KR102399089B1 - 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 - Google Patents
인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102399089B1 KR102399089B1 KR1020220006872A KR20220006872A KR102399089B1 KR 102399089 B1 KR102399089 B1 KR 102399089B1 KR 1020220006872 A KR1020220006872 A KR 1020220006872A KR 20220006872 A KR20220006872 A KR 20220006872A KR 102399089 B1 KR102399089 B1 KR 102399089B1
- Authority
- KR
- South Korea
- Prior art keywords
- area
- flood
- module
- information
- threshold value
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims description 51
- 230000008859 change Effects 0.000 claims abstract description 148
- 238000012937 correction Methods 0.000 claims abstract description 61
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000012876 topography Methods 0.000 claims abstract description 15
- 230000010365 information processing Effects 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 18
- 238000012795 verification Methods 0.000 description 16
- 238000006424 Flood reaction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000002352 surface water Substances 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000010809 marine debris Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06T5/001—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템은, 홍수피해 탐지지역에 대한 복수의 간섭레이더(InSAR) 영상(Image)을 기초로, 상기 탐지지역의 지형변화 여부를 복소 공분산 상관계수의 진폭으로 정의되는 긴밀성을 이용하여 검출하는 지형변화 탐지부; 및 상기 탐지지역의 수계지역, 고지대 및 경사지대 중 적어도 어느 하나를 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 출력결과 보정부;를 포함하고, 상기 지형변화 탐지부는 기계학습에 의한 임계 값을 결정하여 검출된 긴밀성 값을 검증하고, 상기 홍수 피해 영역은 상기 출력결과 보정부를 거친 영상으로 결정되는 것을 특징으로 한다.
Description
본 발명은 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 인공위성 영상의 신뢰도를 향상시키기 위해 기계학습 모델을 생성, 출력 결과 보정 및 결과 검증을 하는 홍수 피해 탐지 시스템 및 그 방법에 관한 것이다.
세계적으로 우주 산업이 발전하면서 위성 정보를 이용하는 진입장벽은 낮아지고 있다. 그리고 최근에는 우주산업 중 지리공간 분석 산업이 성장하고 있다. 일례로, 세계 각국의 위성 개발 사업으로 고해상도의 인공위성 영상정보가 합리적인 가격으로 쉽게 획득할 수 있게 되었다.
한편, 홍수, 지진 등과 같은 재해 또는 재난 발생시, 직접적인 피해를 받는 재난 당사자가 발생할 뿐만 아니라, 세계 각지에는 수많은 이해관계자가 발생할 수 있다. 예를 들어, 상기 이해관계자는 국제기구, 국가정부, 투자기관, 연구기관, 기업경영인, 금융 투자자 등으로 이해할 수 있다.
상술한 이해관계자들은 홍수와 같은 재난 또는 재해에 민감한 대응이 요구된다. 그러나, 종래의 상기 이해관계자들은 재난 또는 재해가 발생된 국가의 통계자료와 언론 보도를 기초로 의사 결정을 하였다. 이 경우, 빠른 대응과 판단이 필요함에도 불구하고 재난 발생 국가의 통계자료가 발부될 때까지 긴 시간을 허비하게 되거나, 부정확한 뉴스 정보에 잘못된 결정을 내릴 수 있는 문제가 있다.
또한, 이미 이해관계자들의 의사결정이 필요한 시점을 한참 지나서야 재난이 발생된 국가에서 정확한 통계나 피해 정보를 공개하기 때문에, 상기 이해관계자들은 빠르고 즉각적인 대응 시점을 놓치는 문제가 있다. 더욱이, 경제 및 산업 상황을 투명하게 공개하지 않는 일부 국가의 공개 자료는, 실제 피해 상황과 다른 사례가 많기 때문에 정보의 신뢰성에도 문제가 있을 수 있다.
또한, 부정확한 정보와 부정확한 자료에 기댄 이해관계자들의 의사결정으로 인하여, 예상치 못한 큰 피해가 유발될 수 있는 위험이 있다.
또한, 상술한 재난 또는 재해에 대해서는 정보의 독점 및 정보에 대한 비싼 가격 때문에 특정 소수에게만 정확한 정보로의 접근이 허용된다는 문제가 있다. 결국, 재난 또는 재해에 대한 정보의 비대칭성은 또 다른 수많은 사회 문제를 야기시킬 수 있다.
이에 따라, 인공위성 영상정보를 이용한 지리공간 분석의 필요성이 높아지고 있다.
한편, 매일 새롭게 업데이트되는 수많은 인공위성 영상정보를 수작업으로 분석 및 분류하기 위해서는 수많은 인력과 시간이 소모되는 문제가 있다.
그러나, 최근 기계학습(machine learning) 기반 인공위성 이미지 빅데이터 분석이나, 다양한 레이어 층의 알고리즘을 활용한 신뢰도 높은 결과값을 제공하는 방법이 공개되어 상기 인공위성 영상정보를 빠르고 정확하게 분석 및 분류할 수 있는 환경이 조성되고 있다. 이와 관련된 선행문헌정보는 아래와 같다.
원격탐사 원리와 방법, 이규성, 씨아이알, 2021년 07월 22일, 215~288쪽
본 발명의 목적은 상술한 문제를 해결할 수 있는 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 다른 목적은, 인공위성 영상정보를 이용하여 지구상에 발생하는 홍수와 같은 자연 재난을 실시간으로 탐지하고, 피해 정보를 정확하게 파악할 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은, 기계학습에 기반한 인공위성 영상정보의 분석 결과를 기초로, 보다 정확하고 다양한 사회, 경제, 환경 등의 지표를 생성할 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 자연 재난, 재해 등에 대한 세계 각지의 이해관계인들에게 현재의 재난, 재해 상황에 대한 이해를 신속하게 제공할 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 수많은 인공위성 영상정보를 기계학습을 이용한 지리정보 분석으로 빠르게 처리할 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 재해 또는 재난에 대한 정보의 비대칭성 해소하는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 인공위성 영상정보로부터 지형변화 탐지에 대한 신뢰성을 높일 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 탐지된 지형변화로부터 다양한 보정 및 검증으로 홍수 피해에 대한 신뢰성을 높일 수 있는 홍수 피해 탐지 시스템 및 그 방법을 제공하는 것이다.
상기한 목적을 달성하기 위하여, 본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템은, 홍수피해 탐지지역에 대한 복수의 간섭레이더(InSAR) 영상(Image)을 기초로, 상기 탐지지역의 지형변화 여부를 복소 공분산 상관계수의 진폭으로 정의되는 긴밀성을 이용하여 검출하는 지형변화 탐지부; 및 상기 탐지지역의 수계지역, 고지대 및 경사지대 중 적어도 어느 하나를 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 출력결과 보정부;를 포함하고, 홍수 피해 영역은 상기 출력결과 보정부를 거친 영상으로 결정되는 것을 특징으로 한다.
또한, 상기 출력결과 보정부는, 상기 수계지역에서 검출된 지형변화를 제거해주는 수계지역 보정모듈; 상기 고지대 영역에서 검출된 지형변화를 제거해주는 고지대 보정모듈; 및 상기 경사지대 영역에서 검출된 지형변화를 제거해주는 경사지대 보정모듈을 포함할 수 있다.
또한, 상기 고지대 보정모듈은 상기 탐지지역의 평균 해발 고도 보다 미리 설정된 높이(α)만큼 더 높은 고도의 영역을 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 것을 특징으로 한다.
또한, 상기 경사지대 보정모듈은 미리 설정된 경사도 이상을 가지는 영역을 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 것을 특징으로 한다.
또한, 상기 고지대 보정모듈 및 상기 경사지대 보정모듈은, 디지털 수치표고 모델(Digital elevation model) 데이터를 기초로 수행되는 것을 특징으로 한다.
또한, 상기 지형변화 탐지부는, 상기 탐지지역의 인공위성 영상를 수신하는 위성 영상정보 수신모듈; 및 상기 위성 영상정보 수신모듈로 수신된 영상에서 긴밀성 값을 산출하여 지형변화를 검출하는 수신정보 처리모듈;을 포함할 수 있다.
또한, 상기 긴밀성은 0과 1사이의 값으로 산출되어 0에 가까울수록 지형변화의 정도가 큰 것으로 정의될 수 있다.
또한, 상기 지형변화 탐지부는, 상기 수신정보 처리모듈에서 검출된 긴밀성 값 중 오류에 의한 긴밀성 값을 제거하기 위한 임계 값을 결정하는 임계 값 결정모듈; 및 상기 결정된 임계 값을 기준으로 상기 수신정보 처리모듈에서 검출된 긴밀성 값을 0 또는 1로 이진화하여 출력하는 임계 값 적용 출력모듈;을 더 포함할 수 있다.
또한, 상기 임계 값 적용 출력모듈은, 상기 검출된 긴밀성 값이 상기 임계 값 보다 작으면 0으로 출력하여 지형변화로 판단하고, 상기 검출된 긴밀성 값이 상기 임계 값 보다 크면 1로 출력하여 지형변화가 아닌 것으로 판단하는 것을 특징으로 한다.
또한, 상기 출력결과 보정부는, 상기 임계 값 적용 출력모듈에서 출력된 임계 값 적용 영상을 기초로 보정을 수행할 수 있다.
또한, 상기 임계 값 결정모듈은 기계학습을 기반으로 임계 값을 결정하는 것을 특징으로 한다.
또한, 상기 임계 값 결정모듈은, 신호잡음, 사이드로브 및 일시적(temporal) 현상 중 적어도 어느 하나를 원인으로 하는 오류 영상을 학습데이터로 입력하는 데이터입력부; 상기 학습데이터에서 긴밀성 값을 산출하고 상기 산출된 긴밀성 값들의 정규 분포를 생성하는 모델로, 학습이 수행되는 기계학습부; 상기 기계학습부에서 학습된 모델의 정규분포에서 미리 설정된 확률을 만족하는 긴밀성 값의 구간이 출력되는 데이터출력부를 포함할 수 있다.
또한, 상기 미리 설정된 확률은, 95% 내지 99%인 것을 특징으로 한다.
또한, 상기 임계 값 결정모듈은, 상기 데이터출력부에서 출력된 긴밀성 값의 구간에서 최소 긴밀성 값을 임계 값으로 결정할 수 있다.
또한, 상기 데이터출력부는 오류 원인 집단별 정규분포에서 긴밀성 값의 구간을 각각 출력하며, 상기 임계 값 결정모듈은 상기 각각의 긴밀성 값 구간마다 최소 긴밀성 값을 추출한 후 각각의 최소 긴밀성 값의 평균 값을 임계 값으로 결정할 수 있다.
또한, 홍수 발생 지역이나 홍수 발생 위험 지역을 선정하기 위한 재난 발생정보 수집부를 더 포함하며, 상기 재난 발생정보 수집부는 국가기관의 발표 정보, 주요 언론사의 뉴스에 의해 수신되는 재난 발생 정보, 국제기구 유엔 산하 재난정보시스템 GDACS (Global Disaster Alert and Coordination System)에서 수신되는 정보 및 온라인 상에서 미리 설정된 토픽에 대한 검색량 또는 업로드량 또는 트래픽량을 기초로 수신되는 정보 중 적어도 어느 하나의 정보를 기초로 상기 홍수피해 탐지지역을 결정할 수 있다.
또한, 상기 미리 설정된 토픽은, 홍수와 연관된 형태소 말뭉치(morpheme corpus)인 것을 특징으로 한다.
또한, 상기 재난 발생정보 수집부는, 상기 재난 발생정보와 상기 온라인 상에서 미리 설정된 토픽에 대한 정보를 수신하는 통신정보 수신모듈; 상기 통신정보 수신모듈에서 수신된 정보를 분석하여 상기 홍수피해 탐지지역을 결정하는 정보분석모듈; 및 상기 정보분석모듈에서 결정된 홍수피해 탐지지역을 상기 지형변화 탐지부로 송신하는 탐지지역 송신모듈을 포함할 수 있다.
또한, 상기 검출된 지형변화가 홍수에 의한 것인지 검증하는 후처리부를 더 포함하며, 상기 후처리부는, 국소적으로 발생된 지형변화를 거짓으로 판정하여 홍수에 의한 지형변화 값에서 제외하는 것을 특징으로 한다.
또한, 상기 후처리부는 상기 출력결과 보정부에서 출력된 영상에서 지형변화로 검출된 픽셀을 선정하는 픽셀선정모듈; 및 상기 픽셀선정모듈에 의해 선정된 픽셀을 중심으로 윈도우를 지정하여 홍수에 의한 지형변화인지 판단하는 판정모듈을 포함할 수 있다.
또한, 상기 윈도우는 9개 픽셀을 포함하는 3 by 3 사각 형태를 가질 수 있다.
또한, 상기 판정모듈은, 홍수의 범람이 산발적이지 않고 지형의 영향을 받아 밀접한 영역에서 연속적, 높은 밀도, 지역 밀집적으로 일어나는 특징을 이용하도록, 상기 중심 픽셀의 주위 픽셀 중 지형변화가 검출된 픽셀이 6개 이상인 경우에 홍수에 의한 지형변화로 판단하고, 6개 미만의 경우에 상기 중심 픽셀은 출력된 지형변화 영상에서 제거되는 것을 특징으로 한다.
또한, 상기 결정된 홍수 피해 영역을 기초로 각종 재난 정보를 생성하는 재난정보 생성부를 더 포함하며, 상기 재난정보 생성부는 지형변화로 검출된 결과 값의 픽셀의 면적을 합산하여 홍수에 의한 범람면적을 출력하는 범람면적 계산모듈;을 포함할 수 있다.
또한, 상기 재난정보 생성부는, 상기 출력된 범람면적에 기초하여 GIS (geographic information system) 데이터를 이용해 홍수 피해에 노출된 도시 면적을 제공하는 도심정보 생성모듈; 및 상기 출력된 범란면적에 기초하여 상기 GIS 데이터를 이용해 홍수 피해에 노출된 인구 수를 제공하는 인구정보 생성모듈를 더 포함할 수 있다.
또한, 상기 GIS 데이터를 적용하는 레이어는 재투영 방식으로 새로운 래스트 레이어에 표시되는 것을 특징으로 한다.
또한, 상기 재난정보 생성부는, 상기 GIS 데이터를 이용해 홍수 피해에 노출된 경작지 면적을 제공하는 작물량정보 생성모듈을 더 포함할 수 있다.
또 다른 관점에서, 본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 방법은, 홍수 발생 여부와 발생 위험을 판단하여 탐지할 지역을 결정하는 홍수 탐지지역 결정 단계; 상기 결정된 탐지지역의 간섭레이더를 이용한 영상정보를 획득하는 단계; 상기 영상정보에서 공분산 상관계수(complex correlation coefficient, γ)에 의해 정의되는 긴밀성 기법을 이용하여 상기 결정된 탐지지역의 지형변화를 검출하는 단계; 상기 검출된 지형변화의 오류를 제거하기 위해 기계학습을 이용한 임계 값을 결정하는 단계; 상기 결정된 임계 값을 상기 지형변화 탐지 결과 영상에 적용하는 임계 값 적용 및 출력 단계; 및 상기 임계 값이 적용되어 출력된 영상에서 수계지역, 고지대 및 경사지대 중 적어도 어느 하나를 제거하는 출력결과 보정 단계를 포함할 수 있다.
또한, 상기 임계 값 적용 및 출력 단계는, 상기 결정된 임계 값 보다 작은 긴밀성 값을 가지면 0으로 처리하여 지형변화로 판단하고, 상기 결정된 임계 값 보다 큰 긴밀성 값을 가지면 1로 처리하여 지형변화가 아닌 것으로 판단할 수 있다.
또한, 상기 임계 값 결정 단계는, 데이터입력부로 간섭레이더의 오류와 관련된 학습데이터가 입력되는 학습데이터 수집 단계; 입력된 학습데이터에서 긴밀성 값을 산출하고, 산출된 긴밀성 값들의 정규분포를 생성하는 모델을 학습하는 단계; 상기 학습된 모델의 정규분포에서 미리 설정된 확률을 만족하는 긴밀성 값의 구간을 출력하는 단계; 및 출력된 긴밀성 값의 구간에서 최소 값 또는 최소 값들의 평균 값을 임계 값으로 결정하는 단계를 더 포함할 수 있다.
또한, 상기 홍수 피해 탐지 방법은, 홍수 피해에 의한 지형변화가 연속적으로 연결되는 특징에 근거하여 상기 보정 단계를 거친 영상을 검증하는 검증 단계; 상기 검증 단계를 거친 지형변화 검출영역을 최종 홍수 피해 영역으로 결정하는 홍수 피해 영역 확정 단계; 및 상기 홍수 피해 영역을 기초로 지리 정보 데이터를 조합하여 다양한 재난 정보를 생성하는 재난정보 생성 단계를 더 포함할 수 있다.
상술한 본 발명을 따르면, 인공위성 영상정보를 활용하여 지구상에서 발생하는 홍수의 탐지 및 피해정보의 예측에 대한 접근성, 정확성, 신뢰성을 향상시킬 수 있다.
또한, 인공위성 영상정보를 이용하여 원하는 장소와 시간에 대한 재난 또는 재해 데이터를 빠르고 정확하게 획득함으로써 기업 경영인, 정부 관계자, 국제기구, 금융 투자자 등 환경적 변수에 민감하게 의사 결정을 내려야 하는 이용자들의 판단에 도움을 줄 수 있다.
또한, 인공위성 영상정보는 세계 각국의 사회, 경제 시설을 파악하는데 제약이 없으므로 의사 결정이 필요한 세계 각지의 이해관계인들에게 가치 있는 정보를 빠르게 제공할 수 있다.
또한, 특정 소수 집단에게만 접근이 용이했던 폐쇄적인 재난 정보를 개방적으로 제공할 수 있기 때문에, 정보의 비대칭성을 해소할 수 있다.
또한, 수많은 인공위성 영상정보를 기계학습에 기반한 긴밀성 분석 기법으로 빠르게 처리할 수 있다.
또한, 인공지능(AI)을 사용해 방대한 양의 위성 영상 빅데이터(Bigdata)를 분석하는 알고리즘을 제공됨으로써 신뢰성이 향상된 결과 값을 출력할 수 있고, 상기 결과 값을 다양하게 가공하여 사회, 경제 지표로 활용할 수 있다.
도 1은 본 발명의 실시예에 따른 인공위성 영상 정보를 이용한 홍수 피해 탐지 시스템의 블록도이다.
도 2는 본 발명의 실시예에 따른 홍수 피해 탐지 방법에 대한 플로우 차트이다.
도 3은 도 2의 기계학습을 이용한 임계 값 결정 단계(S40)에 대한 플로우 차트이다.
도 4a는 본 발명의 실시예에 따른 임계 값 적용 전의 지형변화 탐지 이미지이다.
도 4b는 본 발명의 실시예에 따른 임계 값 적용 후의 지형변화 탐지 이미지이다.
도 5a는 본 발명의 실시예에 따른 수계지역 제거 보정 전의 지형변화 탐지 이미지이다.
도 5b는 본 발명의 실시예에 따른 수계지역 제거 보정 후의 지형번화 탐지 이미지이다.
도 6은 본 발명의 실시예에 따른 탐지된 홍수 피해 영역 및 관련 피해 예측정보를 보여주는 결과 이미지이다.
도 2는 본 발명의 실시예에 따른 홍수 피해 탐지 방법에 대한 플로우 차트이다.
도 3은 도 2의 기계학습을 이용한 임계 값 결정 단계(S40)에 대한 플로우 차트이다.
도 4a는 본 발명의 실시예에 따른 임계 값 적용 전의 지형변화 탐지 이미지이다.
도 4b는 본 발명의 실시예에 따른 임계 값 적용 후의 지형변화 탐지 이미지이다.
도 5a는 본 발명의 실시예에 따른 수계지역 제거 보정 전의 지형변화 탐지 이미지이다.
도 5b는 본 발명의 실시예에 따른 수계지역 제거 보정 후의 지형번화 탐지 이미지이다.
도 6은 본 발명의 실시예에 따른 탐지된 홍수 피해 영역 및 관련 피해 예측정보를 보여주는 결과 이미지이다.
이하, 본 발명의 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명의 사상이 제시되는 실시예에 제한된다고 할 수 없으며, 또 다른 구성요소의 추가, 변경, 삭제 등에 의해서, 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있다.
이하에서는 본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템(1)에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 인공위성 영상 정보를 이용한 홍수 피해 탐지 시스템의 블록도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템(1)은, 홍수 발생 지역이나 홍수 발생 위험 지역을 선정하기 위한 재난 발생정보 수집부(10)를 포함할 수 있다.
상세히, 상기 재난 발생정보 수집부(10)는 재난 관련 정보를 수신하기 위한 통신정보 수신모듈(11), 상기 통신정보 수신모듈(11)에서 수신된 정보를 분석하기 위한 정보분석모듈(12) 및 상기 정보분석모듈(12)에서 결정된 탐지지역을 송신하는 탐지지역 송신모듈(13)을 포함할 수 있다.
상기 재난 발생정보 수집부(10)는 국가기관(예를 들어, 기상청)의 발표, 주요 언론사의 뉴스 등에 의한 재난 발생정보를 수신할 수 있다. 일례로, 상기 통신정보 수신모듈(11)은 어느 일 국가기관에서 발표하는 예보 또는 특보를 수신하여 홍수 발생 여부를 예측할 수 있는 정보를 수신할 수 있다. 또한, 상기 통신정보 수신모듈(11)은 주요 언론사의 뉴스 속보 등을 기초로 홍수 발생 여부를 예측할 수 있는 정보를 수신할 수 있다.
또한, 상기 재난 발생정보 수집부(10)는, 국제기구 유엔 산하 재난정보시스템 GDACS (Global Disaster Alert and Coordination System)으로부터 홍수 발생 위치와 홍수 발생 시간 데이터를 수신할 수 있다.
상기 유엔 산하 재난정보시스템(GDACS)은, RSS(RDF Site Summary or Really Simple Syndication) 형태의 포맷을 제공함으로써 실시간으로 재난이 발생한 위치, 시간, 규모 등을 제공한다. 따라서, 상기 재난 발생정보 수집부(10)는 상기 유엔 산하 재난정보시스템의 제공 정보를 실시간으로 수신하여 특정 지역의 홍수 발생 여부에 대한 판단과, 홍수 발생의 위치 및 홍수 발생 시간을 수신 받을 수 있다.
또한, 상기 재난 발생정보 수집부(10)는, 온라인 상에서 미리 설정된 토픽에 대한 트래픽량이 급격히 증가하는 경우 이와 관련된 정보를 수신할 수 있다. 예를 들어, 상기 재난 발생정보 수집부(10)는, 온라인 상에서 미리 설정된 토픽에 대한 검색량 또는 업로드량이 급격히 증가하는 경우에 홍수에 관련된 정보가 분류되는 서버로부터 관련 정보를 수신할 수 있다.
상기 미리 설정된 토픽은 홍수와 관련된 단어나 문장 등일 수 있다. 그리고 온라인 상에서 상기 홍수와 연관된 단어, 문장 등의 검색량 또는 업로드량이 급격히 증가하는 경우, 상기 통신정보 수신모듈(11)은 상기 급격히 증가한 SNS의 장소, 위치, 국가, 지역 관련 데이터를 수신할 수 있다. 즉, 상기 데이터에는 연관된 단어나 문장을 언급한 다수의 접속계정의 공통된 지역 정보, 다수가 언급하는 위치 정보 등을 포함할 수 있다.
상기 SNS 서비스란 특정한 관심이나 활동을 공유하는 사람들 사이의 관계망을 구축해 주는 온라인 서비스를 말한다. 상기 SNS 서비스는 단문형 SNS 및 장문형 SNS를 포함한다. 단문형 SNS로는 페이스북(Facebook), 트위터(Twitter) 및 인스타그램(Instagram)을 예로 들 수 있다. 장문형 SNS로는 블로그를 예로 들 수 있다.
상기 SNS 서비스에서 생성되는 정보가 수신되는 서버(미도시)는, 온라인 상의 빅 데이터(Big data)를 실시간으로 수집할 수 있다. 따라서, 상기 서버는 수집된 빅 데이터로부터 사용자의 토픽을 추출할 수 있다.
여기서, 상기 사용자의 토픽은 재해, 재난, 홍수, 범람, 물 난리, 침수 등과 같은 홍수와 연관된 형태소 말뭉치(morpheme corpus)로 미리 설정될 수 있다.
즉, 홍수와 관련된 사용자의 토픽이 온라인 상에 급격히 증가하면, 상기 서버는 상기 사용자의 토픽을 대량으로 검색한 접속계정들의 위치 정보와 상기 사용자의 토픽에서 대량으로 언급하는 국가, 지역, 명소 등의 정보를 수집하여 상기 통신정보 수신모듈(11)로 송신할 수 있다.
상기 정보분석모듈(12)은 상기 통신정보 수신모듈(11)에서 수신된 홍수 발생 정보 및 각종 정보를 수신함으로써 홍수 발생 지역, 홍수 위험 지역, 홍수 주의 예보 지역 등으로 분류할 수 있다. 일례로, 상기 정보분석모듈(12)은 홍수 발생 지역으로 분류된 결과 값은 그대로 탐지지역 송신모듈(13)로 제공할 수 있다. 또한, 상기 정보분석모듈(12)은 홍수 위험 지역(또는, 홍수 예보 지역이라 할 수 있다.)에 대한 정보를 지속적으로 업데이트 하면서 홍수 발생 지역으로 분류될 때까지 추적할 수 있다.
즉, 상기 정보분석모듈(12)은 홍수 피해가 발생된 지역 또는 홍수 피해가 발생할 가능성이 있는 지역을 결정하기 위한 모듈로 이해할 수 있다.
일례로, 상기 정보분석모듈(12)은 국가기관 또는 언론사에서 발표하는 홍수발생 특보로부터 홍수 발생 지역을 분류할 수 있다. 또한, 상기 정보분석모듈(12)은 SNS 서비스를 통해 수집된 정보를 기초로 기상 이변 등의 이유로 홍수 위험이 높은 지역의 정보를 지속적으로 추적하고, 상기 추적하는 지역의 홍수 발생 위험도가 미리 설정된 기준 이상으로 높아졌을 때 홍수 발생 지역으로 분류할 수 있다.
또 다른 예로, 상기 정보분석모듈(12)은 온라인 상의 빅 테이터로부터 수집된 정보에 기초하여 홍수 발생 지역을 분류할 수 있다.
그리고 상기 홍수 발생 지역은 홍수피해 탐지지역으로 결정될 수 있다.
상기 탐지지역 송신모듈(13)은 상기 정보분석모듈(12)에서 결정된 홍수피해 탐지지역을 제공받아 지형변화 탐지부(20)로 송신할 수 있다.
상기 홍수 피해 탐지 시스템(1)은 상기 재난 발생정보 수집부(10)에서 결정된 홍수피해 탐지지역의 지형변화를 탐지하는 지형변화 탐지부(20)를 더 포함할 수 있다.
상기 지형변화 탐지부(20)는, 상기 탐지지역 송신모듈(13)로부터 수신된 홍수 피해 탐지지역을 서로 다른 시간 때의 영상레이더로 촬영한 복수의 위성영상을 수신할 수 있다.
그리고 상기 지형변화 탐지부(20)는 상기 수신된 복수의 위성영상을 기초로 탐지지역의 지형변화 여부를 판단 또는 검출할 수 있다. 여기서, 상기 지형변화는 홍수에 의한 지형변화를 포함할 수 있다.
상세히, 상기 지형변화 탐지부(20)는, 수신된 홍수피해 탐지지역의 인공위성 영상(또는, “이미지”라고도 할 수 있다.)를 수신하는 위성 영상정보 수신모듈(21), 상기 위성 영상정보 수신모듈(21)로 수신된 영상정보에서 지형변화를 검출하는 수신정보 처리모듈(22)을 포함할 수 있다.
인공위성 영상은 주기적으로 같은 지역을 반복 촬영할 수 있다. 상기 인공위성 영상은 가시광선을 이용하는 광학영상과 전자기파를 이용하는 영상레이더로 구분할 수 있다. 상기 영상레이더는 반사된 마이크로파의 강도에 따라 영상신호가 결정된다.
여기서, 상기 마이크로파는 대기 산란 효과의 영향을 받지 않으며 주, 야간에도 영상을 획득할 수 있고 어떤 기상조건에도 작동 가능하기 때문에, 주로 인공위성 영상은 영상레이더에 의해 획득될 수 있다.
한편, 영상레이더 중 합성구경레이더(Synthetic Aperture Radar, SAR)는 동일한 지점에 여러 마이크로파 펄스를 송신하고 여러 개의 반사파를 수신할 수 있다. 그리고 상기 여러 개의 반사파에서 나타나는 도플러 효과를 이용하여 실제보다 훨씬 좁은 빔폭 효과를 얻을 수 있는 레이더이다.
본 발명의 실시예에 따른 인공위성 영상정보는, 간섭레이더(Interferometric SAR, InSAR)를 이용한 영상정보로 획득될 수 있다.
상기 간섭레이더는 3차원 지형자료, 고도 측량, 지진이나 화산으로 인한 지형변화 및 움직임, 산림의 생체량, 해수면의 파랑 등에 관한 정보를 획득하는데 사용될 수 있다.
즉, 상기 위성 영상정보 수신모듈(21)은 상기 간섭레이더(InSAR)에 의한 영상정보를 수신할 수 있다. 그리고 상기 위성 영상정보 수신모듈(21)은 상기 간섭레이더에 의한 동일지역의 다른 시간 때에 촬영된 복수의 영상정보를 수신할 수 있다.
일례로, 상기 복수의 영상정보는 홍수발생 전 시점의 영상정보와 홍수발생 후 시점의 영상정보일 수 있다. 또는, 상기 복수의 영상정보는 과거 일반적인 날씨의 영상정보와, 지형에 물이 차오르기 시작하는 시간부터 배수되는 시간까지의 영상정보일 수도 있다.
상기 간섭레이더는 지표면에서 반사된 마이크로파의 위상각(phase angle)의 복소 상관 계수(complex correlation coefficient)를 이용하여 정보를 추출하는데 이용될 수 있다.
일례로, 상기 간섭레이더는 동일한 지역을 안테나 위치가 다른 두 장의 레이더영상에 기록된 위상차(phase difference)를 이용하여 지형변화 등에 관한 정보를 얻을 수 있다.
여기서, 안테나 위치가 다른 두 장의 레이더영상은 동일 지역을 다른 시간 때 인공위성이 촬영한 반복방식의 레이더 영상으로 이해할 수 있다. 즉, 상기 간섭레이더는 동일지점에서 반사된 두 마이크로파의 위상차를 이용하여 변화 정보를 추출할 수 있다.
구체적으로, 지형변화를 탐지하기 위한 간섭레이더(InSAR)의 기법은, 두 개의 간섭레이더 영상의 복소수 형태의 공분산 상관계수(complex correlation coefficient, γ)를 이용하는 방법이다.
여기서, 복소 상관계수의 진폭(amplitude)은 긴밀성(coherence, ρ=|γ|)이고, 이를 이용하여 생성된 2차원 긴밀성(coherence) 이미지를 제공할 수 있다.
상기 긴밀성(ρ)은 두 개의 간섭레이더 영상의 일관성을 나타내는 정량적 수치이다. 즉, 상기 긴밀성(ρ)은 두 영상 간의 지형변화의 정도를 탐지할 수 있는 수치로 활용할 수 있다. 아래 수학식 1은 상기 긴밀성(ρ)을 산출하는 식이다.
여기서, s1과s2는 두 복소 상관계수이다.
상기 수학식 1을 참조하면, 긴밀성(ρ) 값이 0이면 상관도가 없음을 의미하고, 긴밀성(ρ) 값이 1이면 일치함을 의미한다.
즉, 동일한 지역을 다른 시간에 촬영한 두 영상의 긴밀도가 0에 가까워진다면(또는 낮을수록) 지형변화로 판단되어 산사태, 지진, 홍수 등과 같은 재해 또는 재난을 탐지할 수 있을 것이다.
이하에서, 상술한 긴밀성 값에 의해 지형변화를 탐지하는 기법은 긴밀성 기법이라 이름할 수 있다.
상기 수신정보 처리모듈(22)은 상기 수신된 간섭레이더의 복수의 영상정보로부터 상기 긴밀성 기법을 이용하여 지형변화를 검출할 수 있다.
한편, 상술한 간섭레이더의 정보추출 방식에 기인하여, 상기 간섭레이더의 기법에는 신호잡음, 사이드로브, 일시적(temporal) 현상 등도 값이 산출되어 지형 변화로 인식될 수도 있다. 이와 같은 값들은 ‘오류’라고 정의할 수 있다.
따라서, 보다 정확하고 실제적인 지형변화 정보를 획득하기 위해서는 상술한 오류를 바로잡는 과정이 필요할 것이다. 즉, 상기 긴밀성 기법을 통해 지형변화를 검출하기 위해서는 각각의 긴밀성 값에 대한 임계치 조정이 필요하다.
이와 관련하여, 상기 지형변화 탐지부(20)는 상기 수신정보 처리모듈(22)에서 발생된 오류를 제거하기 위한 임계 값 결정모듈(23) 및 상기 임계 값 결정모듈(23)에서 결정된 임계 값을 적용한 영상을 출력하는 임계 값 적용 출력모듈(24)을 더 포함할 수 있다.
상기 임계 값 결정모듈(23)은 간섭레이더의 방대한 영상 데이터에 기초하여 상술한 오류에 기인한 긴밀성 값의 범위를 결정하고, 상기 결정된 오류에 기인한 긴밀성 값의 범위 중 최소 값을 임계 값으로 결정할 수 있다. 일례로, 임계 값은 0.25로 결정될 수 있다.
한편, 상기 임계 값을 보다 정확하고 신뢰도를 높이기 위해, 본 발명의 실시예에 따른 임계 값 결정모듈(23)은 상술한 오류를 바로잡는 과정을 기계학습(machine learning) 모델로 구현할 수 있다.
즉, 상기 임계 값 결정모듈(23)은 기계학습 기반으로 상기 임계 값을 결정할 수 있다.
상세히, 상기 임계 값 결정모듈(23)은 학습데이터가 입력되는 데이터입력부(231), 입력된 학습데이터를 기초로 모델링된 학습을 수행하는 기계학습부(232), 상기 기계학습부(232)에서 학습된 모델에서 결과를 출력하는 데이터출력부(233)를 포함할 수 있다.
상기 데이터입력부(231)에는 상기 간섭레이더에 의한 방대한 양의 오류정보가 입력될 수 있다. 상기 오류정보는 상술한 오류를 발생시키는 원인 별 영상을 포함할 수 있다. 일례로, 신호잡음에 기인한 오류 발생시 나타나는 특징 또는 픽셀 또는 단위에 대한 영상을 상기 데이터입력부(231)에 입력할 수 있다.
상기 기계학습부(232)는 상기 데이터입력부(231)를 통해 입력된 학습데이터에서 긴밀성 값들을 산출하고 정규분포(또는 정규확률분포)를 생성하는 모델을 반복 학습할 수 있다.
즉, 상기 기계학습부(232)는 학습을 통해 상기 오류를 발생시키는 원인 별 집단을 구분할 수 있고, 상기 원인 별 집단에 대한 정규분포를 생성할 수 있다.
상기 데이터출력부(233)는 상기 기계학습부(232)에서 학습된 모델의 정규분포에서 미리 설정된 확률을 만족하는 긴밀성 값의 구간을 출력할 수 있다. 여기서, 상기 미리 설정된 확률은 95% 내지 99%로 설정될 수 있다.
일례로, 상기 데이터 출력부(233)는 신호 잡음 집단으로 분류되어 학습된 모델의 정규분포에서 확률 95%를 만족하는 긴밀성 값의 구간을 출력할 수 있다.
그리고 상기 임계 값 결정모듈(23)은 상기 출력된 긴밀성 값의 구간에서 임계 값을 결정할 수 있다.
일례로, 상기 임계 값 결정모듈(23)은 상기 신호 잡음 집단 정규분포에서 출력된 긴밀성 값의 구간에서 최소 긴밀성 값을 임계 값으로 결정할 수 있다.
또 다른 예로, 상기 임계 값 결정모듈(23)은 오류 원인 집단별 정규분포에서 출력된 각각의 긴밀성 값의 구간에서 각각의 최소 긴밀성 값의 평균 값을 임계 값으로 결정할 수 있다.
한편, 상기 임계 값 결정모듈(23)에 의해 임계 값이 결정되면, 상기 임계 값 적용 출력모듈(24)은 수신정보 처리모듈(22)에서 검출된 지형변화 영역이 표시된 영상에 상기 임계 값을 적용함으로써 상술한 오류를 제거할 수 있다.
즉, 상기 임계 값 적용 출력모듈(24)은 상기 결정된 임계 값 보다 작은 긴밀성 값을 가지는 픽셀 또는 단위를 홍수에 의한 지형변화를 의미하는 0으로 처리하고, 상기 결정된 임계 값 보다 큰 긴밀성 값을 가지는 픽셀 또는 단위를 홍수에 의한 지형변화가 없는 1로 처리할 수 있다.
즉, 상기 임계 값 적용 출력모듈(24)은 지형변화의 정도에 다라 산출된 0과 1사이의 긴밀성 값들을 0 또는 1로 이진화 할 수 있다. 이에 의하며, 오류가 지형변화에 개입될 확률도 최소화될 수 있다. (도 4a 및 도 4b 참고)
따라서, 상기 임계 값 적용 출력모듈(24)은 간섭레이더에 기인한 오류를 제거한 홍수에 의한 지형변화를 검출하여 홍수에 의한 범람 범위를 설정할 수 있다.
이에 의하면, 간섭레이더와 긴밀성 기법에 기인한 오류들을 상대적으로 높은 신뢰성과 정확성을 가지도록 결정된 임계 값에 의해 제거 처리될 수 있으므로, 지형변화 검출에 대한 신뢰성과 정확성을 향상시킬 수 있다.
한편, 홍수가 일어나기 전, 후의 인공위성 영상정보를 통해 획득한 낮은 긴밀성 값들은 모두 홍수에 의한 지형변화를 의미하는 것이 아니다. 상술한 바와 같이, 상기 상대적으로 낮은 긴밀성 값들은 상기 간섭레이더의 탐지 방식에 기인한 오류뿐만 아니라 자연 발생적인 이유에 의한 변화를 포함할 수도 있기 때문이다.
일례로, 상기 자연 발생적인 이유에는 하천, 호수, 저수기, 바다 등의 수계를 포함할 수 있다.
상기 수계 지역은 특정 시점 발생된 홍수에 의한 지형변화라고 볼 수 없으며, 홍수에 의한 피해가 발생되는 영역도 아니다.
이와 같이 홍수에 의해 피해가 발생되는 영역이 아닌 곳은 임계 값이 적용된 영상에서도 삭제될 필요가 있다.
따라서, 상기 홍수 피해 탐지 시스템(1)은 상기 지형변화 탐지부(20)의 출력결과를 보정해주는 출력결과 보정부(30)를 더 포함할 수 있다.
상기 출력결과 보정부(30)는 상술한 수계지역의 지형변화 검출을 제거해주는 수계지역 보정모듈(31), 고지대 영역의 지형변화 검출을 제거해주는 고지대 보정모듈(32) 및 경사지대 영역의 지형변화 검출을 제거해주는 경사지대 보정모듈(33)을 포함할 수 있다.
상기 수계지역 보정모듈(31)은 상술한 바와 같이 홍수에 의한 지형변화가 없는 영역으로 볼 수 있는 수계지역을 제거할 수 있다. 일례로, 상기 수계지역 보정모듈(31)은 최신 업데이트를 제공하는 JRC(EU 공동연구센터, Joint Research Center)에서 발행하는 세계 지표수 데이터를 기준으로 수계지역 제거를 수행할 수 있다.
여기서, JRC 글로벌 지표수 데이터는 해상도 30m이며, 전세계에 있는 연간 10개월 이상 물로 덮인 모든 영역의 조사자료를 공개된다.
상세히, 상기 수계지역 보정모듈(31)은 상기 JRC 글로벌 지표수 데이터 세트가 제공하는 자료로 수계지역을 정의하고, 상기 임계 값 적용 출력모듈(24)에서 출력된 영상에 상기 정의된 수계지역을 마스킹 기법으로 제거할 수 있다. (도 5a 및 도 5b 참고)
한편, 높은 지대에서 낮은 지대로 물이 흐르는 특성 상, 홍수에 의해 피해를 입는 지역은 상대적으로 저지대이다. 또한, 가파른 경사도를 가지는 지역은 물이 빠르게 흘러내려 가기 때문에 홍수에 의한 피해를 입기 매우 힘들다.
따라서, 상기 지형변화 탐지부(20)에서 출력된 임계 값 적용 영상에서 미리 설정된 고지대 영역과 미리 설정된 경사도를 가지는 골짜기 등의 경사 영역에서 지형변화가 검출된 것은 홍수 피해 영역으로 간주하기 어렵기 때문에 삭제될 필요가 있다.
즉, 상기 고지대 보정모듈(32)은 홍수가 발생한 탐지지역의 평균 해발 고도 보다 미리 설정된 높이(α)만큼 더 높은 고도의 영역을 상기 지형변화 탐지부(20)에서 출력된 임계 값 적용 영상에서 제거할 수 있다. 일례로, 상기 고지대 보정모듈(32)은 상기 임계 값 적용 출력모듈(24)에서 출력된 영상에서 탐지지역의 평균 해발 고도 보다 500m 이상 높은 영역의 지형변화 판단을 제거 또는 무시할 수 있다.
여기서, 미리 설정된 높이(α)는, 탐지지역의 최고 해발 고도와 최저 해발 고도 사이의 체적 모델에서 ‘가능 최대 강수량’으로 산출된 체적의 높이 보다 큰 값으로 설정할 수 있다.
또한, 상기 경사지대 보정모듈(33)은 미리 설정된 경사도 이상을 가지는 영역을 상기 지형변화 탐지부(20)에서 출력된 임계 값 적용 영상에서 제거할 수 있다.
일례로, 상기 미리 설정된 경사도는 3% 내지 5%로 설정될 수 있다. 즉, 상기 경사지대 보정모듈(33)은 상기 임계 값 적용 출력모듈(24)에서 출력된 영상에서 경사도 3% 내지 5% 이상을 가지는 경사 영역의 지형변화 판단을 제거 또는 무시할 수 있다.
결국, 상기 경사도 3% 내지 5% 이상을 가지는 경사 영역은 물이 빠르게 아래로 흘러내려가기 때문에 홍수에 의한 피해를 받기 어려운 지역으로 이해할 수 있다.
한편 상기 고지대 보정모듈(32) 및 상기 경사지대 보정모듈(33)은, 지표의 지형정보를 표현하는 수치 모형인 디지털 수치표고 모델(Digital elevation model, DEM) 데이터를 이용하여 상술한 제거 과정을 적용할 수 있다.
여기서, 상기 디지털 수치표고 모델은, 지형의 위치에 대한 고도를 일정한 간격으로 배열한 수치 정보며, 전세계 지형을 30m 해상도로 제공하는 SRTM(Shuttle Radar Topography Mission)데이터를 사용한다.
또한, 상기 홍수 피해 탐지 시스템(1)은 홍수에 의한 지형변화 검출을 검증하는 검증부(40)를 더 포함할 수 있다.
상기 검증부(40)는 후처리부로 이름할 수도 있다.
홍수에 의한 지형변화는 국소적으로 발생하지 않는다. 즉, 홍수에 의한 지형변화는 물의 흐름에 따라 상대적으로 광범위하고 연속적으로 나타나는 특징이 있다. 즉, 홍수의 범람은 산발적이지 않고, 지형의 영향을 받아 밀접한 영역에서 연속적, 높은 밀도, 지역 밀집적으로 일어나는 특징이 있다.
이러한 특징을 이용하여 상기 검증부(40)는 홍수에 의한 지형변화 검출을 참과 거짓으로 판정하고, 거짓으로 판정된 영역은 홍수 피해 영역 영상에서 제외할 수 있다.
상세히, 상기 검증부(40)는 상기 출력결과 보정부(30)에서 출력된 영상에서 지형변화로 검출된 픽셀을 선정하는 픽셀선정모듈(41) 및 상기 픽셀선정모듈(41)에 의해 선정된 픽셀을 참 또는 거짓으로 판정하는 판정모듈(42)을 포함할 수 있다.
상기 픽셀선정모듈(41)은 상기 출력결과 보정부(30)에서 출력된 지형변화 검출 영상에서 지형변화가 발생된 것으로 검출된 영역의 픽셀을 정의 및 선정하고, 총 9개 픽셀을 포함하는 윈도우를 지정할 수 있다.
여기서, 상기 9개의 픽셀의 중심에는 지형변화가 검출된 픽셀이 위치하고, 나머지 8개의 픽셀은 상기 중심픽셀을 둘러싸도록 위치된다.
상기 판정모듈(42)은 상기 픽셀선정모듈(41)에 의해 윈도우 내 중심 픽셀을 둘러싸는 주변 8개의 픽셀을 판단하여 상술한 연속성 또는 연결성을 평가할 수 있다.
일례로, 상기 판정모듈(42)은 상기 픽셀선정모듈(41)에서 선정된 지형변화 검출 영역의 픽셀을 중심으로 인접한 8개의 픽셀 중 6개 이상의 픽셀에서 지형변화가 검출된 경우에만 홍수에 의한 지형변화라고 판단할 수 있다. 그리고 상기 판정모듈(42)은 상기 인접한 8개의 픽셀 중 5개 이하의 픽셀에서 지형변화가 검출된 경우에 출력된 지형변화 검출 영상에서 제거할 수 있다.
즉, 하나의 윈도우에서 중심픽셀을 포함한 7개 이상의 픽셀이 지형변화가 검출된 픽셀인 경우 참으로 판단되어 출력 영상에서 유지되고, 지형변화가 검출된 픽셀이 6개 이하인 경우에는 거짓으로 판단되어 출력 영상에서 제거할 수 있다.
이에 의하여, 상기 긴밀성 기법을 이용해 지형변화를 검출한 인공위성 영상(또는 이미지)은 상술한 출력결과 보정부(30) 및 검증부(40)까지 거치면서 보다 정확하고 향상된 신뢰도를 가지는 홍수 피해가 추정되는 지형변화 영역을 추출할 수 있다.
한편, 상기 홍수 피해 탐지 시스템(1)은 상기 검증부(40)를 거친 출력 영상에 의해 결정된 홍수 피해 영역을 기초로 각종 재난 정보를 제공하는 재난정보 생성부(50)를 더 포함할 수 있다.
상기 재난정보 생성부(50)는 상기 검증부(40)를 통해 홍수에 의한 지형변화를 기초로 홍수 피해 영역이 확정됨으로써, 상기 홍수 피해 영역에 대한 이해관계인들에게 각종 유의미한 정보를 생성하는 기능을 수행할 수 있다.
일례로, 상기 재난정보 생성부(50)는 범람면적 계산모듈(51), 피해노출 인구정보 생성모듈(52), 피해노출 작물량정보 생성모듈(53) 및 피해노출 도심정보 생성모듈(54)를 포함할 수 있다.
상기 범람면적 계산모듈(51)은 상술한 모든 처리과정을 거친, 즉 검증부(40)를 거친 지형변화 검출 결과 값에서 각각 픽셀의 면적을 계산한 후 모든 픽셀의 면적을 합산하여 홍수에 의한 범람면적을 출력할 수 있다.
즉, 상기 범람면적 계산모듈(51)은 홍수에 의해 물이 넘친 영역의 면적 정보를 제공할 수 있다.
상기 피해노출 인구정보 생성모듈(52)은 상기 출력된 범람면적에 노출된 사람 수를 추정하기 위해, 홍수 피해 영역의 인구 수 정보가 담긴 GIS (geographic information system) 데이터를 사용할 수 있다.
일례로, 상기 GIS 테이터는 전 세계 인구정보를 조사한 JRC Global Human Settlement Population Layer를 사용할 수 있다. 상기 GIS는 250m 해상도로 각 셀에 살고 있는 사람들의 수에 대한 정보가 포함되어 있다.
따라서, 상기 피해노출 인구정보 생성모듈(52)은 홍수에 의해 노출된 대략적인 인구 수를 산출할 수 있다.
한편, 범람면적 결과 레이어와 인구 수 GIS 레이어는, 서로 픽셀의 크기가 일치하지 않기 때문에 해상도를 재투영해야 한다.
일례로, 해상도가 좋은 레이어 기준으로 해상도가 낮은 레이어를 재투영 후, 두 레이어 사이의 교차점이 계산되어 새로운 래스터 레이어로 표시하여 노출된 인구 수 결과 값을 도출할 수 있다.
유사하게, 상기 피해노출 작물량정보 생성모듈(53) 및 상기 피해노출 도심정보 생성모듈(54)은 GIS 데이터인 MODIS Land Cover Type을 사용할 수 있다. 상기 GIS 데이터(MODIS Land Cover Type)는 17개 종류의 경작 작물 지역과 도심 지역으로 구성되어 있으며 500m의 공간 해상도를 가진다.
그리고 앞서 서술한 단계와 마찬가지로, 서로 픽셀 크기가 일치하지 않기 때문에, 범람면적 영역의 레이어와 교차하며 재투영하여 결과 값을 도출할 수 있다. (도 6 참고)
도 2는 본 발명의 실시예에 따른 홍수 피해 탐지 방법에 대한 플로우 차트이며, 도 3은 도 2의 기계학습을 이용한 임계 값 결정 단계(S40)에 대한 플로우 차트이다.
이하에서는, 도 2 및 도 3을 참조하여 본 발명의 실시예에 따른 인공위성 영상정보를 이용한 홍수 피해 탐지 방법을 설명한다.
먼저, 본 발명의 실시예에 따른 홍수 피해 탐지 방법은 홍수 발생 여부와 위험을 판단하여 탐지할 지역을 결정하는 홍수 탐지지역 결정 단계(S10)를 포함할 수 있다.
상기 홍수 탐지지역 결정 단계(S10)에서는 재난 발생정보 수집부(10)에서 홍수 발생 지역이나 홍수 발생 위험 지역을 분류하여 선정할 수 있다.
상기 재난 발생정보 수집부(10)는, 상술한 바와 같이, 국가기관(예를 들어, 기상청)의 발표, 주요 언론사의 뉴스 등에 의한 재난 발생정보를 수신하거나 SNS 서비스에서 생성되는 미리 설정된 토픽에 관한 분류 정보를 수신하여 홍수 발생 지역과 홍수 피해가 발생할 가능성이 있는 위험 지역을 분류할 수 있다. 그리고 상기 분류된 홍수 발생 지역을 홍수피해를 탐지하기 위한 탐지지역으로 결정할 수 있다.
또한, 상기 홍수 피해 탐지 방법은, 상기 S10 단계에서 결정된 탐지지역의 위성정보를 획득하는 단계(S20)를 더 포함할 수 있다.
상기 결정된 탐지지역의 위성정보를 획득하는 단계(S20)는, 상술한 지형변화 탐지부(20)를 통해 간섭레이더를 이용한 인공위성 영상정보를 획득할 수 있다. 그리고 상기 S20단계에서, 상기 인공위성 영상정보는 위치는 상기 탐지지역으로 동일하게 설정된 상태에서, 영상 촬영 시점은 서로 다른 시간인 복수의 영상정보(또는 이미지정보)를 획득할 수 있다.
또한, 상기 홍수 피해 탐지 방법은, 상기 결정된 탐지지역의 지형변화를 탐지하는 단계(S30)를 더 포함할 수 있다.
지형변화를 탐지하는 단계(S30)에서 상술한 수신정보 처리모듈(22)은 획득한 인공위성 영상정보로부터 지형변화를 검출할 수 있다.
상술한 바와 같이, 지형변화를 탐지하기 위한 간섭레이더(InSAR)의 기법은, 두 개의 간섭레이더 영상의 복소수 형태의 공분산 상관계수(complex correlation coefficient, γ)를 이용하는 방법이다. 이를 긴밀성 기법이라 정의할 수 있다. (상술한 수학식 1 참고)
한편, 상기 간섭레이더는 지표면에서 반사된 마이크로파의 위상각(phase angle)의 복소 상관 계수(complex correlation coefficient)를 이용하여 정보를 추출하는데, 이러한 정보 추출 방식에 기인하여 신호잡음, 사이드로브, 일시적(temporal) 현상 등도 상기 수신정보 처리모듈(22)이 지형변화로 검출할 수 있다. 상술한 바와 같이, 이러한 검출 사항들은 지형탐지의 “오류”라고 정의될 수 있다.
즉, 수신정보 처리모듈(22)에서 검출한 지형변화는 모두 홍수에 의한 것으로 볼 수 없다.
상기 홍수 피해 탐지 방법은 상기 오류를 제거하기 위해 기계학습을 이용한 임계 값 결정 단계(S40)를 더 포함할 수 있다.
상기 임계 값 결정모듈(23)은 간섭레이더의 방대한 영상 데이터에 기초하여 상술한 오류에 기인한 긴밀성 값의 범위를 결정하고, 상기 결정된 오류에 기인한 긴밀성 값의 범위 중 최소 값을 임계 값으로 결정할 수 있다.
상세히, 상기 임계 값 결정 단계(S40)는 데이터입력부(231)로 간섭레이더의 오류와 관련된 학습데이터가 입력되는 학습데이터 수집 단계(S41)를 포함할 수 있다.
상기 학습데이터 수집 단계(S41)에서 간섭레이더에 의한 방대한 양의 오류정보가 입력 및 수집될 수 있다. 그리고 상기 오류정보는 상술한 오류를 발생시키는 원인 별 영상을 포함할 수 있다. 일례로, 신호잡음에 기인한 오류 발생시 나타나는 특징 또는 픽셀 또는 단위에 대한 영상을 수집할 수 있다.
또한, 상기 임계 값 결정 단계(S40)는 입력된 학습데이터에서 긴밀성 값을 산출하고, 산출된 긴밀성 값들의 정규분포를 생성하는 모델을 학습하는 단계(S42)를 더 포함할 수 있다.
상세히, 상기 모델을 학습하는 단계(S42)에서 상술한 기계학습부(232)는 수집된 학습데이터에서 긴밀성 값들을 산출하고 정규분포(또는 정규확률분포)를 생성하는 모델을 반복 학습할 수 있다.
그리고 상기 기계학습부(232)는 학습을 통해 상기 오류를 발생시키는 원인 별 집단을 구분할 수 있고, 상기 원인 별 집단에 대한 정규분포를 생성할 수 있다.
상기 기계학습부(232)에서 모델을 반복 학습할수록 오류를 발생시키는 다양한 원인을 구분 및 정의할 수 있고, 상기 원인 별 집단에 대한 정규분포가 세밀하고 정확하게 업데이트 될 수 있다.
또한, 상기 임계 값 결정 단계(S40)는 S42단계에 의해 학습된 모델의 정규분포에서 미리 설정된 확률을 만족하는 긴밀성 값의 구간을 출력하는 단계(S43)를 더 포함할 수 있다.
여기서, 상기 미리 설정된 확률은 95% 내지 99%로 설정될 수 있다.
상세히, 긴밀성 값의 구간을 출력하는 단계(S43)에서 상술한 데이터출력부(233)는 상기 기계학습부(232)에서 학습된 모델의 정규분포에서 95% 내지 99% 확률을 만족하는 긴밀성 값의 구간이 출력될 수 있다.
일례로, 상기 S43단계에서는 데이터 출력부(233)에 의해 신호 잡음(원인) A-1 집단으로 분류되어 학습된 모델의 정규분포에서 확률 95%를 만족하는 긴밀성 값의 구간을 획득할 수 있다.
또한, 상기 임계 값 결정 단계(S40)는 S43단계에 의해 출력된 구간으로부터 임계 값을 최종 결정하는 단계(S44)를 더 포함할 수 있다.
상세히, 출력된 긴밀성 값의 구간으로부터 임계 값을 최종 결정하는 단계(S44)는, 상술한 임계 값 결정모듈(23)에 의해 결정되는 임계 값을 획득할 수 있다.
일례로, 상기 임계 값 결정모듈(23)은 상기 신호 잡음 집단 정규분포에서 출력된 긴밀성 값의 구간에서 최소 긴밀성 값을 임계 값으로 결정할 수 있다. 또 다른 예로, 상기 임계 값 결정모듈(23)은 오류 원인 집단 별 정규분포에서 출력된 각각의 긴밀성 값의 구간에서 각각의 최소 긴밀성 값의 평균 값을 임계 값으로 결정할 수 있다.
한편, 상기 홍수 피해 탐지 방법은, 상기 결정된 임계 값을 상기 지형변화 탐지 결과 영상(또는 이미지)에 적용하는 임계 값 적용 및 출력 단계(S50)를 더 포함할 수 있다.
상기 S43 단계에서 상기 임계 값 결정모듈(23)에 의한 임계 값이 결정되면, 임계 값 적용 및 출력 단계(S50)는 상술한 S30단계에서 탐지한 지형변화 영역이 표시된 영상(또는 이미지)을 기초로 상기 임계 값을 적용할 수 있다.
구체적으로, 상기 S50단계에서는 상기 S30단계에서 출력된 영상 중 결정된 임계 값 보다 작은 긴밀성 값을 가지는 픽셀 또는 단위를 홍수에 의한 지형변화를 의미하는 0으로 처리하고, 상기 결정된 임계 값 보다 큰 긴밀성 값을 가지는 픽셀 또는 단위를 홍수에 의한 지형변화가 없는 1로 처리할 수 있다. (도 4a 및 도 4b 참고)
따라서, 상기 S50 단계를 거치면, 간섭레이더에 기인한 오류를 제거한 지형변화를 검출할 수 있다.
한편, 상기 S50 단계를 거친 영상에서 표시된 지형변화 영역은, 상술한 바와 같이 모두 홍수에 의해 발생되거나 홍수 피해를 받는 영역이라고 볼 수 없다.
따라서, 상기 홍수 피해 탐지 방법은, 상기 임계 값이 적용되어 출력된 영상(또는 이미지)에서 홍수 피해 가능성이 극히 낮은 영역들을 제거해주는 출력결과 보정 단계(S60)을 더 포함할 수 있다.
상기 출력결과 보정 단계(S60)는, 상기 S50 단계를 거친 영상에서 수계 지역, 고지대 용역, 경사지대 영역 중 적어도 어느 하나를 제거하는 단계로 이해할 수 있다.
상세히, 상기 출력결과 보정 단계(S60)는, 상술한 수계지역 보정모듈(31)을 통해 최신 업데이트를 제공하는 JRC 글로벌 지표수 데이터 세트를 기준으로 판정된 수계지역을 상기 S50 단계를 거친 영상에서 제거할 수 있다.
또한, 상기 출력결과 보정 단계(S60)는, 상술한 고지대 보정모듈(32)을 통해 상기 탐지지역의 평균 해발 고도 보다 미리 설정된 높이(α)만큼 더 높은 고도의 영역을 상기 S50 단계를 거친 영상에서 제거할 수 있다.
또한, 상기 출력결과 보정 단계(S60)는, 상술한 경사지대 보정모듈(33)을 통해 미리 설정된 경사도 이상을 가지는 영역을 상기 S50 단계를 거친 영상에서 제거할 수 있다. 여기서, 상기 미리 설정된 경사도는 3% 내지 5%로 설정될 수 있다.
상기 고지대 보정모듈(32) 및 상기 경사지대 보정모듈(33)은, 지표의 지형정보를 표현하는 수치 모형인 디지털 수치표고 모델(Digital elevation model, DEM) 데이터를 이용하여 상술한 제거 과정을 적용할 수 있다.
한편, 상기 홍수 피해 탐지 방법은, 홍수 피해 영상 특징에 근거하여 검증하는 결과 검증 단계(S70)를 더 포함할 수 있다.
상술한 바와 같이, 홍수에 의한 지형변화는 국소적으로 발생하지 않기 때문에 홍수 피해 영상에 특유의 특징을 추출할 수 있다. 즉, 홍수의 범람은 산발적으로 발생되지 않고, 지형의 영향을 받아 밀접한 영역에서 연속적, 높은 밀도, 지역 밀집적으로 일어나는 특징이 있다.
이와 같은 특징을 이용하여, 상기 결과 검증 단계(S70)는 S60 단계를 거친 영상에서 픽셀선정모듈(41)을 통해 지형변화가 발생된 것으로 검출된 영역의 픽셀을 정의 및 중심에 위치하도록 선정하고, 총 9개 픽셀을 포함하는 윈도우를 지정할 수 있다. 일례로, 상기 윈도우는 9개의 픽셀이 3X3(3 by 3)으로 정렬된 사각형태를 가질 수 있다. 그리고 지형변화가 검출된 영역의 픽셀은 상기 윈도우의 중심에 위치할 수 있다.
그리고 상기 결과 검증 단계(S70)는 상술한 판정모듈(42)을 통해 상기 픽셀선정모듈(41)에 의해 지정된 윈도우의 중심 픽셀을 둘러싸는 주변 8개의 픽셀을 판단하여 상술한 연속성 또는 연결성을 평가할 수 있다. 일례로, 상기 판정모듈(42)은 상기 픽셀선정모듈(41)에서 선정된 지형변화 검출 영역의 픽셀을 중심으로 인접한 8개의 픽셀 중 6개 이상의 픽셀에서 지형변화가 검출된 경우에만 홍수에 의한 지형변화라고 판단할 수 있다.
그리고 상기 판정모듈(42)은 상기 인접한 8개의 픽셀 중 5개 이하의 픽셀에서 지형변화가 검출된 경우에 중심에 위치한 픽셀은 거짓으로 판정되어 지형변화에서 제거할 수 있다. 즉, 거짓으로 판정된 경우, 출력된 지형변화 영상에서 제거되는 재수정 과정이 수행된다.
또한, 상기 홍수 피해 탐지 방법은 상기 결과 검증 단계(S70)를 거친 지형변화 검출영역을 최종 홍수 피해 영역으로 결정하는 홍수 피해 영역 확정 단계(S80)를 수행할 수 있다.
이에 의하여, 인공위성 영상정보로부터 탐지지역의 홍수 피해 영역을 신뢰도 높게 결정할 수 있다. 그리고 상기 홍수 피해 영역을 기초로 지리 정보 데이터(예를 들어, GIS 데이터)를 조합하여 다양한 재난 통계 정보를 추정할 수 있다.
즉, 본 발명의 실시예에 따르면 상기 홍수 피해 영역을 기초로 한 다양한 가공 정보를 생성할 수 있다.
보다 상세히, 상기 홍수 피해 탐지 방법은, 상기 확정된 홍수 피해 영역을 기초로 다양한 정보를 산출 또는 생성하는 재난정보 생성 단계(S90)를 더 포함할 수 있다.
일례로, 상기 재난정보 생성 단계(S90)에서 상술한 범람면적 계산모듈(51), 피해노출 인구정보 생성모듈(52), 피해노출 작물량정보 생성모듈(53) 및 피해노출 도심정보 생성모듈(54)을 통하여, 홍수에 의해 물이 넘친 영역의 면적 정보, 범람면적에 노출된 사람 수를 추정한 노출 인구정보, 홍수 피해 영역에서 영향을 받는 경작 작물 지역과 도심 지역 면적 정보 등을 생성할 수 있다.
이에 의하면, 상기 홍수 피해 영역에 관련 있고 민감한세계 각지의 이해관계인들에게 다양한 종류의 유의미한 정보를 생성하여 제공할 수 있다.
도 4a는 본 발명의 실시예에 따른 임계 값 적용 전의 지형변화 탐지 이미지이며, 도 4b는 본 발명의 실시예에 따른 임계 값 적용 후의 지형변화 탐지 이미지이다.
단, 도 4a 및 도 4b는 출력결과 보정부(30)에 의해 수계지역, 고지대 및 경사지대에 대한 제거 보정이 적용된 영상(또는, 이미지)이다.
상술한 바와 같이, 상기 긴밀성 기법을 통해 지형변화를 검출하기 위해서는 각각의 긴밀성 값에 대한 임계치 조정이 필요하다.
도 4a를 참조하면, 상기 수신정보 처리모듈(22)이 상기 긴밀성 기법을 이용하여 출력한 임계치 조정 전의 간섭레이더의 영상을 확인할 수 있다. 상세히, 도 4a의 영상에는 미리 설정된 픽셀별 또는 단위별 긴밀성 기법에 의해 산출된 긴밀성 값에 따라 명도가 다르게 처리된 지형변화 영역(백색 계열 영역)을 확인할 수 있다.
즉, 도 4a의 영상에는 지형변화의 정도가 명도에 의해 표시되었지만, 이들 정보 안에는 상술한 오류(예를 들어, 신호 간섭 등)에 의해 지형변화로 검출된 정보도 표시되어 있다.
따라서, 상술한 탐지결과에 임계 값 적용 및 출력하는 단계(S50)가 필요하며, 도 4b에 의해 도 4a의 영상에서 상기 임계치가 적용된 영상을 확인할 수 있다.
도 4b를 참조하면, 상기 임계치 적용에 의하여 픽셀별 또는 단위별 명도 변화는 없어졌으나, 상술한 오류에 의해 검출된 정보도 제거된 것을 확인할 수 있다. (파란색 영역) 이에 의하여, 홍수 피해 영역에 대한 정확성과 신뢰성이 향상될 수 있다.
도 5a는 본 발명의 실시예에 따른 수계지역 제거 보정 전의 지형변화 탐지 이미지이며, 도 5b는 본 발명의 실시예에 따른 수계지역 제거 보정 후의 지형번화 탐지 이미지이다.
단, 도 5a와 도 5b는 고지대 및 경사지대에 대한 제거 보정은 적용되지 않은 영상(또는, 이미지)이다.
도 5a를 참조하면, 임계 값 적용 출력모듈(24)에서 출력된 영상에는 하천, 저수지, 바다 등의 수계지역에서의 변화도 검출되어 표시(파란색)된 것을 확인할 수 있다.
상술한 바와 같이, 상기 수계지역은 홍수에 의한 지형변형 또는 피해영향이 없는 영역이다.
도 5b를 참조하면, 마스킹 기법을 적용하여 상기 수계지역을 제거한 영상을 확인할 수 있다.
도 5a와 비교해보면, 도 5b는 바다, 하천, 저수지 등 수계지역에서 검출된 변화가 제거되어 있기 때문에, 보다 홍수 피해 영역과 범람 범위에 대한 이전 단계 보다 정확한 정보를 생성한 것으로 이해할 수 있다.
도 6은 본 발명의 실시예에 따른 탐지된 홍수 피해 영역 및 관련 피해 예측정보를 보여주는 결과 이미지이다.
도 6을 참조하면, 최종 출력된 결과 영상(또는 이미지)에는, 홍수 피해 영역이 파란색으로 표시될 수 있다.
그리고 상기 최종 출력된 결과 영상에는 상술한 범람면적 계산모듈을 통하여 상술한 픽셀의 면적을 합산한 홍수 피해 영역의 면적정보, 즉 범람면적 정보가 결과 값에 출력될 수 있다. 상기 범람면적 정보는 추정 정보로써 “잠재적 홍수 면적”이라 이름할 수 있다. 예를 들어, 상기 범람면적 정보는 80290 ha로 산출될 수 있다.
또한, 상기 최종 출력된 결과 영상에는 상술한 피해노출 작물량정보 생성모듈에 의하여 GIS 데이터에 기초한 상기 홍수 피해 영역을 기준으로 홍수 피해의 영향을 받는 경작지 영역, 즉 “피영향 경작지”가 결과 값에 출력될 수 있다. (녹색) 그리고 상기 최종 출력된 결과 영상의 결과 값에는 상기 홍수 피해에 영향을 받는 경작지 추정 면적정보가 출력될 수 있다. 예를 들어, 상기 피영향 경작지 추정 면적은 22065ha로 산출될 수 있다.
또한, 상기 최종 출력된 결과 영상에는 상술한 피해노출 도심정보 생성모듈에 의하여 GIS 데이터에 기초한 상기 홍수 피해 영역에 영향을 받는 도시, 즉 “피영향 도시”가 출력될 수 있다. 그리고 상기 최종 출력된 결과 영상의 결과 값에는 상기 피영향 도시의 추정 면적정보가 출력될 수 있다. 예를 들어, 상기 피영향 추정 도시면적은 21780ha로 산출될 수 있다.
또한, 상기 최종 출력된 결과 영상에는 상술한 피해노출 인구정보 생성모듈에 의하여 상기 홍수 피해 영역에 노출된 인구를 추정하기 위한 “홍수 노출 인구밀도”가 노란색(밀도 낮음)과 붉은색(밀도 높음)의 색 밴드로 표시될 수 있다. 이는 상술한 GIS 데이터의 재투영 레이어로 구현할 수 있다.
그리고 상기 홍수 피해에 노출된 인구정보는 상술한 GIS 데이터의 인구 수 정보에 기초하여 산출될 수 있다, 예를 들어, 상기 홍수 노출 추정 인구는 381697명으로 산출될 수 있다,
상술한 홍수 피해 영역과 관련된 재난정보는 일 실시예에 대한 설명이다. 즉, 상기 홍수 피해 영역이 최종 출력된 영상에는 앞서 소개한 재난정보 뿐만 아니라 상술한 GIS 데이터에 기초하여 산출할 수 있는 다양한 재난정보를 포함할 수 있는 것으로 해석될 수 있어야 한다.
이에 의하면, 홍수 피해 영역과 민감하게 관련된 이해관계인은 신속하고 정확하게 홍수에 의한 다양한 재난정보와 피해 상황을 추정할 수 있고, 즉각적으로 관련 의사결정을 수행할 수 있는 장점이 있다.
10: 재난 발생정보 수집부
20: 지형변화 탐지부
30: 출력결과 보정부
40: 검증부
50: 재난정보 생성부
20: 지형변화 탐지부
30: 출력결과 보정부
40: 검증부
50: 재난정보 생성부
Claims (19)
- 인공위성 영상정보를 이용하여 홍수 피해 영역을 결정하는 홍수 피해 탐지 시스템에 있어서,
홍수피해 탐지지역에 대한 복수의 간섭레이더(InSAR) 영상(Image)을 기초로, 상기 탐지지역의 지형변화 여부를 복소 공분산 상관계수의 진폭으로 정의되는 긴밀성을 이용하여 검출하는 지형변화 탐지부;
상기 홍수피해 탐지지역의 수계지역, 고지대 및 경사지대 중 적어도 어느 하나를 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 출력결과 보정부; 및
상기 검출된 지형변화가 홍수에 의한 것인지 검증하는 후처리부를 포함하고,
상기 후처리부는, 국소적으로 발생된 지형변화를 거짓으로 판정하여 홍수에 의한 지형변화 영상에서 제외하며,
상기 홍수 피해 영역은, 상기 후처리부를 거친 영상으로 결정되는 홍수 피해 탐지 시스템.
- 제 1 항에 있어서,
상기 출력결과 보정부는,
상기 수계지역에서 검출된 지형변화를 제거해주는 수계지역 보정모듈;
상기 고지대 영역에서 검출된 지형변화를 제거해주는 고지대 보정모듈; 및
상기 경사지대 영역에서 검출된 지형변화를 제거해주는 경사지대 보정모듈을 포함하며,
상기 고지대 보정모듈은 상기 탐지지역의 평균 해발 고도 보다 미리 설정된 높이(α)만큼 더 높은 고도의 영역을 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하며,
상기 경사지대 보정모듈은 미리 설정된 경사도 이상을 가지는 영역을 상기 지형변화 탐지부에서 검출된 지형변화에서 제거하는 것을 특징으로 하는 홍수 피해 탐지 시스템.
- 삭제
- 제 1 항에 있어서,
상기 지형변화 탐지부는,
상기 탐지지역의 인공위성 영상를 수신하는 위성 영상정보 수신모듈; 및
상기 위성 영상정보 수신모듈로 수신된 영상에서 긴밀성 값을 산출하여 지형변화를 검출하는 수신정보 처리모듈;
상기 수신정보 처리모듈에서 검출된 긴밀성 값 중 오류에 의한 긴밀성 값을 제거하기 위한 임계 값을 결정하는 임계 값 결정모듈; 및
상기 결정된 임계 값을 기준으로 상기 수신정보 처리모듈에서 검출된 긴밀성 값을 0 또는 1로 이진화하여 출력하는 임계 값 적용 출력모듈;을 포함하며,
상기 긴밀성은 0과 1사이의 값을 가지며, 0에 가까울수록 지형변화의 정도가 큰 것으로 정의되는 홍수 피해 탐지 시스템.
- 제 4 항에 있어서,
상기 임계 값 적용 출력모듈은,
상기 검출된 긴밀성 값이 상기 임계 값 보다 작으면 0으로 출력하여 지형변화로 판단하고,
상기 검출된 긴밀성 값이 상기 임계 값 보다 크면 1로 출력하여 지형변화가 아닌 것으로 판단하는 홍수 피해 탐지 시스템.
- 제 5 항에 있어서,
상기 출력결과 보정부는,
상기 임계 값 적용 출력모듈에서 출력된 임계 값 적용 영상을 기초로 보정을 수행하는, 홍수 피해 탐지 시스템.
- 제 4 항에 있어서,
상기 임계 값 결정모듈은,
신호잡음, 사이드로브 및 일시적(temporal) 현상 중 적어도 어느 하나를 원인으로 하는 오류 영상을 학습데이터로 입력하는 데이터입력부;
상기 학습데이터에서 긴밀성 값을 산출하고 상기 산출된 긴밀성 값들의 정규 분포를 생성하는 모델로, 학습이 수행되는 기계학습부; 및
상기 기계학습부에서 학습된 모델의 정규분포에서 미리 설정된 확률을 만족하는 긴밀성 값의 구간이 출력되는 데이터출력부를 포함하며,
상술한 데이터 출력부의 출력을 기초로 임계 값을 결정하는 홍수 피해 탐지 시스템.
- 제 7 항에 있어서,
상기 임계 값 결정모듈은,
상기 데이터출력부에서 출력된 긴밀성 값의 구간에서 최소 긴밀성 값을 임계 값으로 결정하는 홍수 피해 탐지 시스템.
- 제 7 항에 있어서,
상기 데이터출력부는 오류 원인 집단별 정규분포에서 긴밀성 값의 구간을 각각 출력하며,
상기 임계 값 결정모듈은 상기 각각의 긴밀성 값 구간마다 최소 긴밀성 값을 추출한 후 각각의 최소 긴밀성 값의 평균 값을 임계 값으로 결정하는 홍수 피해 탐지 시스템.
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 후처리부는
상기 출력결과 보정부에서 출력된 영상에서 지형변화로 검출된 픽셀을 선정하는 픽셀선정모듈; 및
상기 픽셀선정모듈에 의해 선정된 픽셀을 중심으로 윈도우를 지정하여 홍수에 의한 지형변화인지 판단하는 판정모듈을 포함하는 홍수 피해 탐지 시스템.
- 제 12 항에 있어서,
상기 윈도우는 9개 픽셀을 포함하는 3 by 3 사각 형태를 가지며,
상기 판정모듈은 상기 중심 픽셀의 주위 픽셀 중 지형변화가 검출된 픽셀이 6개 이상인 경우에 홍수에 의한 지형변화로 판단하고, 6개 미만의 경우에 상기 중심 픽셀은 출력된 지형변화 영상에서 제거되는 홍수 피해 탐지 시스템.
- 제 1 항에 있어서,
상기 결정된 홍수 피해 영역을 기초로 각종 재난 정보를 생성하는 재난정보 생성부를 더 포함하며,
상기 재난정보 생성부는 지형변화로 검출된 결과 값의 픽셀의 면적을 합산하여 홍수에 의한 범람면적을 출력하는 범람면적 계산모듈;을 포함하는 홍수 피해 탐지 시스템.
- 제 14 항에 있어서,
상기 재난정보 생성부는,
상기 출력된 범람면적에 기초하여 GIS (geographic information system) 데이터를 이용해 홍수 피해에 노출된 도시 면적을 제공하는 도심정보 생성모듈;
상기 출력된 범람면적에 기초하여 상기 GIS 데이터를 이용해 홍수 피해에 노출된 인구 수를 제공하는 인구정보 생성모듈; 및
상기 GIS 데이터를 이용해 홍수 피해에 노출된 경작지 면적을 제공하는 작물량정보 생성모듈을 포함하는 홍수 피해 탐지 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220006872A KR102399089B1 (ko) | 2022-01-17 | 2022-01-17 | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220006872A KR102399089B1 (ko) | 2022-01-17 | 2022-01-17 | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102399089B1 true KR102399089B1 (ko) | 2022-05-17 |
Family
ID=81800141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220006872A KR102399089B1 (ko) | 2022-01-17 | 2022-01-17 | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102399089B1 (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102496740B1 (ko) * | 2022-06-02 | 2023-02-07 | 대한민국 | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 |
CN115907574A (zh) * | 2023-01-10 | 2023-04-04 | 中国水利水电科学研究院 | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 |
KR102522094B1 (ko) * | 2022-11-01 | 2023-04-14 | 주식회사 자연과기술 | 드론 촬영을 기반으로 한 하천 범람의 토양유실 예상 시스템 |
KR102533928B1 (ko) | 2022-11-01 | 2023-05-19 | (주) 지오씨엔아이 | 3차원 공간영상 자료를 활용하여 저수지 탐지를 위한 자동화 방법 및 시스템 |
CN117756362A (zh) * | 2023-12-28 | 2024-03-26 | 南京金固智慧市政研究院有限公司 | 一种对城市管道淤泥无害化处理方法及系统 |
CN117970332A (zh) * | 2024-04-02 | 2024-05-03 | 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) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140115124A (ko) | 2013-03-20 | 2014-09-30 | 대한민국(기상청장) | 인공위성기반 홍수탐지시스템 및 홍수탐지방법, 홍수탐지방법을 수행하는 프로그램이 수록된 기록매체 |
KR20200103180A (ko) | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
KR102264416B1 (ko) | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
-
2022
- 2022-01-17 KR KR1020220006872A patent/KR102399089B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140115124A (ko) | 2013-03-20 | 2014-09-30 | 대한민국(기상청장) | 인공위성기반 홍수탐지시스템 및 홍수탐지방법, 홍수탐지방법을 수행하는 프로그램이 수록된 기록매체 |
KR20200103180A (ko) | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
KR102271945B1 (ko) * | 2019-02-13 | 2021-07-02 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
KR102264416B1 (ko) | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
Non-Patent Citations (3)
Title |
---|
백원경 et.al, 다중시기 위성 레이더 영상을 활용한 변화탐지 기술 리뷰, 대한원격탐사학회지 , 대한원격탐사학회, Oct. 2019, Vol.35, no.5, pp.737-750. 1부.* * |
원격탐사 원리와 방법, 이규성, 씨아이알, 2021년 07월 22일, 215~288쪽 |
전현균 et.al, SAR 위성 영상을 이용한 수계탐지의 최적 머신러닝 밴드 조합 연구, 한국지리정보학회지 , 한국지리정보학회, Sep. 2020, Vol.23, no.3, pp.120-131. 1부.* * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102496740B1 (ko) * | 2022-06-02 | 2023-02-07 | 대한민국 | 위성영상 기반 저수지 수표면적 분석 시스템 및 방법 |
KR102522094B1 (ko) * | 2022-11-01 | 2023-04-14 | 주식회사 자연과기술 | 드론 촬영을 기반으로 한 하천 범람의 토양유실 예상 시스템 |
KR102533928B1 (ko) | 2022-11-01 | 2023-05-19 | (주) 지오씨엔아이 | 3차원 공간영상 자료를 활용하여 저수지 탐지를 위한 자동화 방법 및 시스템 |
CN115907574A (zh) * | 2023-01-10 | 2023-04-04 | 中国水利水电科学研究院 | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 |
CN115907574B (zh) * | 2023-01-10 | 2023-08-15 | 中国水利水电科学研究院 | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 |
CN117756362A (zh) * | 2023-12-28 | 2024-03-26 | 南京金固智慧市政研究院有限公司 | 一种对城市管道淤泥无害化处理方法及系统 |
CN117970332A (zh) * | 2024-04-02 | 2024-05-03 | 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) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 |
CN117970332B (zh) * | 2024-04-02 | 2024-06-07 | 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) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102399089B1 (ko) | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 | |
D'Addabbo et al. | A Bayesian network for flood detection combining SAR imagery and ancillary data | |
Sofia et al. | High‐resolution topography and anthropogenic feature extraction: Testing geomorphometric parameters in floodplains | |
Tarpanelli et al. | Effectiveness of Sentinel-1 and Sentinel-2 for flood detection assessment in Europe | |
CN103714339B (zh) | 基于矢量数据的sar影像道路损毁信息提取方法 | |
Yulianto et al. | Detecting areas affected by flood using multi-temporal ALOS PALSAR remotely sensed data in Karawang, West Java, Indonesia | |
Marchesini et al. | Non-susceptible landslide areas in Italy and in the Mediterranean region | |
Mora et al. | Small landslide susceptibility and hazard assessment based on airborne lidar data | |
Pakoksung et al. | Effect of DEM sources on distributed hydrological model to results of runoff and inundation area | |
Goksel et al. | Determination of shoreline change along the Black Sea coast of Istanbul using remote sensing and GIS technology | |
Lo Re et al. | High‐resolution mapping of Manawatu palaeochannels | |
Lin | Seismic exposure and impacts across New Zealand infrastructure networks | |
Risling | Evaluation of a change detection approach to map global flood extents using Sentinel-1 | |
Kocsis et al. | Bilas, co | |
Gao | Algorithms and software tools for extracting coastal morphological information from airborne LiDAR data | |
Downard et al. | Automated characterization of ridge-swale patterns along the Mississippi River | |
Ticehurst et al. | Using multitemporal digital elevation model data for detecting canopy gaps in tropical forests due to cyclone damage: an initial assessment | |
Ojukwu | Evaluating long-term shoreline change in Dakar (Senegal) using satellite data | |
Adam | Assessing Morphological Response and Vulnerability of Barrier Islands to Extreme Storms in Northwest Florida | |
Betterle et al. | Water depth estimate and flood extent enhancement for satellite-based inundation maps | |
Monti et al. | The Nova Kakhovka dam collapse flooding as seen from Sentinel-1 SAR satellite images | |
Larsson | Damage Assessment of the 2022 Tongatapu Tsunami: With Remote Sensing | |
Ghaffari et al. | Artificial neural networks and decision tree classifier performance on medium resolution ASTER data to detect gully networks in southern Italy | |
Bergaas | Optical remote sensing and change detection for landslide mapping in a humid climate | |
Emmendorfer et al. | Accuracy assessment of global DEMs for the mapping of coastal flooding on a low-lying sandy environment: Cassino Beach, Brazil |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |