KR102652601B1 - Water depth estimation system using satellite images and method thereof - Google Patents
Water depth estimation system using satellite images and method thereof Download PDFInfo
- Publication number
- KR102652601B1 KR102652601B1 KR1020230125329A KR20230125329A KR102652601B1 KR 102652601 B1 KR102652601 B1 KR 102652601B1 KR 1020230125329 A KR1020230125329 A KR 1020230125329A KR 20230125329 A KR20230125329 A KR 20230125329A KR 102652601 B1 KR102652601 B1 KR 102652601B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- water depth
- satellite
- image analysis
- satellite data
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010191 image analysis Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 38
- 230000005855 radiation Effects 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 14
- 235000013311 vegetables Nutrition 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 239000003653 coastal water Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000191 radiation effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000003643 water by type Substances 0.000 description 4
- 238000013481 data capture Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06T5/70—
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Abstract
본 발명은 위성영상 분석을 통한 수심 추정 시스템(1) 및 그 방법(S1)에 관한 것으로, 더욱 상세하게는 보정한 위성자료와 수심자료를 기계학습 모델로 학습하여 수심을 추정함으로써 용이한 대응을 가능하도록 하는 위성영상 분석을 통한 수심 추정 시스템(1) 및 그 방법(S1)에 관한 것이다.The present invention relates to a water depth estimation system (1) and method (S1) through satellite image analysis, and more specifically, to estimate water depth by learning corrected satellite data and water depth data with a machine learning model to enable easy response. It relates to a water depth estimation system (1) and method (S1) through satellite image analysis that enable this.
Description
본 발명은 위성영상 분석을 통한 수심 추정 시스템(1) 및 그 방법(S1)에 관한 것으로, 더욱 상세하게는 보정한 위성자료와 수심자료를 기계학습 모델로 학습하여 수심을 추정함으로써 용이한 대응을 가능하도록 하는 위성영상 분석을 통한 수심 추정 시스템(1) 및 그 방법(S1)에 관한 것이다.The present invention relates to a water depth estimation system (1) and method (S1) through satellite image analysis, and more specifically, to estimate water depth by learning corrected satellite data and water depth data with a machine learning model to enable easy response. It relates to a water depth estimation system (1) and method (S1) through satellite image analysis that enable this.
수심 측량은 바다를 항해하는 선박의 안전을 위하여 시작되었다. 초기에는 납으로 만든 추에 눈금을 새긴 줄을 매어 해저까지 내린 다음, 줄에 표시한 눈금으로 바다의 깊이를 알아내는 방법으로 수심을 측량하였다. 제2차 세계대전 이후, 음향탐지 기술의 급속한 발달이 이루어지면서 음향측심기(수심측정기)가 개발되기 시작하였다. 음향측심기는 초음파를 발사하면 일정 속도로 해저에 이른 뒤 다시 반사되어 같은 경로로 되돌아 오는 성질을 이용한 것이다. 이 과정에서 걸리는 시간을 측정한 뒤 이 수치를 이용하여 물의 깊이를 알아낼 수 있다. 그러나 초음파의 전달속도는 바닷물의 온도와 염분, 수압 등에 따라 달라지므로 바닷물의 물리적인 특성 측정값을 이용하여 관측값을 수정해야 한다. 또한, 주파수가 낮으면 정밀도는 낮아지고 주파수가 높으면 정밀도는 향상되지만 깊은 수심까지의 측정이 불가능해질 수 있다. Bathymetric surveying began for the safety of ships sailing on the sea. In the early days, the depth of the sea was measured by tying a graduated line to a lead weight and lowering it to the seafloor, and then using the scales marked on the line to determine the depth of the sea. After World War II, with the rapid development of acoustic detection technology, echo sounders (depth finders) began to be developed. An echo sounder utilizes the property that when ultrasonic waves are fired, they reach the seafloor at a certain speed and are then reflected and return along the same path. After measuring the time taken for this process, you can use this number to determine the depth of the water. However, since the transmission speed of ultrasonic waves varies depending on the temperature, salinity, and water pressure of seawater, the observed values must be corrected using measurements of the physical characteristics of seawater. In addition, if the frequency is low, the precision decreases, and if the frequency is high, the precision improves, but measurement to deep water depths may become impossible.
현재 수심 측량은 활용 목적에 따라 1:10000 축적으로 항만에서 시행되는 항만측량, 1:20000 내지 1:30000 축적으로 주요항로에 대해 실시되는 항로측량 1:50000 축적으로 연안해역에서 시행되는 연안측량, 1:200000 내지 1:500000 축적으로 대륙붕 획선, 해저구조 탐색, 광물자원 탐사, 해저지형 측량, 중력 관측, 지자기관측 및 지층 탐사 등 종합적 목적으로 시행되는 해양 측량 등을 실시하고 있다. Depending on the purpose of use, the current bathymetric survey includes port surveys conducted in ports at a scale of 1:10000, route surveys conducted on major shipping routes at a scale of 1:20000 to 1:30000, coastal surveys conducted in coastal waters at a scale of 1:50000, At scales of 1:200,000 to 1:500,000, marine surveys are conducted for comprehensive purposes such as continental shelf delineation, seafloor structure exploration, mineral resource exploration, seafloor topography surveying, gravity observation, geomagnetic instrument surveying, and geological exploration.
수심 측량은 전통적으로 선박의 음향측심기(Echo-sounder)를 통해 음파가 해저면에 반사되어 돌아오는 시간을 수심으로 환산하여 측량하는 방식을 활용하여 왔다. 하지만 이러한 방식은 넓은 해역을 대상으로 수심 측량 수행 시, 예산 또는 기상 상황 등의 다양한 원인으로 인해 단기간 내 전체 영역의 수심을 조사하는데 어려움이 있다(Manessa et al., 2016; Mudiyanselage et al., 2022; Wu et al., 2022). 또한, 지리적, 외교적, 많은 선박 교통량 및 선박을 이용한 얕은 수심으로의 접근 불가 등 다양한 원인으로 인하여 직접적인 조사가 불가능한 지역을 대상으로 간접적인 수심 측량 기술개발 수요가 지속적으로 제기되고 있는 실정이다(Choi, 2011; Sagawa et al., 2019; You et al., 2020).Bathymetric surveying has traditionally been done by converting the time for sound waves to reflect off the seafloor and return to water depth using a ship's echo-sounder. However, this method has difficulty surveying the water depth of the entire area within a short period of time due to various reasons such as budget or weather conditions when conducting bathymetric surveys for large sea areas (Manessa et al., 2016; Mudiyanselage et al., 2022 ; Wu et al., 2022). In addition, there is a continuous demand for the development of indirect bathymetry technology for areas where direct surveys are impossible due to various reasons such as geographical, diplomatic, large ship traffic, and inability to access shallow water using ships (Choi, 2011; Sagawa et al., 2019; You et al., 2020).
이러한 접촉식 수심 측량의 한계를 극복하기 위해 국외에서는 짧은 시간과 저비용으로 효율적인 수심 추정이 가능한 원격탐사 기반 연안 수심 추정 연구가 활발히 진행되고 있다(Manessa et al., 2016). 원격탐사를 기반한 기술 중 위성기반 수심 측량(Satellite-Derived Bathymetry, SDB) 기술은 광학계열의 다중 분광 센서로 관측한 위성영상의 원격반사도 값과 관측 당시 물의 깊이와의 상관관계를 이용하여 수심을 추정하는 방식이다. 이는 일반적으로 수심 20 m 이내에서 적용 가능한 기술이지만 해역의 특성에 따라서 10 m 이하 수심에서만 산출이 가능한 경우도 존재한다(Rasheed et al., 2021).To overcome these limitations of contact bathymetry, research on coastal water depth estimation based on remote sensing, which enables efficient water depth estimation in a short time and at low cost, is being actively conducted overseas (Manessa et al ., 2016). Among technologies based on remote sensing, satellite-derived bathymetry (SDB) technology estimates water depth using the correlation between the remote reflectivity value of satellite images observed with an optical multi-spectral sensor and the depth of water at the time of observation. This is the way to do it. This is a technology that is generally applicable within a water depth of 20 m, but depending on the characteristics of the sea area, there are cases where calculation is possible only at a water depth of 10 m or less (Rasheed et al ., 2021).
위성기반 수심 측량(SDB)에 널리 사용되는 모델은 해저면의 반사도가 수심의 변화와 유사하다는 가정으로 선형 함수 관계로 정의한 Lyzenga 선형 밴드 모델과 매개변수를 이용한 실험 과정을 통해 물에 대한 해저면의 반사율로 수심을 추정하는 Stumpf 로그 변환 밴드 비율 모델이 있다(Gabr et al., 2019). 그러나 이 두 모델은 경험적 방법론이기 때문에 대상 해역이 변경되면 수심 추정에 입력되는 변수 값들이 변경되어 범용적인 모델 구축이 쉽지 않은 한계가 있다(Wu et al., 2022). 이러한 한계를 해결하기 위해 최근에는 다양한 종류의 기계학습 알고리즘을 사용하여 수심 추정 모델을 개발하고 독립적인 인공위성영상을 이용하여 수심을 추정하는 등 범용성 확보를 위한 연구가 활발하게 진행되고 있다(Duan et al., 2022).The model widely used in satellite-based bathymetry (SDB) is the Lyzenga linear band model, which is defined as a linear function relationship under the assumption that the reflectivity of the seafloor is similar to the change in water depth, and an experimental process using the parameters of the seafloor to water. There is a Stumpf log-transformed band ratio model that estimates water depth from reflectance (Gabr et al ., 2019). However, because these two models are empirical methodologies, there is a limitation that it is not easy to build a general-purpose model because when the target sea area changes, the variable values input for water depth estimation change (Wu et al. , 2022). To solve these limitations, research has recently been actively conducted to secure versatility, such as developing a water depth estimation model using various types of machine learning algorithms and estimating water depth using independent satellite images (Duan et al . ., 2022).
앞서 본 종래 기술의 문제점을 해결하기 위하여 안출된 것으로,It was designed to solve the problems of the prior art,
본 발명은 인공위성 영상 분석을 통해 위성자료 및 수심자료를 보정한 이후 이를 토대로 한 데이터 조합으로 기계학습 모델을 생성하며, 이후 입력되는 대상영역에 대한 인공위성 영상에서의 수심을 정확히 예측함으로써, 비용이나 기상 상황 등의 조사 한계에 따른 수심 추정의 어려움을 미연에 방지하도록 하는 위성영상 분석을 통한 수심 추정 시스템 및 그 방법을 제공하는데 그 목적이 있다.The present invention corrects satellite data and water depth data through satellite image analysis, then creates a machine learning model by combining data based on this, and then accurately predicts the water depth in the satellite image for the input target area, thereby reducing cost or weather conditions. The purpose is to provide a water depth estimation system and method through satellite image analysis to prevent difficulties in water depth estimation due to survey limitations such as circumstances.
또한, 본 발명은 각 해역별 위성자료에 대한 대기영향 보정 및 육상영역 제거 전처리를 수행하고, 노이즈를 제거함으로써, 상기 대상영역의 위성자료들에 발생할 수 있는 왜곡을 방지하고, 수심 측량의 객관성을 담보하도록 하는 위성영상 분석을 통한 수심 추정 시스템 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention performs atmospheric influence correction and land area removal preprocessing on satellite data for each sea area, and removes noise, thereby preventing distortion that may occur in satellite data of the target area and improving the objectivity of bathymetry. The purpose is to provide a water depth estimation system and method through satellite image analysis that guarantees water depth.
또한, 본 발명은 각 해역별 수심자료에 대한 조석에 따른 수심차이를 보정함으로써, 상기 대상영역의 수심 자료에서 발생할 수 있는 오류를 방지하고, 수심 추정에 대한 객관적인 판단이 가능하도록 하는 위성영상 분석을 통한 수심 추정 시스템 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention prevents errors that may occur in the water depth data of the target area by correcting the difference in water depth according to the tide for the water depth data for each sea area, and provides satellite image analysis to enable objective judgment on water depth estimation. The purpose is to provide a water depth estimation system and method.
또한, 본 발명은 학습자료 조합모듈을 통해 위성자료의 5개 밴드 자료와 수심 자료를 조합하여 데이터조합 형성 시 동일 수심 간격마다 같은 수의 자료를 무작위 추출함으로써, 편중 학습을 방지하도록 하는 위성영상 분석을 통한 수심 추정 시스템 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention combines five bands of satellite data and depth data through a learning data combination module to randomly extract the same number of data for each depth interval when forming a data combination, thereby preventing biased learning. The purpose is to provide a water depth estimation system and method.
또한, 본 발명은 데이터조합 형성 시 정규탁도지수를 함께 고려함으로써 탁도에 의하여 발생하는 원격반사도의 변화와 추정 수심 사이의 상관관계를 고려하도록 하는 위성영상 분석을 통한 수심 추정 시스템 및 그 방법을 제공하는데 그 목적이 있다.In addition, the present invention provides a water depth estimation system and method through satellite image analysis that considers the correlation between the change in remote reflectivity caused by turbidity and the estimated water depth by considering the regular turbidity index when forming the data combination. It has a purpose.
본 발명은 앞서 상술한 목적을 달성하기 위하여 다음과 같은 구성을 가진 실시예에 의하여 구현될 수 있다.The present invention can be implemented by an embodiment having the following configuration in order to achieve the above-described purpose.
본 발명은 앞서 상술한 목적을 달성하기 위하여 다음과 같은 구성을 가진 실시예에 의하여 구현될 수 있다.The present invention can be implemented by an embodiment having the following configuration in order to achieve the above-described purpose.
본 발명의 일 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법은 수신한 위성자료를 편집하는 단계; 상기 위성자료 촬영 시의 조석 보정을 수행하여 수심자료를 보정하는 단계; 및, 상기 위성자료 및 보정된 수심자료를 토대로 학습모델을 생성하는 단계;를 포함하며 상기 학습모델을 생성하는 단계는 상기 위성자료의 밴드 별 반사도 및 보정된 수심자료를 포함하는 데이터조합을 기반으로 기계학습 모델을 생성하는 것을 특징으로 한다.According to one embodiment of the present invention, the method for estimating water depth through satellite image analysis according to the present invention includes the steps of editing received satellite data; Correcting water depth data by performing tidal correction when shooting the satellite data; And, generating a learning model based on the satellite data and the corrected water depth data; and the step of generating the learning model is based on a data combination including reflectance for each band of the satellite data and the corrected water depth data. It is characterized by creating a machine learning model.
본 발명의 다른 실시예에 의하면, 본 발명에 따른 본 발명의 일 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 위성자료를 편집하는 단계는 수신한 위성자료에 대한 대기 영향을 보정하는 단계; 및 대기 보정한 위성자료에 대해 육상영역을 제거하는 단계;를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, according to one embodiment of the present invention, the step of editing the satellite data in the method of estimating water depth through satellite image analysis according to the present invention is performed on the received satellite data. correcting for atmospheric effects; and removing the land area from the atmospherically corrected satellite data.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 위성자료를 편집하는 단계는 위성 자료에 대해 태양복사 영향을 보정하는 단계; 및 위성자료에 대해 노이즈를 제거하는 단계;를 추가로 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of editing the satellite data in the water depth estimation method through satellite image analysis according to the present invention includes the steps of correcting the influence of solar radiation on the satellite data; And a step of removing noise from the satellite data.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 수신한 위성자료에 대해 태양복사 영향을 보정하는 단계는 각 해안별 위성자료를 Sun-glint 보정하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of correcting the influence of solar radiation on the received satellite data in the water depth estimation method through satellite image analysis according to the present invention involves sun-glint correction of the satellite data for each coast. It is characterized by
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 위성자료에 대해 육상영역을 제거하는 단계는 육상지역과 해상지역을 구분하기 위해 정규수분지수를 적용하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of removing the land area from the satellite data in the water depth estimation method through satellite image analysis according to the present invention is to apply the normal moisture index to distinguish between the land area and the sea area. It is characterized by:
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 위성자료에 대해 노이즈를 제거하는 단계는 n x n 최빈값 필터를 적용하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of removing noise from the satellite data in the water depth estimation method through satellite image analysis according to the present invention is characterized by applying an n x n mode filter.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 학습모델을 생성하는 단계는 동일 수심 간격마다 같은 수의 밴드 별 반사도 자료를 무작위 추출하여 데이터조합을 생성하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of generating the learning model in the water depth estimation method through satellite image analysis according to the present invention is to randomly extract the same number of band-specific reflectivity data at the same water depth interval and combine the data. It is characterized by generating.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 학습모델을 생성하는 단계는 상기 위성자료의 밴드 별 반사도 자료, 보정된 수심자료 및 정규탁도지수 자료를 조합하여 데이터조합을 생성하는 단계;를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of generating the learning model in the water depth estimation method through satellite image analysis according to the present invention includes reflectivity data for each band of the satellite data, corrected water depth data, and normal turbidity index data. It is characterized in that it includes a step of generating a data combination by combining.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 위성영상 분석을 통한 수심 추정방법에서의 상기 데이터조합을 생성하는 단계는 적색, 녹색, 청색, 근적외선 및 Vegetation red edge 등 5개 밴드를 활용하는 것을 특징으로 한다.According to another embodiment of the present invention, the step of generating the data combination in the water depth estimation method through satellite image analysis according to the present invention utilizes five bands, including red, green, blue, near infrared, and Vegetation red edge. It is characterized by
본 발명은 앞서 본 구성에 의하여 다음과 같은 효과를 가진다.The present invention has the following effects by virtue of the above-described configuration.
본 발명은 인공위성 영상 분석을 통해 위성자료 및 수심자료를 보정한 이후 이를 토대로 한 데이터 조합으로 기계학습 모델을 생성하며, 이후 입력되는 대상영역에 대한 인공위성 영상에서의 수심을 정확히 예측함으로써, 비용이나 기상 상황 등의 조사 한계에 따른 수심 추정의 어려움을 미연에 방지하도록 하는 효과가 있다.The present invention corrects satellite data and water depth data through satellite image analysis, then creates a machine learning model by combining data based on this, and then accurately predicts the water depth in the satellite image for the input target area, thereby reducing cost or weather conditions. It has the effect of preventing difficulties in estimating water depth due to survey limitations such as circumstances.
또한, 본 발명은 각 해역별 위성자료에 대한 대기영향을 보정 및 육상영역을 제거하고, 노이즈를 제거함으로써, 상기 대상영역의 위성자료들에 발생할 수 있는 왜곡을 방지하고, 수심 측량의 객관성을 담보하도록 하는 효과를 가진다.In addition, the present invention corrects the atmospheric influence on the satellite data for each sea area, removes the land area, and removes noise, thereby preventing distortion that may occur in the satellite data of the target area and ensuring the objectivity of bathymetry. It has the effect of doing so.
또한, 본 발명은 각 해역별 수심자료에 대한 조석에 따른 수심차이를 보정함으로써, 상기 대상영역의 수심 자료에서 발생할 수 있는 오류를 방지하고, 수심 추정에 대한 객관적인 판단이 가능하도록 하는 효과가 도출된다.In addition, the present invention corrects the difference in water depth according to the tide for the water depth data for each sea area, thereby preventing errors that may occur in the water depth data of the target area and enabling objective judgment on water depth estimation. .
또한, 본 발명은 학습자료 조합모듈을 통해 위성자료의 5개 밴드 자료와 수심 자료를 조합하여 데이터조합 형성 시 동일 수심 간격마다 같은 수의 자료를 무작위 추출함으로써, 편중 학습을 방지하도록 하는 효과를 나타낸다.In addition, the present invention has the effect of preventing biased learning by randomly extracting the same number of data at the same depth interval when forming a data combination by combining five bands of satellite data and water depth data through a learning data combination module. .
또한, 본 발명은 데이터조합 형성 시 정규탁도지수를 함께 고려함으로써 탁도에 의하여 발생하는 원격반사도의 변화와 추정 수심 사이의 상관관계를 고려하도록 하는 효과를 보인다.In addition, the present invention has the effect of considering the correlation between the change in remote reflectivity caused by turbidity and the estimated water depth by considering the regular turbidity index when forming the data combination.
한편, 여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.Meanwhile, it is to be added that even if the effects are not explicitly mentioned herein, the effects described in the following specification and their potential effects expected from the technical features of the present invention are treated as if described in the specification of the present invention.
도 1은 본 발명의 일 실시예에 따른 위성영상 분석을 통한 수심 추정 시스템에 대한 블럭도이고;
도 2는 본 발명의 일 실시예에 따른, 대상영역의 위성자료에 육상 영역 제거 및 태양복사 영향 보정이 수행된 모습을 나타낸 이미지이고;
도 3는 도 1에 따른 기계학습부의 블럭도이고;
도 4는 본 발명의 일 적용예에 따라 세 해역의 밀도 산점도를 비교한 참고도이고;
도 5는 본 발명의 일 적용예에 따라 세 해역의 차수심을 비교한 참고도이고;
도 6는 본 발명의 일 적용예에 따라 세 해역의 수심추정 모델에 따른 탁도 영향을 비교한 참고도이고;
도 7은 도 6에 따른 두 해역의 수심추정 모델 정확도를 비교한 참고도이고;
도 8은 본 발명의 일 실시예에 따른 위성영상 분석을 통한 수심 측량방법에 대한 순서도이다.1 is a block diagram of a water depth estimation system through satellite image analysis according to an embodiment of the present invention;
Figure 2 is an image showing land area removal and solar radiation effect correction performed on satellite data of the target area according to an embodiment of the present invention;
Figure 3 is a block diagram of the machine learning unit according to Figure 1;
Figure 4 is a reference diagram comparing density scatterplots of three sea areas according to an application example of the present invention;
Figure 5 is a reference diagram comparing the water depth of three sea areas according to an application example of the present invention;
Figure 6 is a reference diagram comparing the turbidity effect according to the water depth estimation model in three sea areas according to an application example of the present invention;
Figure 7 is a reference diagram comparing the accuracy of the water depth estimation model for the two sea areas according to Figure 6;
Figure 8 is a flowchart of a bathymetry method through satellite image analysis according to an embodiment of the present invention.
이하, 본 발명의 실시예를 첨부된 도면들을 참조하여 더욱 상세하게 설명한다. 본 발명의 실시예는 다양한 형태로 변형할 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것으로 해석되어서는 안 되며 청구범위에 기재된 사항을 기준으로 해석되어야 한다. 또한, 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 참고적으로 제공되는 것일 뿐이다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the attached drawings. Embodiments of the present invention can be modified in various forms, and the scope of the present invention should not be construed as limited to the following embodiments, but should be interpreted based on the matters stated in the claims. In addition, this embodiment is provided only as a reference to more completely explain the present invention to those with average knowledge in the art.
본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.As used herein, the singular forms include the plural forms unless the context clearly indicates otherwise. Additionally, when used herein, “comprise” and/or “comprising” means specifying the presence of stated features, numbers, steps, operations, members, elements and/or groups thereof. and does not exclude the presence or addition of one or more other shapes, numbers, operations, members, elements and/or groups.
본 명세서에 있어서, 개별 구성들은 필요에 따라 일체로 이루어질 수도 또는 독립적으로 형성될 수도 있고 이에 별도의 제한이 없음에 유의하여야 한다.It should be noted that in this specification, individual components may be integrated or formed independently as needed, and there is no separate limitation thereon.
도 1은 본 발명의 일 실시예에 따른 위성영상 분석을 통한 수심 추정 시스템에 대한 블럭도이다.Figure 1 is a block diagram of a water depth estimation system through satellite image analysis according to an embodiment of the present invention.
이하에서는 첨부된 도면들을 참고하여 본 발명의 일 실시예에 따른 위성영상 분석을 통한 수심 추정 시스템에 대하여 상세히 설명하도록 한다.Hereinafter, a water depth estimation system through satellite image analysis according to an embodiment of the present invention will be described in detail with reference to the attached drawings.
도 1을 참고하면, 본 발명은 위성영상 분석을 통한 수심 추정 시스템(1)에 관한 것으로, 더욱 상세하게는 위성영상 분석을 통해 대상 영역의 수심을 추정하는 기계학습 모델을 생성하여 해역 별 수심을 측량하는 수심 추정 시스템에 관한 것이다.Referring to Figure 1, the present invention relates to a water depth estimation system (1) through satellite image analysis. More specifically, the water depth for each sea area is generated by creating a machine learning model that estimates the water depth of the target area through satellite image analysis. It is about a water depth estimation system for surveying.
이를 위하여, 상기 시스템(1)은 위성자료 편집부(10), 수심자료 보정부(30), 기계학습부(50)를 포함할 수 있다. For this purpose, the system 1 may include a satellite data editing unit 10, a water depth data correction unit 30, and a machine learning unit 50.
위성자료 편집부(10)는 수신한 인공위성 이미지를 편집하는 구성이다. 수신한 인공위성 이미지 중 일부는 학습 자료 생성을 위하여, 나머지 일부는 위성 기반 수심 추정 결과 산출을 위하여 편집할 수 있다. 즉, 학습 자료 생성을 위한 이미지 뿐만 아니라, 학습 자료 생성 후 대상영역의 위성 기반 수심 추정 결과 산출에 필요한 위성자료 역시 위성자료 편집부(10)를 통하여 편집되는 것이 바람직하다. 위성자료는 예를 들어 유럽항공우주국(ESA; European Space Agency)에서 제공하는 Sentinel-2A/B 자료일 수 있으나 본 발명의 범위가 이에 제한되는 것은 아니다.The satellite data editing unit 10 is configured to edit received satellite images. Some of the received satellite images can be edited to generate learning data, and others can be edited to produce satellite-based water depth estimation results. In other words, it is desirable that not only the images for generating learning data but also the satellite data necessary for calculating satellite-based water depth estimation results of the target area after generating learning data are edited through the satellite data editing unit 10. Satellite data may be, for example, Sentinel-2A/B data provided by the European Space Agency (ESA), but the scope of the present invention is not limited thereto.
이를 위하여, 상기 위성자료 편집부(10)는 대기영향 보정모듈(110), 태양복사 보정모듈(130), 육상영역 제거모듈(150), 노이즈 제거모듈(170)를 포함할 수 있다. 여기서, '모듈'이란 논리적인 구성단위를 말하며, 물리적인 구성단위로 제한하지 않는다.To this end, the satellite data editing unit 10 may include an atmospheric influence correction module 110, a solar radiation correction module 130, a land area removal module 150, and a noise removal module 170. Here, ‘module’ refers to a logical component and is not limited to a physical component.
대기영향 보정모듈(110)은 수신한 위성자료에 대한 대기영향을 보정하는 구성이다. 예를 들어, 태양복사에너지가 대기를 통과함에 따라 대기의 산란, 흡수, 굴절의 영향을 받게 되므로, 각 해역별 정확한 수심 추정을 위해서는 대기를 비롯하여 대기에 영향을 주고받는 구름의 영향을 보정하는 과정이 필수적이다. 이러한 대기영향의 보정은 COST(Cosine approximation) 모델을 이용하여 수행될 수 있으나 이에 별도의 제한이 있는 것은 아니다.The atmospheric impact correction module 110 is a component that corrects the atmospheric impact on the received satellite data. For example, as solar radiation energy passes through the atmosphere, it is affected by atmospheric scattering, absorption, and refraction. Therefore, in order to accurately estimate the depth of each sea area, it is necessary to correct the influence of the atmosphere and clouds that affect the atmosphere. This is essential. Correction of such atmospheric effects can be performed using the COST (Cosine approximation) model, but there is no separate limitation.
도 2는 본 발명의 일 실시예에 따른, 대상영역의 육상 영역 제거 및 태양복사 영향 보정이 수행된 모습을 나타낸 이미지이다.Figure 2 is an image showing removal of the land area of the target area and correction of solar radiation influence, according to an embodiment of the present invention.
도 1 및 도 2를 참고하면, 태양복사 보정모듈(130)은 대기보정된 위성자료에 대한 태양복사 영향을 보정하는 구성이다. 예를 들어, Sun-glint는 위성 영상에서 지구 표면으로 입사된 태양 복사가 물체에 반사된 후에 센서에 직접 입사하면서 발생하는 것으로, 이는 해수면, 태양 위치, 센서의 시야각, 바람 등 다양한 요인으로 발생할 수 있다. 따라서, 수체 반사율 결과의 정확도를 향상시키기 위해서는 Sun-glint 보정을 수행하는 것이 바람직하다. Referring to Figures 1 and 2, the solar radiation correction module 130 is configured to correct the influence of solar radiation on atmospherically corrected satellite data. For example, sun-glint occurs when solar radiation incident on the Earth's surface in satellite images is reflected by an object and then directly enters the sensor. This can occur due to various factors such as sea level, sun position, sensor's viewing angle, and wind. there is. Therefore, it is desirable to perform Sun-glint correction to improve the accuracy of water body reflectance results.
일반적으로, Sun-glint 보정은 근적외선 밴드와 다른 밴드와의 선형관계식을 계산 후 이상치 픽셀에 대해서 보정을 한다(Hediey et al., 2005). 이 과정은 유럽항공우주국(ESA)에서 제공하는 SNAP(Sentinel Application Platform) 프로그램을 사용하여 진행할 수 있다. 도 2(a)는 천수만(황해)의 위성 영상 이미지이고, (b)는 대상영역의 태양복사 영향 보정을 하기 전 위성 영상 이미지이며, (c)는 육상 영역 제거 및 태양복사 영향 보정한 후의 위성 영상 이미지이다. In general, sun-glint correction calculates the linear relationship between the near-infrared band and other bands and then corrects for outlier pixels (Hediey et al ., 2005). This process can be conducted using the SNAP (Sentinel Application Platform) program provided by the European Space Agency (ESA). Figure 2(a) is a satellite image of Cheonsu Bay (Yellow Sea), (b) is a satellite image before correction of the solar radiation effect of the target area, and (c) is a satellite image after removal of the land area and correction of the solar radiation effect. It is a video image.
육상영역 제거모듈(150)은 선별된 위성자료에 대한 육상 영역을 제거하는 구성이다. 예를 들어, 육상영역 제거모듈(150)은 광학지수를 통하여 육상과 해상지역을 구분할 수 있다. 일 예로, 근적외선 밴드에서 빛은 물에 의해 강하게 흡수되어 픽셀의 반사도 값이 0에 근접한다. 이 점을 근거로 근적외선 밴드와 녹색밴드를 활용한 정규수분지수(Normalized Difference Water Index; NDWI)로 육상과 해상지역을 구분할 수 있다. The land area removal module 150 is configured to remove the land area from selected satellite data. For example, the land area removal module 150 can distinguish between land and sea areas through the optical index. For example, in the near-infrared band, light is strongly absorbed by water, so the reflectance value of the pixel approaches 0. Based on this, land and marine areas can be distinguished using the Normalized Difference Water Index (NDWI) using the near-infrared band and green band.
정규수분지수는,The normal moisture index is,
(1) NDWI = (Green - NIR)/(Green + NIR)(1) NDWI = (Green - NIR)/(Green + NIR)
를 통하여 수행될 수 있다. 식 (1)에서 Green은 녹색 밴드에서의 반사도 값을, NIR은 근적외선 밴드에서의 반사도값을 의미하는 것으로 이해한다. 식 (1)에 의해서 도출된 지수값의 범위는 -1에서 1까지이며, 정규수분지수(NDWI)가 0보다 크면 해상 영역으로, 0보다 작으면 육상 영역으로 분류할 수 있다. 다만, 육상영역 제거모듈(150)은 정규수분지수 외 임의의 광학지수를 활용할 수도 있고 이에 별도의 제한이 있는 것은 아님에 유의하여야 한다. 또한, 육상영역 제거모듈(150)에 따른 육상 영역 제거는, 태양복사 보정모듈(130)에 의한 태양복사 영향 보정 전에 수행될 수도 또는 후에 수행될 수도 있고, 이에 별도의 제한이 있는 것은 아니다.It can be performed through. In equation (1), Green is understood to mean the reflectance value in the green band, and NIR is understood to mean the reflectance value in the near-infrared band. The range of the index value derived by equation (1) is from -1 to 1, and if the normal moisture index (NDWI) is greater than 0, it can be classified as a marine area, and if it is less than 0, it can be classified as a land area. However, it should be noted that the land area removal module 150 may utilize any optical index other than the regular moisture index and there is no separate limitation. In addition, the land area removal according to the land area removal module 150 may be performed before or after solar radiation effect correction by the solar radiation correction module 130, and there is no separate limitation thereon.
노이즈 제거모듈(170)은 보정한 위성자료에 대한 노이즈를 제거하는 구성이다. 예를 들어, 노이즈 제거모듈(170)은 최빈값 필터를 통해 수행될 수 있으나 이에 별도의 제한이 있는 것은 아니다. 여기서 최빈값 필터는 위성자료에서 잡음 화소를 제거하기 위해 표적 픽셀의 값이 주위 대상영역(n×n; n은 자연수) 내의 가장 많은 픽셀값으로 대체할 수 있다.The noise removal module 170 is configured to remove noise from corrected satellite data. For example, the noise removal module 170 may be performed through a mode filter, but there is no separate limitation on this. Here, in order to remove noise pixels from satellite data, the mode filter can replace the value of the target pixel with the value of the most pixels within the surrounding target area (n×n; n is a natural number).
수심자료 보정부(30)는 위성자료의 촬영 당시의 조위 변화를 보정하는 구성이다. 이를 위하여, 상기 수심자료 보정부(30)는 조석영향 보정모듈(310)를 포함할 수 있다. 여기서, '모듈'이란 논리적인 구성단위를 말하며, 물리적인 구성단위로 제한하지 않는다.The water depth data correction unit 30 is configured to correct changes in tide level at the time of capturing satellite data. To this end, the water depth data correction unit 30 may include a tidal effect correction module 310. Here, ‘module’ refers to a logical component and is not limited to a physical component.
조석영향 보정모듈(310)은 대상영역의 수심자료를 기준으로 하여 위성자료 촬영 시의 조석 보정을 수행하는 구성이다. 상기 수심자료는 예를 들어 국립해양조사원에서 제공하는 최신 해도에 포함된 수심값일 수도 있으나 이에 별도의 제한이 있는 것은 아니다. 이하에서는 조석 보정을 수행하여야 하는 이유에 대하여 상세히 설명한다. The tidal effect correction module 310 is a component that performs tidal correction when shooting satellite data based on the water depth data of the target area. The above water depth data may, for example, be water depth values included in the latest charts provided by the National Oceanographic Research Institute, but there is no separate limitation on this. Below, the reasons for performing tidal correction will be explained in detail.
예를 들어, 대상영역이 한림(남해) 및 만의 형태인 천수만(서해)인 경우, 해당 영역들은 조석의 영향을 많이 받는다. 특히, 서해의 경우 조차가 큰 지역은 약 10m 정도까지 수심 차이가 발생할 수 있다. 촬영된 위성자료의 원격반사도를 통하여 분석되는 수심은, 촬영 시 조위 변화가 반영된 해수면으로부터 해저까지의 물의 깊이이다. 따라서, 기본수준면(Datum Level, DL)을 기준으로 한 해도 수심을 파악하기 위해서는 위성자료 촬영 시의 조위를 통해 기준면을 조석 보정하는 과정이 필요하다. For example, if the target area is Hallim (South Sea) and the bay-shaped Cheonsu Bay (West Sea), those areas are greatly affected by tides. In particular, in the West Sea, areas with large evenness can have differences in water depth of up to about 10m. The water depth analyzed through the remote reflectivity of captured satellite data is the depth of water from the sea surface to the bottom of the sea, reflecting the change in tide level at the time of filming. Therefore, in order to determine the depth of the chart based on the datum level (DL), a process of tidal correction of the reference surface is necessary through the tide level when shooting satellite data.
위성자료 촬영시의 수심은,The water depth when shooting satellite data is,
(2) Ds(m) = DDL + tlMSL + ( Hm + Hs + Ho + Hk )(2) D s (m) = D DL + tl MSL + ( H m + H s + H o + H k )
를 통하여 수행될 수 있다. 식 (1)에서 Ds는 위성자료 촬영당시 수심을, DDL 는 기본수준면(DL) 기준 해도 수심을, tlMSL는 평균해수면(Mean Seal Level, MSL)으로부터 조위면을 의미하며, Hm과 Hs 그리고, Ho와 Hk는 조석현상에 따른 조차를 반영한 것으로 이해한다. 위성자료 촬영 당시 조위값은 조석 모델에서 연구지역과 가장 인접한 격자의 값을 사용할 수 있다. 상기 조위값은 평균해수면(MSL)을 기준으로 고조위는 양의 값으로, 저조위는 음의 값으로 나타나며, 이를 식(2)에 대입하여 위성자료 촬영 당시의 보정된 해도 수심을 계산한다. 보정된 해도 수심은 후술할 기계학습의 정답자료로 사용할 수 있다. 또한, 조석 모델은 예를 들어 일본 국립천문대에서 제공하는 NAO99.Jb 조석 모델을 사용할 수 있고, 북서태평양 영역으로 대상으로 1/12˚의 공간 해상도를 가진다.It can be performed through. In equation (1), D s is the water depth at the time of satellite data capture, and D DL is the chart depth based on the basic level (DL), tl MSL is the tidal level from the mean sea level (Mean Seal Level, MSL), H m and H s , and H o and H k are the evenness due to tidal phenomena. I understand it as a reflection. The tidal level value at the time of satellite data capture can be the value of the grid closest to the study area in the tidal model. The tide level value is expressed as a positive value for high water level and a negative value for low water level based on mean sea level (MSL), and this is substituted into equation (2) to calculate the corrected chart water depth at the time of satellite data capture. The corrected chart water depth can be used as the answer data for machine learning, which will be described later. In addition, the tidal model can use, for example, the NAO99.Jb tidal model provided by the National Astronomical Observatory of Japan, and has a spatial resolution of 1/12° for the western North Pacific region.
도 3는 도 1에 따른 기계학습부의 블럭도이다.Figure 3 is a block diagram of the machine learning unit according to Figure 1.
도 1 및 도 3을 참고하면, 기계학습부(50)는 위성자료 편집부(10), 수심자료 보정부(30)를 통하여 편집/보정 후 입력된 위성 자료를 토대로 수심추정 모델을 생성하는 구성이다. 기계학습은 예를 들어 수심추정 모델은 Random-Forest(RF) 학습 모델을 활용하여 생성할 수 있다. Random-Forest(RF) 학습 모델은 분류 및 회귀분석을 하는 기계학습 방법으로, 다수의 결정 트리들을 학습하는 앙상블 방법이다. 해당 모델은 변수 추가 및 변경이 간편한 이점이 있으나, 학습 자료로 사용하는 데이터조합(또는 셋)의 정확도를 많이 요구한다. Referring to Figures 1 and 3, the machine learning unit 50 is configured to generate a water depth estimation model based on the input satellite data after editing/correction through the satellite data editing unit 10 and the water depth data correction unit 30. . In machine learning, for example, a water depth estimation model can be created using a Random-Forest (RF) learning model. The Random-Forest (RF) learning model is a machine learning method that performs classification and regression analysis and is an ensemble method that learns multiple decision trees. This model has the advantage of being easy to add and change variables, but requires a lot of accuracy in the data combination (or set) used as learning material.
이를 위하여, 상기 기계학습부(50)는 공간해상도 통일모듈(510), 학습자료 조합모듈(530)을 포함할 수 있다.To this end, the machine learning unit 50 may include a spatial resolution unification module 510 and a learning data combination module 530.
공간해상도 통일모듈(510)은 위성자료 편집부(10)로부터 수신한 5개 밴드의 공간해상도를 재배열하는 구성이다. 더욱 상세하게 설명하면, 5개 밴드는 적색(Red), 녹색(Green), 청색(Blue), 근적외선(Near Infrared; NIR), 및 Vegetation red edge 5개 밴드를 의미하며, 공간해상도 통일모듈(510)을 통하여 5개 밴드의 공간해상도를 일치시킬 수 있다. 예를 들어 Vegetation red edge 밴드가 20m 공간해상도를 가지며, 나머지 4개 밴드가 10m 공간해상도를 가질 때 선형보간법(Linear method)을 통하여 5개 밴드의 공간해상도를 일치시킬 수 있으나 이에 별도의 제한이 있는 것은 아니다.The spatial resolution unification module 510 is configured to rearrange the spatial resolution of the five bands received from the satellite data editing unit 10. To explain in more detail, the five bands refer to five bands: Red, Green, Blue, Near Infrared (NIR), and Vegetation red edge, and the spatial resolution unification module (510 ), the spatial resolution of the five bands can be matched. For example, when the Vegetation red edge band has a spatial resolution of 20m and the remaining four bands have a spatial resolution of 10m, the spatial resolution of the five bands can be matched through linear interpolation, but there are separate limitations to this. That is not the case.
학습자료 조합모듈(530)은 해역별로 분류한 위성자료들을 해도 수심자료와 조합하여 데이터조합을 구축하는 구성이다. 더욱 자세하게 설명하면, 해역별로 위성자료의 5개 밴드 자료와 해도 수심 자료를 묶어서 데이터조합을 구성하는데, 이 때 편중 학습 방지를 위하여 동일 수심 간격마다 같은 수의 자료를 무작위 추출하여 데이터조합(또는 데이터셋)을 형성할 수 있다. 예를 들어, 기본수준면(DL) 기준으로 수심이 -5 ~ 25m에 해당하는 픽셀을 대상으로 할 때 5m 간격마다 15,000개의 자료를 무작위로 추출하여 데이터조합을 재생산할 수 있다. 여기서, 생산된 데이터조합의 일부는 모델 학습을 위하여, 나머지 일부는 검증을 위하여 사용될 수 있다. 예를 들어, 생산된 데이터 조합의 80%는 모델 학습에 사용하고, 20%는 검증 용도로 사용할 수 있다. The learning data combination module 530 is configured to construct a data combination by combining satellite data classified by sea area with chart water depth data. To explain in more detail, a data combination is formed by grouping the five bands of satellite data and chart depth data for each sea area. At this time, to prevent biased learning, the same number of data is randomly selected at the same depth interval to combine data (or data combination). three) can be formed. For example, when targeting pixels with a water depth of -5 to 25 m based on the basic level surface (DL), the data combination can be reproduced by randomly extracting 15,000 data at every 5 m interval. Here, part of the produced data combination can be used for model learning, and the remaining part can be used for verification. For example, 80% of the data combination produced can be used for model training, and 20% can be used for validation purposes.
학습자료 조합모듈(530)은 모델 학습 시 5개 밴드 자료(원격 반사도)와 정답 자료를 데이터조합으로, 추후 수심 추정 시 5개 밴드 자료를 데이터조합으로 입력할 수 있다. 또한, 필요한 경우, 모델 학습 및 추후 수심 추정 시 촬영 위치의 정규탁도지수를 데이터조합에 포함하여 입력할 수도 있으며 이에 대한 상세한 설명은 후술하도록 한다. The learning data combination module 530 can input the 5 band data (remote reflectivity) and the correct answer data as a data combination when learning a model, and the 5 band data as a data combination when estimating water depth later. In addition, if necessary, the normal turbidity index of the shooting location can be included in the data combination and input when learning the model and later estimating water depth, and a detailed explanation of this will be provided later.
이하에서는 본 발명의 일 실시예에 따른 수심추정 모델의 정확도 검증 적용예에 대하여 상세히 설명하도록 한다.Hereinafter, an example of application of accuracy verification of a water depth estimation model according to an embodiment of the present invention will be described in detail.
대상 지역은 수심 변화가 크고, 상대적으로 낮은 탁도의 특성을 가진 동해와, 수심이 얕고 조석의 영향이 강하며 수중 탁도가 매우 높은 서해, 동해와 서해의 중간 정도 특징을 가진 남해를 대상으로 하였으며, 상세하게는, 비교자료의 적합성 확보를 위해 최신 수심측량 성과가 있는 삼척(동해), 한림(남해) 및 만의 형태인 천수만(서해)을 연구영역 선정하였다.The target areas were the East Sea, which has large changes in water depth and relatively low turbidity; the West Sea, which has shallow water depth, strong tidal influence, and very high underwater turbidity; and the South Sea, which has characteristics intermediate between the East and West Seas. In detail, to ensure the suitability of comparative data, Samcheok (East Sea), Hallim (South Sea), which have the latest bathymetry results, and Cheonsu Bay (West Sea), which has the shape of a bay, were selected as research areas.
해당 지역에서의 수심을 추정하기 위한 위성자료(위성 이미지)로, 유럽항공우주국(ESA)에서 제공하는 Sentinel-2A/B 자료를 활용하였으며, 대상영역에 대해 구름이 적고, 탁도와 파도의 영향이 적은 자료들로 선별하였다. As satellite data (satellite image) to estimate the water depth in the area, Sentinel-2A/B data provided by the European Space Agency (ESA) was used, and there were few clouds in the target area and the effects of turbidity and waves were not observed. It was selected from small amounts of data.
또한, 수심추정 모델의 성능 검증을 위하여, 학습에 사용되지 않은 독립적인 일자의 위성자료를 활용하여 예측 수심을 출력하였다. 검증을 위하여 사용된 위성자료는 위성자료 편집부(10) 및 수심자료 보정부(30)를 통하여 학습자료와 동일하게 편집 및 보정되었으며, 수심 구간 별 픽셀을 3,000개로 통일하여 무작위 추출하였다. 검증을 위하여 사용된 위성자료의 출력값(예측 수심)을 국립해양조사원에서 제공하는 수심자료(실제 수심값)와 비교하였다. In addition, to verify the performance of the water depth estimation model, the predicted water depth was output using satellite data of an independent date that was not used for learning. The satellite data used for verification was edited and corrected in the same way as the learning data through the satellite data editing unit (10) and the depth data correction unit (30), and 3,000 pixels for each depth section were unified and randomly extracted. For verification, the output value (predicted water depth) of the satellite data used was compared with the water depth data (actual water depth value) provided by the National Oceanographic Research Institute.
이 때 삼척(동해), 한림(남해) 및 만의 형태인 천수만(서해)의 RMSE 2.0749m, 4.6616m, 5.0526m 정확도를 나타내었다. At this time, the RMSE accuracy of Samcheok (East Sea), Hallim (South Sea), and Cheonsu Bay (West Sea), which is a bay, was 2.0749m, 4.6616m, and 5.0526m.
위성영상 기반 추정된 수심의 정확성 판단Determination of accuracy of estimated water depth based on satellite images
도 4는 본 발명의 일 적용예에 따라 세 해역의 밀도 산점도를 비교한 참고도이다. Figure 4 is a reference diagram comparing density scatterplots of three sea areas according to an application example of the present invention.
도 4를 참고하면, 도 4의 (a)~(c)는 3개 해역을 대상으로 한 밀도 산점도로, x축을 실제 수심, y축을 예측 수심으로 하여 생성하였다. 밀도 산점도는 빨간색일수록 많은 점이 밀집한 것을 의미하며, 1:1 선과 유사할수록 추정 모델이 실측값을 잘 재현한 것을 의미한다. 도 4(a)에서 천수만은 실제 수심과 실제 수심의 변화와는 무관하게 예측된 수심값이 약 5~12m 구간에 집중되었다. 도 4(b)를 참고하면, 한림항은 대략 15m 이상 수심에서 상대적으로 높은 정확도를 나타내었다. 다만, 약 0~7.5m 수심에서 일부 높은 밀도 산점도를 나타내는 해역이 존재함을 확인하였다. 또한, 도 4(c)를 참고하면, 삼척항은 연안해역에서 높은 정확도 및 밀도 산점도를 나타내었으며, 대략 7.5 미터 이상 수심에서 정밀도가 낮아지는 경향을 보였다.Referring to Figure 4, (a) to (c) in Figure 4 are density scatter plots for three sea areas, created with the x-axis being the actual water depth and the y-axis being the predicted water depth. The redder the density scatterplot, the more points there are, meaning that more points are concentrated, and the closer it is to the 1:1 line, the better the estimated model reproduces the actual measured values. In Figure 4(a), the predicted water depth values of Cheonsu Bay were concentrated in the range of about 5 to 12 m, regardless of the actual water depth and changes in the actual water depth. Referring to Figure 4(b), Hallim Port showed relatively high accuracy at water depths of approximately 15 m or more. However, it was confirmed that there are sea areas showing some high density scatter plots at a water depth of approximately 0 to 7.5 m. Additionally, referring to Figure 4(c), Samcheok Port showed high accuracy and density scatter plots in coastal waters, and accuracy tended to decrease at water depths of approximately 7.5 meters or more.
도 5는 본 발명의 일 적용예에 따라 세 해역의 차수심을 비교한 참고도이다. Figure 5 is a reference diagram comparing the water depth of three sea areas according to an application example of the present invention.
도 5를 참고하면, 도 5의 (a)~(i)는 3개 해역을 대상으로한 차수심의 결과로, (a)~(c)는 천수만을, (d)~(f)는 한림항(비양도), (g)~(i)는 삼척항으로 하여 생성하였다. 여기서 차수심은 상기 수심추정 모델로 추정한 수심과 최근 2020년 해도 수심의 차이를 의미하며, 도 5(a),(d),(g)는 추정한 수심을, (b),(e),(h)는 2020년 해도 수심을, (c),(f),(i)는 두 결과의 차수심을 말한다. 이때, 차수심은 과대추정으로 갈수록 빨간색을 보였으며, 과소추정으로 갈수록 파란색을 나타내었다.Referring to Figure 5, (a) to (i) in Figure 5 are the results of water depth for three sea areas, (a) to (c) are Cheonsu Bay, and (d) to (f) are Hallim Port. (Non-assignment), (g) to (i) were created using Samcheok Port. Here, the difference in water depth refers to the difference between the water depth estimated by the water depth estimation model and the water depth in the recent 2020 chart, and Figures 5(a), (d), and (g) show the estimated water depth, (b), (e) ,(h) refers to the water depth in 2020, and (c), (f), and (i) refer to the water depth of the two results. At this time, the water depth appeared red as it became overestimated, and blue as it became underestimation.
그 결과, 도 5(i)에서 삼척항의 차수심 결과를 보면 전체 해역에서 과대추정되는 경향을 보였으나 연안해역 일부에서 과소추정이 되는 결과를 나타냈다. 도 5(f)를 참고하면, 한림항은 비양도를 중심으로 2020년도 해도 수심 측량 성과가 북서 및 남동 해역에만 존재하였다. 특히, 북서 방향의 비양도와 가까운 연안해역에서 과도하게 과대추정이 되는 경향을 보였으나, 외해 방향으로 갈수록 차수심이 과소추정되는 특성을 나타냈다. 또한, 도 5(c)를 참고하면, 천수만은 북쪽해역이 과대 및 과소 추정이 반복적으로 나타나고, 남쪽해역은 대부분 과소추정되는 경향을 나타내었다.As a result, looking at the water depth results of Samcheok Port in Figure 5(i), it showed a tendency to overestimate in the entire sea area, but showed an underestimation in some coastal waters. Referring to Figure 5(f), Hallim Port's 2020 chart bathymetry results were only in the northwest and southeastern seas, focusing on Biyangdo Island. In particular, there was a tendency for excessive overestimation in the coastal waters close to Biyangdo in the northwest, but the water depth showed characteristics of underestimation as it went toward the open sea. Additionally, referring to Figure 5(c), Cheonsu Bay showed repeated over- and under-estimation in the northern sea area and a tendency for most of the southern sea area to be under-estimated.
위성영상 기반 추정된 수심의 Estimated water depth based on satellite images 탁도영향Turbidity effect 판단 judgment
도 6는 본 발명의 일 적용예에 따라 세 해역의 수심추정 모델에 따른 탁도 영향을 비교한 참고도이고; 도 7은 도 6에 따른 두 해역의 수심추정 모델 정확도를 비교한 참고도이다.Figure 6 is a reference diagram comparing the turbidity effect according to the water depth estimation model in three sea areas according to an application example of the present invention; Figure 7 is a reference diagram comparing the accuracy of the water depth estimation model for the two sea areas according to Figure 6.
3개 해역을 수심추정 검증에 사용된 픽셀들의 반사도를 이용하여 정규탁도지수(Normalized Difference Turbidity Index, NDTI)를 확인할 수 있다. The Normalized Difference Turbidity Index (NDTI) can be checked using the reflectivity of the pixels used to verify the water depth estimation for the three sea areas.
정규탁도지수는,The regular turbidity index is,
(3) NDTI = (Red - Green)/(Red + Green)(3) NDTI = (Red - Green)/(Red + Green)
를 통하여 수행될 수 있다. 식 (3)에서 Green은 녹색 밴드에서의 반사도 값을, Red는 적색 밴드에서의 반사도값을 의미하는 것으로 이해한다. 식 (3)에 의해서 도출된 값의 범위는 -1에서 1까지이며, -1에 가까울수록 탁도가 낮은 맑은 해수를 의미하며, 파란색으로 나타내었다. 여기서, 정규탁도지수(NDTI)는 2개 밴드를 사용하여 수질 탁도와 관련이 있는 토양침전물, 미세 식물류, 부유 물질 등의 농도를 추정하는 기법이다.It can be performed through. In equation (3), Green is understood to mean the reflectivity value in the green band, and Red is understood to mean the reflectivity value in the red band. The range of the value derived by equation (3) is from -1 to 1, and the closer it is to -1, the clearer seawater with lower turbidity is indicated in blue. Here, the normalized turbidity index (NDTI) is a technique that uses two bands to estimate the concentration of soil sediment, microscopic plants, and suspended solids related to water turbidity.
도 6을 참고하면, 도 6(a)에서 천수만은 조석의 영향을 크게 받는 서해에 위치해 있기 때문에 중간수준(연녹색) 정도의 탁도지수를 나타내었으며, 수심추정 결과와는 상관관계가 없었다. 하지만, 도 6(b)와 (c)를 참고하면, 한림항과 삼척항의 경우 높은 수심추정 정확도를 나타내는 위치에서 상대적으로 낮은 탁도지수를 보였으며, 특히 한림항의 경우 0~7.5m의 얕은 해역에서 서로 다른 정규탁도지수가 산출되었다. Referring to Figure 6, in Figure 6(a), Cheonsu Bay showed a turbidity index at a medium level (light green) because it is located in the West Sea, which is greatly influenced by tides, and there was no correlation with the water depth estimation results. However, referring to Figures 6(b) and (c), Hallim Port and Samcheok Port showed relatively low turbidity indices at locations showing high water depth estimation accuracy, and in particular, in the case of Hallim Port, the turbidity index was relatively low in the shallow waters of 0 to 7.5 m. Different normal turbidity indices were calculated.
전술한 바와 같이, 학습자료 조합모듈(530)은 해역별로 위성자료의 5개 밴드 자료와 해도 수심 자료를 묶어서 데이터조합을 구성한다. 이 때 본 발명에서는 탁도에 의하여 발생하는 원격반사도의 변화와 추정 수심 사이에 유의미한 상관관계가 있는 것으로 가정하고, 개별 픽셀의 정규탁도지수를 산출하여 데이터조합을 구성한다. 즉, 학습자료 조합모듈(530)을 통한 데이터조합은, 해역별 위성자료의 5개 밴드 자료(반사도), 해도 수심 자료 및 픽셀 별 정규탁도지수를 포함할 수 있다. As described above, the learning data combination module 530 configures a data combination by combining five bands of satellite data and chart depth data for each sea area. At this time, in the present invention, it is assumed that there is a significant correlation between the change in remote reflectivity caused by turbidity and the estimated water depth, and the normal turbidity index of each pixel is calculated to construct a data combination. In other words, data combination through the learning data combination module 530 may include five band data (reflectivity) of satellite data for each sea area, chart water depth data, and normal turbidity index for each pixel.
도 7을 참고하면, 정규탁도지수 고려 시 기존 수심추정 결과에 대비하여 상관관계와 정확도 모두 증가하였으며, 특히 천수만에서 가장 큰 변화를 나타내었다. 천수만에서 상관관계는 R=-0.05로 관계가 없음이었던 기존의 결과에서 R=0.3272인 낮은 상관관계로 변경되었으며, RMSE는 1.1m 만큼 감소하였다. 하지만 천수만의 0~5m 수심에서는 RMSE가 오히려 증가하였으며, 삼척항의 깊은 해역(15~20m)에서는 RMSE가 0.56m 만큼 증가하였고, 얕은 해역(0~5m)에서는 0.08m로 소폭 개선되는 결과를 나타내었다. 본 결과를 통해 탁한 해역에서는 위성영상 기반의 수심추정 모델 개발 과정에서 탁도의 고려가 정확도 향상에 기여할 수 있음을 확인할 수 있다.Referring to Figure 7, when considering the regular turbidity index, both correlation and accuracy increased compared to the existing water depth estimation results, with the greatest change in Cheonsu Bay in particular. In Cheonsu Bay, the correlation changed from the previous result of no relationship at R=-0.05 to a low correlation at R=0.3272, and the RMSE decreased by 1.1m. However, RMSE actually increased at a water depth of 0 to 5 m in Cheonsu Bay, and in the deep waters of Samcheok Port (15 to 20 m), RMSE increased by 0.56 m, and in shallow waters (0 to 5 m), it slightly improved to 0.08 m. . These results confirm that in turbid waters, considering turbidity during the development of a satellite image-based water depth estimation model can contribute to improving accuracy.
도 8은 본 발명의 일 실시예에 따른 인공위성 영상 분석을 통한 수심 측량방법에 대한 순서도이다.Figure 8 is a flowchart of a bathymetry method through satellite image analysis according to an embodiment of the present invention.
이하에서는 첨부된 도면을 참고하여 본 발명의 일 실시예에 따른 위성영상 분석을 통한 수심 추정 방법(S1)에 대하여 상세히 설명하도록 한다. 이하 설명할 각 단계들은 기재된 순서와 시간적 선후를 달리할 수도 또는 특정 단계들은 실질적으로 동시에 수행될 수도 있음에 유의하여야 한다. 상기 수심 추정 방법(S1)은 전술한 수심 추정 시스템(1)의 각 구성을 통하여 수행되므로 이에 대한 상세한 설명은 생략하도록 한다.Hereinafter, the water depth estimation method (S1) through satellite image analysis according to an embodiment of the present invention will be described in detail with reference to the attached drawings. It should be noted that each step to be described below may differ in chronological order from the described order, or that specific steps may be performed substantially simultaneously. Since the water depth estimation method (S1) is performed through each component of the water depth estimation system (1) described above, detailed description thereof will be omitted.
먼저, 도 8을 참고하면, 수신한 위성자료를 편집을 수행한다(S10). 단계 S10은 위성자료 편집부(10)를 통하여 수행될 수 있다. 그리고 나서, 수신한 수심자료를 보정하는 편집을 수행한다(S20). 단계 S20은 수심자료 보정부(30)를 통해 수행될 수 있고, 전술한 단계 S10과 실질적으로 동시에 또는 시간적 선후를 달리하여 수행될 수 있다. 이후, 편집한 위성자료와 보정한 수심자료를 조합하여 기계학습 모델을 생성한다(S30). 단계 S30은 기계학습부(50)를 통하여 수행될 수 있다.First, referring to FIG. 8, the received satellite data is edited (S10). Step S10 can be performed through the satellite data editing unit 10. Then, editing is performed to correct the received depth data (S20). Step S20 may be performed through the water depth data correction unit 30, and may be performed substantially simultaneously with the above-described step S10 or in a different temporal sequence. Afterwards, a machine learning model is created by combining the edited satellite data and the corrected water depth data (S30). Step S30 may be performed through the machine learning unit 50.
단계 S10에 대하여 상세히 설명하면, 대기영향 보정모듈(110)을 통해 수신한 위성자료에 대한 대기 영향을 보정한다(S110). 그리고 나서, 육상영역 제거모듈(150)에 의하여 위성자료에 대한 육상 영역을 제거한다(S130). 단계 S130에서는 육상과 해상지역을 구분하기 위해 정규수분지수(NDWI)를 이용할 수 있으나 본 발명의 범위가 이에 제한되는 것은 아니다.Describing step S10 in detail, the atmospheric influence on the satellite data received through the atmospheric influence correction module 110 is corrected (S110). Then, the land area for the satellite data is removed by the land area removal module 150 (S130). In step S130, the normal moisture index (NDWI) can be used to distinguish between land and sea areas, but the scope of the present invention is not limited thereto.
이후, 위성자료에 대해 태양복사 보정을 수행한다(S150). 단계 S150 에서는 각 해안별 위성자료를 Sun-glint 보정을 통하여 생성할 수 있다. Afterwards, solar radiation correction is performed on the satellite data (S150). In step S150, satellite data for each coast can be generated through sun-glint correction.
그 후, 노이즈 제거모듈(170)을 통해 대기 및 육상영역 제거와, 태양복사 보정을 수행한 위성자료에 대해 노이즈를 제거한다(S170). 상세하게는, 위성자료에서 잡음 화소를 제거하기 위해 표적 픽셀의 값이 주위 대상영역(n X n; n은 자연수) 픽셀 내의 가장 많은 픽셀값으로 대체할 수 있다.Afterwards, noise is removed from the satellite data for which atmospheric and land areas have been removed and solar radiation correction has been performed through the noise removal module 170 (S170). Specifically, to remove noise pixels from satellite data, the value of the target pixel can be replaced with the value of the most pixels within the surrounding target area (n
다음으로, 단계 S30에 대하여 자세하게 설명하면, 공간해상도 통일모듈(510)을 통하여 위성자료 밴드별 공간해상도를 재배열한다(S310). 그리고 나서, 각 해역별로 위성자료의 5개 밴드 자료와 해도 수심 자료를 묶어서 데이터를 조합한다(S330). 단계 S330에서는 학습자료 조합모듈(530)을 통하여 데이터조합을 구성할 수 있다. 이 때 정규탁도지수를 고려하여 데이터조합을 구성할 수도 있다. 그 후, 예를 들어 Random-Forest(RF) 학습모델을 기반한 수심추정 모델을 생성한다(S350). Next, to describe step S30 in detail, the spatial resolution for each satellite data band is rearranged through the spatial resolution unification module 510 (S310). Then, the data is combined by combining the five bands of satellite data and chart depth data for each sea area (S330). In step S330, data combination can be configured through the learning material combination module 530. At this time, a data combination can be constructed considering the regular turbidity index. Afterwards, for example, a water depth estimation model based on a Random-Forest (RF) learning model is created (S350).
이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한, 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 전술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다.The above detailed description is illustrative of the present invention. Additionally, the foregoing is intended to illustrate preferred embodiments of the present invention, and the present invention can be used in various other combinations, modifications, and environments. That is, changes or modifications can be made within the scope of the inventive concept disclosed in this specification, a scope equivalent to the written disclosure, and/or within the scope of technology or knowledge in the art. The above-described embodiments illustrate the best state for implementing the technical idea of the present invention, and various changes required for specific application fields and uses of the present invention are also possible. Accordingly, the detailed description of the invention above is not intended to limit the invention to the disclosed embodiments.
1 : 인공위성 영상 분석을 통한 수심 추정 시스템
10 : 위성자료 편집부
110 : 대기영향 보정모듈 130 : 태양복사 보정모듈
150 : 육상영역 제거모듈 170 : 노이즈 제거모듈
30 : 수심자료 보정부
310 : 조석영향 보정모듈
50 : 기계학습부
510 : 공간해상도 통일모듈 530 : 학습자료 조합모듈
S1 : 인공위성 영상 분석을 통한 수심 추정 방법
S10 내지 S30 : 각 단계
1: Water depth estimation system through satellite image analysis
10: Satellite data editing department
110: Atmospheric impact correction module 130: Solar radiation correction module
150: Land area removal module 170: Noise removal module
30: Water depth data correction unit
310: Tidal effect correction module
50: Machine Learning Department
510: Spatial resolution unification module 530: Learning material combination module
S1: Water depth estimation method through satellite image analysis
S10 to S30: each step
Claims (9)
상기 위성자료 촬영 시의 조석 보정을 수행하여 수심자료를 보정하는 단계; 및,
상기 위성자료 및 보정된 수심자료를 토대로 학습모델을 생성하는 단계;를 포함하며,
상기 위성자료를 편집하는 단계는
위성자료에 대해 태양복사 영향을 보정하는 단계;를 포함하고,
상기 학습모델을 생성하는 단계는
상기 위성자료의 밴드 별 반사도, 보정된 수심자료와, 녹색 밴드 및 적색 밴드에서의 반사도값을 통하여 도출한 정규탁도지수 자료를 포함하는 데이터조합을 기반으로 기계학습 모델을 생성하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정방법.
Editing the received satellite data;
Correcting water depth data by performing tidal correction when shooting the satellite data; and,
It includes generating a learning model based on the satellite data and the corrected water depth data,
The step of editing the satellite data is
Comprising: correcting the influence of solar radiation on satellite data,
The step of creating the learning model is
A satellite that generates a machine learning model based on a data combination including reflectance for each band of the satellite data, corrected water depth data, and regular turbidity index data derived from reflectance values in the green band and red band. Water depth estimation method through image analysis.
수신한 위성자료에 대한 대기 영향을 보정하는 단계; 및
대기 보정한 위성자료에 대해 육상 영역을 제거하는 단계;를 추가로 포함하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 1, wherein the step of editing the satellite data is
Correcting atmospheric influences on received satellite data; and
A method of estimating water depth through satellite image analysis, further comprising the step of removing land areas from atmospherically corrected satellite data.
위성자료에 대해 노이즈를 제거하는 단계;를 추가로 포함하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 2, wherein the step of editing the satellite data is
A method of estimating water depth through satellite image analysis, further comprising the step of removing noise from satellite data.
각 해안별 위성자료를 Sun-glint 보정하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 2, wherein the step of correcting the influence of solar radiation on the received satellite data is
A method of estimating water depth through satellite image analysis, characterized by sun-glit correction of satellite data for each coast.
육상지역과 해상지역을 구분하기 위해 정규수분지수를 적용하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 2, wherein the step of removing the land area from the satellite data is
A method of estimating water depth through satellite image analysis, characterized by applying the regular moisture index to distinguish between land and sea areas.
n x n 최빈값 필터를 적용하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 3, wherein the step of removing noise from the satellite data is
A method of estimating water depth through satellite image analysis, characterized by applying an nxn mode filter.
동일 수심 간격마다 같은 수의 밴드 별 반사도 자료를 무작위 추출하여 데이터조합을 생성하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 1, wherein the step of generating the learning model is
A water depth estimation method through satellite image analysis, characterized by generating a data combination by randomly extracting the same number of band-specific reflectivity data at the same water depth interval.
적색, 녹색, 청색, 근적외선 및 Vegetation red edge 등 5개 밴드를 활용하는 것을 특징으로 하는 위성영상 분석을 통한 수심 추정 방법.
The method of claim 1, wherein the step of generating the data combination is
A water depth estimation method through satellite image analysis that utilizes five bands, including red, green, blue, near-infrared, and vegetable red edge.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230125329A KR102652601B1 (en) | 2023-09-20 | 2023-09-20 | Water depth estimation system using satellite images and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230125329A KR102652601B1 (en) | 2023-09-20 | 2023-09-20 | Water depth estimation system using satellite images and method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102652601B1 true KR102652601B1 (en) | 2024-03-29 |
Family
ID=90483515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230125329A KR102652601B1 (en) | 2023-09-20 | 2023-09-20 | Water depth estimation system using satellite images and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102652601B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101621354B1 (en) * | 2016-03-31 | 2016-05-20 | 주식회사 지오스토리 | Water column correction using airborne hyperspectral image |
| US20160247011A1 (en) * | 2010-07-21 | 2016-08-25 | Ron Abileah | Visibility of Targets on and below the Ocean Surface |
| KR101737354B1 (en) * | 2016-04-11 | 2017-05-19 | 한국해양과학기술원 | Method and system for detection of algal patches floating on sea surface using satellite imagery |
| KR101798405B1 (en) | 2017-05-23 | 2017-11-16 | 주식회사 환경과학기술 | Automatic System and Method for Bathymetry Derived from Satellite Imagery |
| KR101965235B1 (en) * | 2018-12-10 | 2019-04-03 | 주식회사 지오스토리 | Method for distribution survey of seagrass using uav |
-
2023
- 2023-09-20 KR KR1020230125329A patent/KR102652601B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247011A1 (en) * | 2010-07-21 | 2016-08-25 | Ron Abileah | Visibility of Targets on and below the Ocean Surface |
| KR101621354B1 (en) * | 2016-03-31 | 2016-05-20 | 주식회사 지오스토리 | Water column correction using airborne hyperspectral image |
| KR101737354B1 (en) * | 2016-04-11 | 2017-05-19 | 한국해양과학기술원 | Method and system for detection of algal patches floating on sea surface using satellite imagery |
| KR101798405B1 (en) | 2017-05-23 | 2017-11-16 | 주식회사 환경과학기술 | Automatic System and Method for Bathymetry Derived from Satellite Imagery |
| KR101965235B1 (en) * | 2018-12-10 | 2019-04-03 | 주식회사 지오스토리 | Method for distribution survey of seagrass using uav |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jagalingam et al. | Bathymetry mapping using Landsat 8 satellite imagery | |
| Komatsu et al. | Use of multi-beam sonar to map seagrass beds in Otsuchi Bay on the Sanriku Coast of Japan | |
| Kotilainen et al. | Comparison of airborne LiDAR and shipboard acoustic data in complex shallow water environments: Filling in the white ribbon zone | |
| Tulldahl et al. | Classification of aquatic macrovegetation and substrates with airborne lidar | |
| Dickens et al. | Application of machine learning in satellite derived bathymetry and coastline detection | |
| Lefebvre et al. | Use of a high-resolution profiling sonar and a towed video camera to map a Zostera marina bed, Solent, UK | |
| Peeri et al. | The seafloor: A key factor in lidar bottom detection | |
| Pydyn et al. | Exploration and reconstruction of a medieval harbour using hydroacoustics, 3‐D shallow seismic and underwater photogrammetry: A case study from Puck, southern Baltic Sea | |
| Trembanis et al. | Mesophotic coral ecosystems: a geoacoustically derived proxy for habitat and relative diversity for the leeward shelf of Bonaire, Dutch Caribbean | |
| Mayorga-Martínez et al. | Characterizing geomorphology of mesophotic coral reef ecosystems in the southwestern Gulf of Mexico: implications for conservation and management | |
| Kuus | Bottom tracking issues and recognition thereof using SHOAL-300 green laser beam in dense fields of Zostera Marina and Laminaria Sp. | |
| Bailly et al. | Airborne LiDAR methods applied to riverine environments | |
| Aleksandra et al. | Assessment of submerged aquatic vegetation abundance using multibeam sonar in very shallow and dynamic environment. The Lagoon of Venice (Italy) case study | |
| KR102652601B1 (en) | Water depth estimation system using satellite images and method thereof | |
| Adalya et al. | Modeling of hydro-oceanographic parameters and its possible impact on coral reef cover in Derawan Island waters, East Kalimantan, Indonesia | |
| Freire | Evaluating satellite derived bathymetry in regard to total propagated uncertainty, multi-temporal change detection, and multiple non-linear estimation | |
| Shao et al. | Verification of echosounder measurements of thickness and spatial distribution of kelp forests | |
| Kimeli et al. | Satellite-derived bathymetry: A case study of Mombasa Port Channel and its approaches, Kenya | |
| Parrott et al. | Integration of multibeam bathymetry and LiDAR surveys of the Bay of Fundy, Canada | |
| Agrafiotis | Image-based bathymetry mapping for shallow waters | |
| Manson et al. | Modelled nearshore sediment transport in open-water conditions, central north shore of Prince Edward Island, Canada | |
| Foveau et al. | Using underwater imagery as a complementary tool for benthos sampling in an area with high-energy hydrodynamic conditions | |
| Rogowski et al. | X‐Band Radar Mapping of Morphological Changes at a Dynamic Coastal Inlet | |
| Sonnenburg et al. | Data‐fused digital bathymetry and side‐scan sonar as a base for archaeological inventory of submerged landscapes in the Rideau Canal, Ontario, Canada | |
| Rajput et al. | Investigating shallow water bottom feature using SAR data along Gulf of Khambhat, India |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |