할 수 있다.
다시 도 4를 참조하면, 모델 생성부(101)는 복수의 특징벡터들 및 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 정보를 매칭하여 학습데이터를 생성한다(S164).
모델 생성부(101)는 복수의 제1 특징벡터들과 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 수위를 매칭하여 제1 학습데이터를 생성할 수 있다. 또한, 모델 생성부(101)는 복수의 제2 특징벡터들과 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 용적량을 매칭하여 제2 학습데이터를 생성할 수 있다. 또한, 모델 생성부(101)는 복수의 제3 특징벡터들과 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 오염도를 매칭하여 제3 학습데이터를 생성할 수 있다.
모델 생성부(101)는 제1 시각에서 학습용 위성이미지로부터 결정된 제1 특징벡터들 및 제2 특징벡터들과, 제2 시각에서 학습용 위성이미지로부터 결정된 제1 특징벡터들 및 제2 특징벡터들을, 제1 시각과 제2 시각 사이에서 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 유입량과 매칭하여 제4 학습데이터를 생성할 수 있다.
일 실시예에서, 모델 생성부(101)는 복수의 특징벡터들과, 학습용 위성이미지와 대응하는 기상정보 및 지리정보 중 적어도 하나를, 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 정보를 매칭하여 학습데이터를 생성할 수 있다.
모델 생성부(101)는 복수의 제1 특징벡터들과, 기상정보로부터 결정된 제1 기상벡터 및 지리정보로부터 결정된 제1 지리벡터 중 적어도 하나를, 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 수위와 매칭하여 제1 학습데이터를 생성할 수 있다. 기상정보에 포함된 정보들 중 수위와 연관된 정보에 기초하여 제1 기상벡터가 생성될 수 있다. 지리정보에 포함된 정보들 중 수위와 연관된 정보에 기초하여 제1 지리벡터가 생성될 수 있다. 복수의 제1 기상벡터들 및 제1 지리벡터들이 제1 학습데이터 생성에 사용될 수 있다.
모델 생성부(101)는 복수의 제2 특징벡터들과, 기상정보로부터 결정된 제2 기상벡터 및 지리정보로부터 결정된 제2 지리벡터 중 적어도 하나를, 학습용 위성이미지와 대응하는 관측소(400)에서 측정된 용적량과 매칭하여 제2 학습데이터를 생성할 수 있다. 기상정보에 포함된 정보들 중 용적량와 연관된 정보에 기초하여 제2 기상벡터가 생성될 수 있다. 지리정보에 포함된 정보들 중 용적량와 연관된 정보에 기초하여 제2 지리벡터가 생성될 수 있다. 복수의 제2 기상벡터들 및 제2 지리벡터들이 제2 학습데이터 생성에 사용될 수 있다.
또한, 모델 생성부(101)는 학습데이터들로 구성된 학습데이터셋에 대한 랜덤 포레스트(Random Forest) 분석을 통해 수위, 용적량 및 오염도 중 어느 하나에 대한 측정모델을 생성한다(S165).
도 7은 도 2에 따른 모델 생성부(101)가 특징벡터, 기상벡터 및 지리벡터에 기초하여 측정모델을 생성하는 과정을 개념적으로 도시하는 도면이다. 모델 생성부(101)는 특징벡터에 기초하여 수위, 용적량 및 오염도 중 어느 하나에 대한 측정모델을 생성할 수 있다. 또한, 모델 생성부(101)는 특증벡터와, 기상벡터 및 지리벡터 중 적어도 하나에 기초하여 수위 및 용적량 중 어느 하나에 대한 측정모델을 생성할 수 있다.
모델 생성부(101)는 제1 학습데이터들로 구성된 제1 학습데이터셋에 대한 랜덤 포레스트(Random Forest) 분석을 통해 수위측정모델을 생성할 수 있다. 일 실시예에서, 모델 생성부(101)는 RFR(Random Forest Regressor) 알고리즘을 통해, 복수의 제1 특징 벡터들로부터 수위가 산출되도록 수위측정모델을 학습시킨다. 일 실시예에서, 모델 생성부(101)는 RFR(Random Forest Regressor) 알고리즘을 통해, 연결된 복수의 제1 특징벡터들과 제1 기상벡터 및 제1 지리벡터 중 적어도 하나로부터 수위가 산출되도록 수위측정모델을 학습시킨다.
모델 생성부(101)는 제2 학습데이터들로 구성된 제2 학습데이터셋에 대한 랜덤 포레스트(Random Forest) 분석을 통해 용적량측정모델을 생성할 수 있다. 일 실시예에서, 모델 생성부(101)는 RFR(Random Forest Regressor) 알고리즘을 통해, 복수의 제2 특징벡터들로부터 용적량이 산출되도록 용적량측정모델을 학습시킨다. 일 실시예에서, 모델 생성부(101)는 RFR(Random Forest Regressor) 알고리즘을 통해, 연결된 복수의 제2 특징벡터들과 제2 기상벡터 및 제2 지리벡터 중 적어도 하나로부터 용적량이 산출되도록 용적량측정모델을 학습시킨다.
모델 생성부(101)는 제3 학습데이터들로 구성된 제3 학습데이터셋에 대한 랜덤 포레스트(Random Forest) 분석을 통해 오염도측정모델을 생성할 수 있다. 일 실시예에서, 모델 생성부(101)는 RFR(Random Forest Regressor) 알고리즘을 통해, 복수의 제3 특징벡터들로부터 오염도가 산출되도록 오염도측정모델을 학습시킨다.
RFR(Random Forest Regressor)은 회귀 분석에 사용되는 앙상블 학습 방법의 일종으로서, 학습 과정에서 구성된 다수의 결정 트리로부터 평균 예측치를 출력한다. 또한, 모델 생성부(101)는, 학습된 측정모델을 테스트 위성이미지를 통해 평가할 수 있으며, 평가결과에 기초하여 RFR(Random Forest Regressor)의 하이퍼파라미터(Hyperparameter)를 조정할 수 있다.
도 8은 도 2에 따른 모델 생성부(101)가 추정모델을 생성하는 과정을 도시하는 흐름도이다.
모델 생성부(101)는 생성된 복수의 클러스터들 각각에 대응하는 추정모델을 생성할 수 있다.
먼저, 모델 생성부(101)는, 클러스터에 포함된 학습용 위성이미지와 대응하는 위치의 지리정보를 학습용 지리정보로 결정한다(S210).
또한, 모델 생성부(101)는, 학습용 지리정보에서 적어도 하나의 독립변수를 선택하고, 학습용 위성이미지와 대응하는 관측소에서 측정된 측정값을 종속변수로 선택한다(S220).
또한, 모델 생성부(101)는, 적어도 하나의 독립변수 및 종속변수에 기초하여 학습데이터셋을 생성한다(S230). 클러스터에 포함된 복수의 학습용 이미지들 각각과 대응하는 복수의 학습용 지리정보들에 기초하여, 학습데이터셋이 생성된다.
또한, 모델 생성부(101)는, 생성된 학습데이터셋에 대한 회귀분석을 통해 추정모델을 생성한다(S240).
일 실시예에서, 회귀분석에는 다중 회귀 분석(Mutiple regression analysis)이 사용될 수 있다.
생성된 추정모델은 아래의 수학식 1에 의해 정의될 수 있다.
수학식 1에서, s0는 수위 또는 용적량을 추정하려는 타겟 위치를 의미하고, ZR(s0)는 s0에서 추정된 수위 또는 용적량을 의미하며, qk(s0)는 s0에서의 독립변수들을 의미하고, βk는 독립변수들에 대한 회귀계수를 의미하며, p-1은 독립변수의 개수를 의미한다. q0(s0)는 1이다.
일 실시예에서, 다중 회귀 분석을 통해 수위에 대한 추정모델이 생성될 수 있다. 학습용 지리정보에 포함된 다양한 정보들이 독립변수들로 설정될 수 있으며, 학습데이터셋에 대한 회귀분석을 통해 종속변수인 수위에 상대적으로 영향력이 큰 독립변수들이 결정될 수 있다.
일 실시예에서, 다중 회귀 분석을 통해 용적량에 대한 추정모델이 생성될 수 있다. 학습용 지리정보에 포함된 다양한 정보들이 독립변수들로 설정될 수 있으며, 학습데이터셋에 대한 회귀분석을 통해 종속변수인 용적량에 상대적으로 영향력이 큰 독립변수들이 결정될 수 있다.
도 9는 도 2에 따른 영역 분류부(102)가 관측가능영역 및 관측불가능영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
인공위성 서버(300)로부터 위성이미지가 수신되면, 영역 분류부(102)가 수신된 위성이미지를 복수의 영역들로 분할하고, 분할된 영역들을 관측가능영역과 관측불가능영역으로 분류한다. 영역 분류부(102)는, 복수의 영역들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 영역을 관측불가능영역으로 분류할 수 있다.
일 실시예에서, 영역 분류부(102)는, 기상 서버(500)로부터 수신된 기상 정보에 기초하여 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 기상 정보에는 구름에 생성된 영역에 대한 정보가 포함될 수 있다.
일 실시예에서, 영역 분류부(102)는, 구름영역을 분류하도록 기 학습된 영역분류모델을 통해 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 영상분류모델은 CNN(Convolution Neural Network) 알고리즘을 이용한 지도학습을 통해 생성될 수 있다.
영역 분류부(102)는, 분류된 관측가능영역을 측정부(103)에 전송한다.
영역 분류부(102)는, 분류된 관측불가능영역을 추정부(104)에 전송한다.
도 10은 도 2에 따른 측정부(103)가 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 측정하는 과정을 나타내는 흐름도다.
먼저, 측정부(103)는 관측가능영역에서 복수의 특징벡터들을 추출한다(S310).
일 실시예에서, 수위를 측정하는 경우, 측정부(103)는 관측가능영역에서 복수의 제1 특징벡터들을 추출한다. 용적량을 측정하는 경우, 측정부(103)는 관측가능영역에서 복수의 제2 특징벡터들을 추출한다. 오염도를 측정하는 경우, 측정부(103)는 관측가능영역에서 복수의 제3 특징벡터들을 추출한다. 유입량을 측정하는 경우, 측정부(103)는 관측가능영역에서 복수의 제1 특징벡터들 및 복수의 제2 특징벡터들을 추출한다.
일 실시예에서, 수위를 측정하는 경우, 측정부(102)는 관측가능영역에서 복수의 제1 특징벡터들을 추출하고, 관측가능영역과 대응하는 기상정보로부터 제1 기상벡터를 결정하며, 관측가능영역과 대응하는 지리정보로부터 제1 지리벡터를 결정할 수 있다. 용적량를 측정하는 경우, 측정부(102)는 관측가능영역에서 복수의 제2 특징벡터들을 추출하고, 관측가능영역과 대응하는 기상정보로부터 제2 기상벡터를 결정하며, 관측가능영역과 대응하는 지리정보로부터 제2 지리벡터를 결정할 수 있다. 유입량을 측정하는 경우, 측정부(103)는 관측가능영역에서 복수의 제1 특징벡터들 및 복수의 제2 특징벡터들을 결정하고, 관측가능영역과 대응하는 기상정보로부터 제1 기상벡터 및 제2 기상벡터를 결정하며, 관측가능영역과 대응하는 지리정보로부터 제1 지리벡터 및 제2 지리벡터를 결정할 수 있다.
또한, 측정부(103)는 복수의 특징벡터들에 기초하여 관측가능영역과 대응하는 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 측정한다(S320).
일 실시예에서, 수위를 측정하는 경우, 측정부(103)는, 수위측정모델에 제1 특징벡터를 입력하고, 출력값으로 관측가능영역과 대응하는 수위를 획득한다. 구체적으로, 수위측정모델의 RFR(Random Forest Regressor) 알고리즘을 통해 수위가 산출된다. 다른 실시예에서, 수위를 측정하는 경우, 측정부(103)는, 수위측정모델에 복수의 제1 특징벡터들과 제1 기상벡터 및 제1 지리벡터 중 적어도 하나를 입력하고, 출력값으로 관측가능영역과 대응하는 수위를 획득한다. 제1 기상벡터 또는 제1 지리벡터는 복수 개로 입력될 수 있다.
일 실시예에서, 용적량을 측정하는 경우, 측정부(103)는, 용적량측정모델에 제2 특징벡터를 입력하고, 출력값으로 관측가능영역과 대응하는 용적량를 획득한다. 구체적으로, 수위측정모델의 RFR(Random Forest Regressor) 알고리즘을 통해 용적량이 산출된다. 다른 실시예에서, 용적량을 측정하는 경우, 측정부(103)는, 수위측정모델에 복수의 제2 특징벡터들과 제2 기상벡터 및 제2 지리벡터 중 적어도 하나를 입력하고, 출력값으로 관측가능영역과 대응하는 용적량을 획득한다. 제2 기상벡터 또는 제2 지리벡터는 복수 개로 입력될 수 있다.
일 실시예에서, 오염도를 측정하는 경우, 측정부(103)는, 오염도측정모델에 제3 특징벡터를 입력하고, 출력값으로 관측가능영역과 대응하는 오염도를 획득한다. 구체적으로, 수위측정모델의 RFR(Random Forest Regressor) 알고리즘을 통해 오염도가 산출된다.
도 11은 도2에 따른 측정부(103)가 유입량을 측정하는 과정을 개념적으로 나타낸 도면이다.
도 11을 참조하면, 측정부(103)는, 수위측정모델 및 용적량측정모델을 통해, 제1 시각에서 관측가능영역과 대응하는 제1 수위 및 제1 용적량을 획득하고, 제2 시각에서 관측가능영역과 대응하는 제2 수위 및 제2 용적량을 획득한다. 제1 시각 및 제2 시각은 서로 다른 임의의 시각이다. 측정부(103)는 제1 수위와 제2 수위의 차이 및 제1 용적량과 제2용적량의 차이에 기초하여 제1 시각과 제2 시각 사이의 유입량을 산출할 수 있다. 일 실시예에서, 유입량은 제1 수위, 제1 용적량, 제2 수위 및 제2 용적량을 독립변수로 하고 유입량을 종속변수로 하는 다중 회귀 분석(Mutiple regression analysis)에 의해 산출될 수 있다. 제4 학습데이터로 구성된 제4 학습데이터셋에 대한 다중 회귀 분석을 통해 유입량측정모델이 생성될 수 있다.
도 12는 도 2에 따른 추정부(104)가 수위를 추정하는 과정을 나타내는 흐름도다.
먼저, 관측불가능영역이 수신되면, 추정부(104)는, 수위추정모델을 통해, 관측불가능영역과 대응하는 지리정보로부터 관측불가능영역의 수위에 대한 예측값을 획득한다(S410).
추정부(104)는, 수위추정모델에 대한 학습과정에서 결정된, 수위와의 상관관계가 상대적으로 강한 독립변수들을 관측불가능영역과 대응하는 지리정보로부터 추출한다. 또한, 추정부(104)는, 추출된 독립변수들을 수위추정모델에 입력하고, 수위추정모델로부터 출력된 관측불가능영역의 수위에 대한 예측값을 획득한다.
또한, 추정부(104)는, 크리깅 분석을 통해 예측값과 대응하는 잔차(Residual)를 산출한다(S420).
잔차가 산출되면, 추정부(104)는, 예측값 및 잔차에 기초하여 관측불가능영역의 수위를 산출한다(S430).
도 13은 도 2에 따른 추정부(104)가 용적량을 추정하는 과정을 나타내는 흐름도다.
먼저, 관측불가능영역이 수신되면, 추정부(104)는, 용적량추정모델을 통해, 관측불가능영역과 대응하는 지리정보로부터 관측불가능영역의 용적량에 대한 예측값을 획득한다(S510).
추정부(104)는, 용적량추정모델에 대한 학습과정에서 결정된, 용적량과의 상관관계가 상대적으로 강한 독립변수들을 관측불가능영역과 대응하는 지리정보로부터 추출한다. 또한, 추정부(104)는, 추출된 독립변수들을 용적량추정모델에 입력하고, 용적량추정모델로부터 출력된 관측불가능영역의 용적량에 대한 예측값을 획득한다.
또한, 추정부(104)는, 크리깅 분석을 통해 예측값과 대응하는 잔차(Residual)를 산출한다(S520).
잔차가 산출되면, 추정부(104)는, 예측값 및 잔차에 기초하여 관측불가능영역의 용적량를 산출한다(S530).
도 14는 도 2에 따른 추정부(104)가 유입량을 추정하는 과정을 나타내는 흐름도다.
먼저, 관측불가능영역이 수신되면, 추정부(104)는, 수위추정모델 및 용적량추정모델을 통해 제1 시간에서의 관측불가능영역과 대응하는 지리정보로부터 관측불가능영역의 제1 수위 예측값 및 제1 용적량 예측값 획득한다(S610).
또한, 추정부(104)는, 크리깅 분석을 통해 상기 제1 수위 예측값 및 제1 용적량 예측값 각각과 대응하는 잔차를 산출한다(S620).
또한, 추정부(104)는, 제1 수위 예측값, 제1 용적량 예측값 및 제1 수위 예측값과 제1 용적량 예측값 각각과 대응하는 잔차에 기초하여 제1 시간에서의 관측불가능영역의 제1 수위 및 제1 용적량을 산출한다(S630).
또한, 추정부(104)는, 수위추정모델 및 용적량추정모델을 통해 제2 시간에서의 관측불가능영역과 대응하는 지리정보로부터 관측불가능영역의 제2 수위 예측값 및 제2 용적량 예측값 획득한다(S640).
또한, 추정부(104)는, 크리깅 분석을 통해 상기 제2 수위 예측값 및 제2 용적량 예측값 각각과 대응하는 잔차를 산출한다(S650).
또한, 추정부(104)는, 제2 수위 예측값, 제2 용적량 예측값 및 제2 수위 예측값과 제2 용적량 예측값 각각과 대응하는 잔차에 기초하여 제2 시간에서의 관측불가능영역의 제2 수위 및 제2 용적량을 산출한다(S660).
또한, 추정부(104)는, 제1 수위, 제1 용적량, 제2 수위 및 제2 용적량에 기초하여 관측불가능영역과 대응하는 제1 시간과 제2 시간 사이의 유입량을 산출한다(S670). 일 실시예에서, 유입량은 제1 수위, 제1 용적량, 제2 수위 및 제2 용적량을 독립변수로 하고 유입량을 종속변수로 하는 다중 회귀 분석(Mutiple regression analysis)에 의해 산출될 수 있다.
도 12, 도 13 및 도 14에서 설명한 잔차는, 아래의 수학식 2에 의해 정의될 수 있다.
수학식 2에서, s0는 값을 추정하려는 타겟 위치를 의미하고, e(s0)는 s0에서의 잔차를 의미하며, wi(s0)는 복수의 샘플 위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)를 의미하고, e(si)는 복수의 샘플 위치들 각각과 대응하는 회귀 잔차(Regression residual)를 의미한다. n은 샘플 위치의 개수를 의미한다.
일 실시예에서, 관측불가능영역과 인접된 복수의 인접영역들이 복수의 샘플 위치들로 사용될 수 있다.
복수의 샘플위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)는 베리오그램(Variogram) 함수에 기초하여 결정될 수 있다. 베리오그램 함수는 일정한 거리에 있는 데이터들의 유사성을 나타내는 척도이다.
경험 베리오그램 함수는 아래의 수학식 3에 의해 정의될 수 있다.
수학식 3에서, γ(h)는 베리오그램 함수를 의미하고, Z(x)는 샘플 위치의 수위 또는 용적량을 의미하며, h는 샘플 위치 사이의 거리를 의미한다. n은 샘플 위치 쌍들의 개수를 의미한다. 일 실시예에서, 샘플 위치 사이의 거리는 기 설정된 관측가능영역의 크기에 기초하여 설정될 수 있다.
경험 베리오그램 함수로부터 이론 베리오그램 함수를 모델링하고, 이론 베리오그램 함수로부터 도출한 공분산을 통해 크리깅 웨이트(Kriging weight)가 결정될 수 있다. 이론 베리오그램 함수로는 구형(spherical) 함수, 지수형(exponential) 함수, 가우스형(Gaussian) 함수 등이 사용될 수 있다.
도 12, 도 13 및 도 14에서 설명한 관측불가능영역의 수위 및 용적량은 아래의 수학식 4에 의해 정의될 수 있다.
수학식 4에서, s0는 수위 또는 용적량을 추정하려는 타겟 위치를 의미하고, ZRK(s0)는 s0에서 추정된 수위 또는 용적량를 의미하며, qk(s0)는s0에서의 독립변수들을 의미하고, βk는 독립변수들에 대한 회귀계수를 의미하며, p-1은 독립변수의 개수를 의미한다. q0(s0)는 1이다. wi(s0)는 복수의 샘플 위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)를 의미하고, e(si)는 복수의 샘플 위치들 각각과 대응하는 회귀 잔차(Regression residual)를 의미한다. n은 샘플 위치들의 개수를 의미한다.
도 15는 도 2에 따른 추정부(104)가 오염도를 추정하는 과정을 나타내는 흐름도다.
추정부(104)는 크리깅 분석을 통해 관측불가능영역과 대응하는 오염도를 산출한다(S710).
오염도는 아래의 수학식 5에 의해 정의될 수 있다.
수학식 5에서, s0는 값을 추정하려는 타겟 위치를 의미하고, 
는 s0에서 추정된 오염도를 의미하며, wi(s0)는 복수의 샘플 위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)를 의미하고, Z(si)는 복수의 샘플 위치들 각각에서 측정된 오염도를 의미한다. n은 샘플 위치의 개수를 의미한다.
일 실시예에서, 관측불가능영역과 인접된 복수의 관측가능영역들이 복수의 샘플 위치들로 사용될 수 있다.
복수의 샘플위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)는 베리오그램(Variogram) 함수에 기초하여 결정될 수 있다. 베리오그램 함수는 일정한 거리에 있는 데이터들의 유사성을 나타내는 척도이다.
경험 베리오그램 함수는 상술한 수학식 3에 의해 정의될 수 있다.
영역 분류부(102)에서 관측가능영역과 관측불가능영역이 분류되면, 측정부(103)에서 관측가능영역과 대응하는 수위, 용적량, 유입량 및 오염도가 산출되고, 추정부(104)에서 관측불가능영역과 대응하는 수위, 용적량, 유입량 및 오염도가 산출된다. 이를 통해, 인공위성 서버(300)로부터 수신된 위성이미지의 전체 영역에 대한 수위, 용적량, 유입량 및 오염도가 산출될 수 있다.
분포도 생성부(105)는, 관측가능영역과 대응하는 측정값 및 관측불가능영역과 대응하는 추정값에 기초하여, 위성이미지가 수신된 전체 영역에 대한 수위, 용적량, 유입량 및 오염도에 대한 분포도를 생성할 수 있다.
도 16은 도 2에 따른 이상패턴 판단부(106)가 오염도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
먼저, 이상패턴 판단부(106)는 모니터링 영역을 결정한다(S410).
또한, 이상패턴 판단부(106)는, 모니터링 영역에 대해 기 설정된 기간동안 측정된 오염도에 기초하여 시계열적 오염도패턴을 생성한다(S420). 예를 들어, 20년동안의 오염도에 기초하여, 봄, 여름, 가을, 겨울에 따라 시계열적으로 변하는 오염도패턴을 생성할 수 있다. 일 실시예에서, 시계열적 오염도패턴의 생성에는 K 평균 클러스터링(K-Mean Clustring) 방법이 사용될 수 있다.
또한, 이상패턴 판단부(106)는, 모니터링 영역과 대응하는 오염도가 시계열적 오염도패턴을 벗어나는 경우, 이상패턴이 발생된 것으로 결정할 수 있다(S430). 예를 들어, 모니터링 지역의 3월의 평균적인 오염도에 비해 과도하게 높은 오염도가 산출되는 경우, 이상패턴이 발생된 것으로 판단할 수 있다.
이를 통해, 모니터링 영역에서 발생되는 이상패턴(예를 들어, 기준을 초과하는 폐수 배출)을 감시할 수 있다.
도 17은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 11을 참조하면, 장치(100)는, 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 동작은 전술한 장치(100)의 구성부들(101~106)이나 기타 기능 또는 동작 방법을 포함할 수 있다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다.
예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 장치(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.
장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
Claims (8)
- 지표면에 대한 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치로서,
상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 영역의 전체면적 대비 구름면적의 비율에 기초하여 상기 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부;
상기 관측가능영역에 포함된 복수의 픽셀들을 물영역과 땅영역으로 분류하고, 복수의 픽셀들 중 물영역으로 분류된 픽셀로 구성된 물영역이미지를 생성하며, 물영역이미지에 기초하여 수위, 용적량, 유입량 및 오염도 중 적어도 하나를 산출하는 측정부; 및
상기 관측불가능영역과 대응하는 지리정보에 대한 회귀 분석을 통해 수위, 용적량, 유입량 및 오염도 중 적어도 하나의 예측값을 획득하는 추정부를 포함하고,
상기 추정부는,
상기 관측불가능영역과 대응하는 지리정보로부터 결정된 적어도 하나의 제1 독립변수에 대한 회귀 분석을 통해, 상기 관측불가능영역과 대응하는 수위에 대한 제1 예측값을 산출하며,
상기 관측가능영역과 대응하는 수위 및 상기 제1 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 제1 예측값과 대응하는 제1 잔차를 산출하고,
상기 제1 예측값 및 상기 제1 잔차에 기초하여 상기 관측불가능영역과 대응하는 수위를 산출하는,
장치. - 제1항에 있어서,
상기 측정부는,
상기 물영역이미지로부터 서로 다른 복수의 색상들 각각에 대응하는 복수의 컬러 히스토그램들을 추출하고,
상기 복수의 컬러 히스토그램들로부터 복수의 제1 특징벡터들을 결정하며,
상기 복수의 제1 특징벡터들에 기초하여 상기 관측가능영역과 대응하는 수위를 산출하며,
상기 관측가능영역과 대응하는 수위는, RFR(Random Forest Regressor) 알고리즘을 통해 산출되는,
장치. - 제2항에 있어서,
상기 측정부는,
상기 물영역이미지로부터 서로 다른 복수의 색상들 각각에 대응하는 복수의 컬러 히스토그램들을 추출하고,
상기 복수의 컬러 히스토그램들로부터 복수의 제2 특징벡터들을 결정하며,
상기 복수의 제2 특징벡터들에 기초하여 상기 관측가능영역과 대응하는 용적량을 산출하며,
상기 관측가능영역과 대응하는 용적량은, RFR(Random Forest Regressor) 알고리즘을 통해 산출되는,
장치. - 제3항에 있어서,
상기 측정부는,
제1 시각에서 촬영된 위성이미지인 제1 위성이미지의 관측가능영역과 대응하는 수위인 제1 수위를 산출하고, 상기 제1 위성이미지의 관측가능영역과 대응하는 용적량인 제1 용적량을 산출하며,
상기 제1 시각과 다른 제2 시각에서 촬영된 위성이미지인 제2 위성이미지의 관측가능영역과 대응하는 수위인 제2 수위를 산출하고, 상기 제2 위성이미지의 관측가능영역과 대응하는 용적량인 제2 용적량을 산출하며,
상기 제1 수위, 상기 제1 용적량, 상기 제2 수위 및 상기 제2 용적량에 대한 다중 회귀 분석을 통해 상기 제1 시각과 상기 제2 시각 사이의 시간과 대응하는 유입량을 산출하는,
장치. - 삭제
- 제1항에 있어서,
상기 추정부는,
상기 관측불가능영역과 대응하는 지리정보로부터 결정된 적어도 하나의 제2 독립변수에 대한 회귀 분석을 통해, 상기 관측불가능영역과 대응하는 용적량에 대한 제2 예측값을 산출하고,
상기 관측가능영역과 대응하는 용적량 및 상기 제2 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 제2 예측값과 대응하는 제2 잔차를 산출하며,
상기 제2 예측값 및 상기 제2 잔차에 기초하여 상기 관측불가능영역과 대응하는 용적량을 산출하는,
장치. - 제1항에 있어서,
복수의 관측소들 각각과 대응하는 위치의 지표면에 대한 복수의 학습용 위성이미지들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성하고, 상기 복수의 클러스터들 중 어느 하나에 기초하여, 수위, 용적량, 유입량 및 오염도에 관한 측정모델 및 추정모델을 생성하는 모델 생성부를 더 포함하는,
장치. - 제7항에 있어서,
상기 모델 생성부는,
상기 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 상기 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고,
상기 복수의 데이터셋들 각각에 포함된 복수의 위성이미지들 중 노이즈로 결정된 위성이미지를 제거하며,
상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행하고,
상기 복수의 데이터셋들을 클러스터링(Clustering)하여 상기 복수의 클러스터들을 생성하는,
장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210142651A KR102374004B1 (ko) | 2021-10-25 | 2021-10-25 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
| KR1020220029353A KR102479804B1 (ko) | 2021-10-25 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 인공지능모델을 이용한 수위, 용적량, 유입량 및 오염도 측정 방법, 장치 및 프로그램 |
| KR1020220029352A KR102442723B1 (ko) | 2021-10-25 | 2022-03-08 | 인공지능모델을 이용한 위성이미지를 통해 수위, 용적량, 유입량 및 오염도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210142651A KR102374004B1 (ko) | 2021-10-25 | 2021-10-25 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220029352A Division KR102442723B1 (ko) | 2021-10-25 | 2022-03-08 | 인공지능모델을 이용한 위성이미지를 통해 수위, 용적량, 유입량 및 오염도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029353A Division KR102479804B1 (ko) | 2021-10-25 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 인공지능모델을 이용한 수위, 용적량, 유입량 및 오염도 측정 방법, 장치 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102374004B1 true KR102374004B1 (ko) | 2022-03-15 |
Family
ID=80816690
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210142651A KR102374004B1 (ko) | 2021-10-25 | 2021-10-25 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
| KR1020220029352A KR102442723B1 (ko) | 2021-10-25 | 2022-03-08 | 인공지능모델을 이용한 위성이미지를 통해 수위, 용적량, 유입량 및 오염도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029353A KR102479804B1 (ko) | 2021-10-25 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 인공지능모델을 이용한 수위, 용적량, 유입량 및 오염도 측정 방법, 장치 및 프로그램 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220029352A KR102442723B1 (ko) | 2021-10-25 | 2022-03-08 | 인공지능모델을 이용한 위성이미지를 통해 수위, 용적량, 유입량 및 오염도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029353A KR102479804B1 (ko) | 2021-10-25 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 인공지능모델을 이용한 수위, 용적량, 유입량 및 오염도 측정 방법, 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102374004B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114705249A (zh) * | 2022-04-11 | 2022-07-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的污染物排放量监测方法及相关设备 |
| CN115493669A (zh) * | 2022-11-03 | 2022-12-20 | 珠江水利委员会珠江水利科学研究院 | 一种红树林生物量体积的测量方法 |
| CN115655206A (zh) * | 2022-12-09 | 2023-01-31 | 富视达技术(武汉)有限公司 | 基于多视觉位移测量设备的测量数据联合解算系统及方法 |
| CN115983495A (zh) * | 2023-02-20 | 2023-04-18 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
| CN117314705A (zh) * | 2023-10-11 | 2023-12-29 | 青海省生态环境监测中心 | 一种基于遥感影像的环境综合评估预测方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| KR101688412B1 (ko) * | 2015-09-01 | 2016-12-21 | 주식회사 에스원 | 종속 변수의 예측 모델링 방법 및 시스템 |
| KR101751020B1 (ko) | 2015-12-08 | 2017-07-11 | 한국해양과학기술원 | 다중 위성 기반 위험유해물질 연속 탐지 방법 및 장치 |
| KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6280517A (ja) * | 1985-10-04 | 1987-04-14 | Mitsubishi Electric Corp | 水位計測装置 |
| KR100955600B1 (ko) * | 2009-08-25 | 2010-05-03 | (주)명성지오시스템 | 현장주변 또는 원격지에서 모니터링 가능한 지하수위 자동계측 시스템 |
| CN111866452B (zh) * | 2020-06-30 | 2021-06-01 | 河海大学 | 一种滑坡堰塞坝应急处置的视频实时监测方法 |
| KR102308526B1 (ko) * | 2021-05-03 | 2021-10-06 | 한국토코넷(주) | 홍수 예측 시스템 |
| KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
-
2021
- 2021-10-25 KR KR1020210142651A patent/KR102374004B1/ko active IP Right Grant
-
2022
- 2022-03-08 KR KR1020220029352A patent/KR102442723B1/ko active IP Right Grant
- 2022-03-08 KR KR1020220029353A patent/KR102479804B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| KR101688412B1 (ko) * | 2015-09-01 | 2016-12-21 | 주식회사 에스원 | 종속 변수의 예측 모델링 방법 및 시스템 |
| KR101751020B1 (ko) | 2015-12-08 | 2017-07-11 | 한국해양과학기술원 | 다중 위성 기반 위험유해물질 연속 탐지 방법 및 장치 |
| KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114705249A (zh) * | 2022-04-11 | 2022-07-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的污染物排放量监测方法及相关设备 |
| CN114705249B (zh) * | 2022-04-11 | 2024-04-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的污染物排放量监测方法及相关设备 |
| CN115493669A (zh) * | 2022-11-03 | 2022-12-20 | 珠江水利委员会珠江水利科学研究院 | 一种红树林生物量体积的测量方法 |
| CN115655206A (zh) * | 2022-12-09 | 2023-01-31 | 富视达技术(武汉)有限公司 | 基于多视觉位移测量设备的测量数据联合解算系统及方法 |
| CN115983495A (zh) * | 2023-02-20 | 2023-04-18 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
| CN115983495B (zh) * | 2023-02-20 | 2023-08-11 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
| CN117314705A (zh) * | 2023-10-11 | 2023-12-29 | 青海省生态环境监测中心 | 一种基于遥感影像的环境综合评估预测方法 |
| CN117314705B (zh) * | 2023-10-11 | 2024-04-16 | 青海省生态环境监测中心 | 一种基于遥感影像的环境综合评估预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102442723B1 (ko) | 2022-09-14 |
| KR102479804B1 (ko) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102374004B1 (ko) | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 | |
| US10019658B2 (en) | Identifying visual storm signatures from satellite images | |
| Rossi et al. | Optimal landslide susceptibility zonation based on multiple forecasts | |
| KR102374002B1 (ko) | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 | |
| Jeon et al. | Partially supervised classification using weighted unsupervised clustering | |
| CN104424466A (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
| Sameen et al. | A Two‐Stage Optimization Strategy for Fuzzy Object‐Based Analysis Using Airborne LiDAR and High‐Resolution Orthophotos for Urban Road Extraction | |
| Falahatkar et al. | Integration of remote sensing data and GIS for prediction of land cover map | |
| US11255678B2 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
| Foga et al. | Application of satellite remote sensing techniques to quantify terminus and ice mélange behavior at Helheim Glacier, East Greenland | |
| CN104820841A (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| Alam et al. | Automatic assessment and prediction of the resilience of utility poles using unmanned aerial vehicles and computer vision techniques | |
| Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
| CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
| CN103310235A (zh) | 一种基于参数识别与估计的隐写分析方法 | |
| Niemi et al. | A simple and effective method for quantifying spatial anisotropy of time series of precipitation fields | |
| Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
| Oga et al. | River state classification combining patch-based processing and CNN | |
| Xu et al. | Change detection on SAR images by a parametric estimation of the KL-divergence between Gaussian mixture models | |
| CN117095198A (zh) | 遥感图像检索网络训练方法、应用方法、电子设备及介质 | |
| Millard et al. | Automated surface water detection from space: a Canada-wide, open-source, automated, near-real time solution | |
| Zhu et al. | A sparse topic relaxion and group clustering model for hyperspectral unmixing | |
| Wolters et al. | Classification of large-scale remote sensing images for automatic identification of health hazards: Smoke detection using an autologistic regression classifier | |
| Pesaresi et al. | Quantitative estimation of settlement density and limits based on textural measurements | |
| Kanevski | A methodology for automatic analysis and modeling of spatial environmental data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |