KR20220000898A - 다인자를 기반으로 한 해안선 변화 식별방법 - Google Patents

Abstract

본 발명은 다인자를 기반으로 한 해안선 변화 식별방법에 관한 것으로, 해안선 변화(침식, 성장, 안정성); NDVI(정규화 차분 식생지수);와 침강 변화를 시간에 따른 변수 영향 인자로 이용하고 다수 개의 변수를 결합시키는 대체방법을 통해 복잡한 환경시스템과 관련된 문제를 모델링하며, 정확하지 않고 주관적인 개념을 제거하고 지리정보 중 원격 탐지 데이터의 잠재력을 충분히 발굴하며 국부적 동력학의 복합한 행위를 디스플레이함으로써, 환경문제와 해안대 종합관리에 유용한 실질적 정보를 추가한다.

Description

다인자를 기반으로 한 해안선 변화 식별방법

본 발명은 다인자를 기반으로 한 해안선 변화 식별 기술분야에 관한 것으로, 상세하게는, 다인자를 기반으로 한 해안선 변화 식별방법에 관한 것이다.

해안은 인류사회의 경제활동이 가장 활발하고 가장 집중된 지역이며 해운교통, 영토주권, 공정건설, 자원개발, 공간이용 등 여러 측면과 밀접히 연관되어 있다. 해안의 천연적 지리 우세는 하나 또 하나의 “대항해” 시대에서 세계적인 경제 중심을 육성하였다. 21세기에 진입하면서 연해도시가 자원, 환경, 교통면에서 차지하는 우세가 더 뚜렷해지고 세계는 연해의 국가 경제 중심이 해변 지역으로 이전되었으며; 새로운 시대에 중국은 해양 강대국 건설을 가속화하여 해안이 해양을 탐색하는 출발점이자 귀결점으로 되었으며, 따라서, 정확하게 이해하고 합리적으로 인지하며 해안공간을 과학적으로 탐구하는 것이 해양 강대국의 전략적 목표를 구현하는 데 중요한 보장을 제공하게 되었다.

해안선은 해양과 육지의 분계선으서, 해안, 더 나아가 지구에서 가장 중요한 변계선이다. 세계 해안선은 총 길이가 44만 킬로미터로서, 100여개의 나라와 남극 및 북극 지역에 분포되어 있고 세계의 절반을 넘는 인구가 해안선부터 100킬로미터 내의 거리를 두고 있는 연해지역에 거주하고 있으며; 중국은 1.8만 킬로미터를 초과하는 대륙 연안선과 1.4만 킬로미터의 열도 연안선을 보유하고 있고 연안의 간석지가 2만 제곱킬로미터를 초과하며, 해안 지하자원 매장량이 15.3억 톤에 달하고 연해지역에 40％의 인구와 60％의 생산액이 집중된 것으로 규명되었다. 해안선의 위치, 분포방향과 형태는 세계와 해안대의 환경과정뿐만 아니라, 사회경제활동, 인류 종합 역할의 결과를 구현하고 반영한다. 이외에도, 해안선은 육지와 해양의 경계로서, 통상적인 육지와 지표과정의 영향을 받을 뿐만 아니라, 해조, 파도, 환경, 계절풍 등과 같은 해양 동력의 작용과 생물 활동의 영향을 받아 아주 높은 복잡성, 시간과 공간의 불확실성도 갖는다.

본 발명은 다인자를 기반으로 한 해안선 변화 식별방법을 제공하고 해안구역의 인류 영향 분류에 사용하는 퍼지(fuzzy) 모델을 제출하는 데, 그는 해안선 변화, 정규화 차분 식생지수와 침강 영향을 집적시키고 지리정보시스템(GIS)의 그래픽 시각화 과정을 통해 수치 언어의 퍼지 분류를 증강시킨다. 국부적 동력학의 복잡한 행위를 디스플레이하여 환경문제와 해안대 종합관리를 위해 유용하고 실질적인 정보를 추가한다.

다인자를 기반으로 한 해안선 변화 식별방법은,

해안선 베이스라인을 입력하고, 원격 탐지 위성 화상을 이용해 상기 해안선 구역의 면적 연장을 커버하는 단계 S1;

각각의 상기 원격 탐지 위성 장면의 해안선을 다수 개의 긴 막대식 다각 형상으로 분할하는 단계 S2;

퍼지 모델을 이용하고 상기 원격 탐지 위성 화상을 사용하여, (i) 해안선 변화; (ii) 정규화 차분 식생지수;와 (iii) 침강 변화;의 시간 변화 관련 정보를 추출하는 단계 S3;

긴 막대식 다각형의 침식, 퇴적, 안정 면적을 각각 계산하고, 상기 침식, 퇴적, 안정 면적을 각 다각형 구역의 총 면적에 상대되는 백분율로 계산하며, 백분율을 제1 입력(해안선 변화)의 3개의 변수(X1, X2와 X3)로 사용하는 단계 S4;

정규화 차분 식생지수(NDVI)를 계산하여 제4 변수 X4로 사용하고, NDVI＝(NIR-RED)/(NIR+RED)이며, NIR와 RED가 각각 근적외선과 적색의 반사율을 표시하는 단계 S5;

각 다각형 구역과 시간 화상 분류 구역의 건축물 누적 변수와 침강 변화를 각각 구축하여 해안선 퍼지 분류 모델의 제5 변수 X5와 제6 변수 Y로 사용하는 단계 S6;

퍼지 모델을 이용하여 각 변수 X1, X2, X3, X4, Y를 계산하는 단계 S7;

인터랙션 형식에 의해 검증 표준을 만족시킬 때까지 각 변수 X1, X2, X3, X4, Y를 검증하고 미세 조정하는 단계 S8;

검증한 후의 변수 X1, X2, X3, X4, Y값을 특정된 언어인 저(低), 중(中), 고(高)로 표기하며; 표기 결과에 근거해 해안대의 인위적 영향 분류 등급을 확정하는 단계 S9;를 포함한다.

더 나아가, 스냅샷 품질 함수(Snapshot Quality)와 역사적 비용 함수(History Cost)를 정의하되, 스냅샷 품질 함수는 현재 시간대의 변수인 X1, X2, X3, X4, Y의 클러스터 구분 품질을 평가하여 클러스터 결과와 현재 시간대의 데이터의 매칭 정도를 표시하며; 역사적 비용 함수는 인접한 시간대의 변수인 X1, X2, X3, X4, Y가 클러스터 구분이 비교적 우수한 시계열 원활성을 구비하는 여부를 평가하여 역사 모델과 현재 시간대의 클러스터 결과의 차이를 표시하며; T개의 시계열 데이터(Time series data) S＝{X1 ,X2 ,X3 ,X4 ,X5}를 포함하고, 각 시점의 데이터 집합 X는 N개의 샘플을 포함하며 x_τ＝{x1 ,x2 ,x3 ,x4 ,x5}이다. 이하와 같이 스냅샷 품질 함수 sq(C_τ,M_τ) 및 역사적 비용 함수 hc(C_τ,C_τ-1)를 정의하며,

여기에서, C_τ는 _τ시간대의 데이터의 클러스터 결과이고, M_τ는 시간대 데이터의 유사 행렬(similarity matrix)이다.

더 나아가, 단계 S8에서, 각 변수 X1, X2, X3, X4, Y의 검증방법은,

τ시간대 데이터의 클러스터를 조성할 때 목표 함수를

로 정의하며,

함수 sq(C_τ,M_τ)와 hc(C_τ,C_τ-1)를 목표 함수 J에 대입하여 전역 목표 함수:

를 얻으며,

식 중에서, c, N은 각각 클러스터 수치와 샘플 수량인 데,

는 τ시간대의 데이터

와 τ시간대의 i번째 세그먼트(i번째 클러스터)

의 거리를 표시하고,

는 τ시간대의 데이터

가 i번째 클러스터에 속하는 종속도를 표시하며, 각 샘플이 모든 유형에 속하는 종속 정도의 합이 1이 되는 조건을 만족시키고, C_τ는 _τ시간대의 종속 행렬을 가리키고, C_τ∈{0 ,1}^c*k이며, C_i,k＝1는 τ시간대의 데이터

가 i번째 유형에 속한다는 것을 표시하고, 각 데이터

는 각 시간대 내에서 어느 확정된 유형에만 속할 수 있으며, 즉, Σ_τC_i,k＝1인 단계 S11;

전역 목표 함수를 최소화하여 최적화된 분할 파라미터를 얻고, 라그랑주의 정리(Lagrange theorem)를 통해 답을 구하여, 식:

을 라그랑주의 목표 함수로 정의하는 단계 S12;

답

을 구해 X,μ,λ의 편도함수에 대응하되, 이러한 편도함수는 각각 0이 되도록 한다. 이때 최적화 클러스터 중심과 각 데이터가 각 유형에 종속되는 종속도를 얻는 단계 S13;

데이터의 시간 좌표를 추가 변수로 이용하고 클러스터 과정에 참여하도록 하며, 이하의 계산 방식을 반복하고,

τ시간대의 c개 클러스터 중심 v_i을 계산:

클러스터 중심의 퍼지 공분산 행렬 Fi을 계산:

거리 함수 값 D²(x_k ,v_i)을 계산:

거리 함수 값 D²(x_k ,v_i)으로 퍼지 구분 행렬 U를 업데이트:

||U^(l+1)-U^(l)<ε||의 조건을 만족시키는 경우, 클러스터 알고리즘을 중단하며, 아닐 경우, 반복 횟수를 증가하여 l＝l+1이 되도록 하고 단계 S11로 전환하여, 해당 조건을 만족시킬 때까지 상기 단계를 반복하는 단계 S14; 를 포함한다.

더 나아가, 상기 원격 탐지 위성 화상에 대해 화상 전처리를 실시하고, 대기보정(atmospheric correction)을 실시하며, 더 나아가, 각 화상 요소를 보정한 후의 풀 스팩트럼(full spectrum) 정보를 얻고, 상기 원격 탐지 위성 화상이 상기 해안선 구역에서 10％보다 작은 구름량 커버율을 구비한다.

더 나아가, 대기보정 모델을 이용해 천공광(Sky light)과 대기 산란 효과를 제거하여 원격 탐지 화상이 특징의 스펙트럼 값을 더 정확하게 반영하도록 하고 대기보정 모델을 이하의 식에 의하여 얻으며,

ρ는 지표 반사율, ρ_Τ(θ_s ,θ_v ,φ_s ,φ_v)는 대기 계면 반사율, θ_s는 태양 천정각, θ_s는 태양 방위각, θ_v는 센서 방위각, T(θ_s)는 대기 투과율, Tg(θ_s ,θ_v)는 태양-목표 대기 경로 투과율, T(θ_v)는 목표-센서 대기 경로 투과율, ρ_R+α는 분자 산란과 에어로졸 산란으로 구성된 경로 복사 반사율, s는 대기 반구 반사율이다.

더 나아가, 상기 화상 전처리는 은밀 객체 서브트렉션(subtraction) 방법을 이용하고, 태양 조도, 센서 관찰 기하형태와 계절성 변화로 발생된 위성 화상 복사도 차이를 보정하고 정규화 한다.

더 나아가, 상기 원격 탐지 위성 화상에 대한 화상 전처리를 실시하고, 기하학적 보정을 실시하며, 구체적인 조작단계는 지면 통제점 선택, 지면 통제점 선택, 픽셀 좌표 변환과 픽셀 휘도 값의 재샘플링이며, 픽셀 좌표 변환은 좌표 변환에 기반하는 방법을 이용하고, 변환 공식은,

x’＝a₀+a₁x+a₂y+a₃x²+a₄xy+a₅y²

y '＝b₀+b₁x+b₂y+b₃x²+b₄xy+b₅y²

이며,

여기에서, x’,y’는 보정한 후에 출력한 통제점 좌표이고, x,y는 원래 화상 중에서의 지면 통제점 좌표이며, RMS_error는 각 통제점의 평균 제곱근 오차이다.

더 나아가, 퍼지 논리는 모델 설계에 근거해, 저(低), 저(低)/중(中), 중(中)/고(高) 또는 고(高)로 분류할 수 있다.

해조, 해안 지형 등 인자의 영향을 비교적 많이 받으므로, 위성이 경계를 넘을 때 워터 라인이 마침 평균 대조 고조 라인에 놓여지는 영상은 취득하기 아주 어려우며, 해안선 자동 해석 알고리즘의 연구는 대부분 원격 탐지 영상 중 워터 라인, 즉, 위성이 경계를 넘는 순간에 기록된 바다와 육지의 경계선을 기반으로 하여 추출한다. 본 발명은 해안구역 인류 영향 분류의 퍼지 모델을 제출하였는 데, 이는 해안선 변화, 정규화 차분 식생지수와 침강 영향을 집적하고 지리정보시스템(GIS)의 그래픽 시각화 과정을 통해 수치 언어의 퍼지 분류를 증강시킨다. 연해 개발과 기획, 지나친 어로 등과 같이 전 세계 연해 지역의 인위적 영향(즉, 인류 활동과 관련되는 영향)을 진단한다. 연해 환경의 분류, 리스크와 취약성 평가는 필수적인 단계이기 때문에, 본 발명의 알고리즘은 최종적으로 국부적 동력학의 복잡한 행위를 디스플레이함으로써, 환경문제와 해안대 종합관리에 유용한 실질적 정보를 추가한다.

본 발명은 최초로 해안선 변화(침식, 성장, 안정성); NDVI(정규화 차분 식생지수);와 침강 변화를 시간에 따른 변수 영향 인자로 이용하고 다수 개의 변수를 결합시키는 대체방법을 통해 복잡한 환경시스템과 관련된 문제를 모델링하며, 정확하지 않고 주관적인 개념을 제거하고 지리정보 중 원격 탐지 데이터의 잠재력을 충분히 발굴하며, 사회 경제 데이터를 포함한 기타 영향 인자를 통해 수치 퍼지 분류의 정확율을 향상시킨다. 생성된 공간 지도를 통해 그래픽 시각화를 구현하는 데, 이 것은 지리 특징의 매핑으로 각 영역의 진화방식을 식별하는 구분을 강화하는 데 이롭다.

본 발명이 모델 출력을 표시하는 분수는 0부터 1까지의 숫자이고, 그는 퍼지 언어 분류 변수로 전환시킬 수 있으며; 즉 저(低), 중(中), 고(高)로 표기한다. 이와 동시에, NDVI(정규화 차분 식생지수)를 통해 GIS를 사용하고 그래픽으로 시각화 정도를 증강시킨다.

본 발명은 현재 시간대의 데이터로 클라이트를 조성할 때 지난 시간대의 클러스터 결과를 감안한다. 본 발명의 알고리즘을 통해 비선형 및 강력 결합 특성을 구비하는 해안대 데이터를 효과적으로 처리하고 분석함으로써, 개선된 알고리즘이 선형 시계열 데이터(Time series data)를 실시간 분석할 수 있도록 하며, 스냅샷 품질 함수와 역사적 비용 함수를 추가하여 클러스터 결과와 현재 시간대의 데이터의 매칭 정도를 증강함으로써, 인접한 시간대의 클러스터 구분이 양호한 시계열 원활성을 구비하도록 한다.

이하, 본 발명의 실시예 또는 종래기술 중의 기술방안을 더 명확히 설명하기 위하여 실시예의 설명 중에 사용해야 하는 도면을 간략하게 소개한다.
도 1은 본 발명에 따른 해안선 변화 식별방법의 흐름도이다.

이하, 본 발명의 실시예 또는 종래기술 중의 기술방안을 더 명확히 설명하기 위하여 실시예 또는 종래기술의 설명 중에 사용해야 하는 도면을 간략하게 소개하는 데, 이하 설명 중의 도면은 본 발명의 일부 실시예에 불과하며, 본 기술분야의 통상적인 기술자들이 창조성 노동을 진행하지 않는 전제 하에 이러한 도면에 도시된 구조에 근거해 기타 도면도 얻을 수 있다는 것은 자명한 것이다.

해안대를 따라 인류의 영향을 탐측하는 방법은 해안선 침식/증생 방식을 평가하는 것으로서, 상세하게는, (a) 지형 단면에 대한 분석(연안 횡단의 형태와 작용이 해변가 백사장에 발생시키는 파괴력과 건설력 간의 평형을 감안); (b) 해안선의 변화율; (c) 토지 사용/토지 커버를 통해 지리정보시스템 시각화를 결합하고 이용하는 해안선 변화율을 모니터링한다.

본 발명은 다수 개 변수의 대체방법을 결합하여 복잡한 환경과 관련된 문제를 모델링하며, 정확하지 않고 주관적인 개념을 제거하고 지리정보 중 원격 탐지 데이터의 잠재력을 충분히 발굴하며, 사회 경제 데이터를 포함한 기타 영향 인자를 통해 수치 퍼지 분류의 정확율을 향상시킨다. 생성된 공간 지도를 통해 그래픽 시각화를 구현하는 데, 이 것은 지리 특징의 매핑으로 각 영역의 진화 방식을 식별하는 구분을 강화하는 데 이롭다.

일 측면에서, 모델 출력을 표시하는 분수는 0부터 1까지의 숫자이고, 그는 퍼지 언어 분류 변수로 전환시킬 수 있으며; 즉 저(低), 중(中), 고(高)로 표기한다. 다른 일 측면에서, NDVI(정규화 차분 식생지수)를 통해 GIS를 사용하고 그래픽으로 시각화 정도를 증강시킨다.

원격 탐지 데이터, 해안선 변화, NDVI의 영향에 대한 계산과 결산 중에서 해안선 위치를 추출한다. 퍼지 모델은 침식, 성장, 안정성, NDVI과 누적의 5개 변수를 갖도록 설계된다. 모든 언어학 라벨(퍼지 집합), 종속 함수, 퍼지 규칙과 비퍼지화(defuzzification)는 출력을 제공하는 데, 해당 출력은 해안대 인위적 영향 분류를 대표하는 명확한 숫자이다.

제1 단계: 데이터 처리

베이스라인을 입력하고, 원격 탐지 위성 화상을 사용하여 연구 구역의 면적 연장을 커버한다. 위성 데이터 집합은 해마다의 동일/최근 달(예를 들어, 8월과 9월)을 감안하여 선택한 것으로서, 계절 변화를 최소화 하여 토지 이용 유형의 분리를 증가시키는 것을 모색한다. 또한, 모든 선택된 화상은 연구 구역에서 10%보다 작은 구름량 커버율을 구비해야 한다.

원격 탐지 데이터가 대기 영향 등 여러 인자의 영향을 받으므로, 이러한 데이터 집합은 진일보의 분석에 사용할 수 없다. 위성 화상은 여러 개의 화상 전처리 단계(대기보정(atmospheric correction)과 기하학적 보정 포함)를 실시한 후에야 사용해 대개 영향을 제거 또는 최소화하고, 더 나아가, 각 화상 요소(픽셀)를 보정한 후의 풀 스팩트럼(full spectrum) 정보를 얻을 수 있다. 본 발명에 따른 대기보정방법은 태양 조도, 센서 관찰 기하형태와 계절성 변화로 발생된 위성 화상 복사도 차이를 보정하고 정규화 할 수 있다.

입력은 3개 측면을 감안하는 데, 퍼지 모델은 이전에 설명한 위성 화상을 사용해 (i) 해안선변화; (ii) NDVI(정규화 차분 식생지수);와 (iii) 침강 변화;의 시간 변화 관련 정보를 추출한다.

해안 섬을 예로 들 경우, 연구 구역은 모든 측면(섬)이 물에 포위되어 있으므로, 유사한 크기 조절 수준(1:5000의 균일 비례)에서 스크린 수동 디지털화 기술을 사용하며, 각 위성 장면으로부터 유래된 해안선을 다각 형상으로 분할한다. 이와 같이 해안선을 효과적으로 그려 낼 수 있다.

침식과 퇴적 면적(긴 막대식 다각형)을 계산하는 경우, 2개 마다의 연속된 다각형은 GIS 환경 중의 공간 연합 수단을 사용하고 침식, 퇴적과 안정성의 면적은 각 다각형 구역의 총 면적에 상대되는 백분율이 계산되며, 이러한 값(％)은 제1 입력(해안선 변화)의 3개 변수(X1, X2와 X3)로 사용된다.

NDVI(정규화 차분 식생지수)의 퍼지 모델 중에 사용하는 두 번째 입력 데이터 집합은 NDVI이며, 해당 지수는 화상 중 각 픽셀의 새로운 계산 값으로 구성되며, 범위는 -1부터 +1까지이다. NDVI는 방정식(1)과 2개의 필요한 입력 주파수대, 즉, 근적외선(NIR)과 적색(red)에 의해 계산한다.

NDVI＝(NIR-RED)/(NIR+RED)

화상 전처리(대기보정과 기하학적 보정 포함)를 실시한 후, 더 대표성을 갖는 식생 커버 지수를 계산할 때 값을 반사해야 하는 데, 각 다각형 구역의 NDVI 평균 값을 얻어 4번째 변수(X4)의 제2 입력으로 사용한다.

위성 센서는 지물 스펙트럼을 취득하는 과정에서, 태양으로부터 유래된 복사 에너지는 제1차로 대기층을 관통하면 일부가 흡수되고, 나머지 부분은 지면에 도달한 후, 투과와 반사의 방식으로 지물과 상호 작용하며, 이 2개 방식의 복사 에너지의 합이 상기 나머지 부분의 복사 에너지와 같으며, 상승하여 대기층을 통과하는 과정에서 지면 물체가 반사하는 복사 에너지는 대기에 의해 흡수되며, 최종적으로 센서가 취득하는 복사 에너지는 일부가 지면 물체의 반사와 복사로부터 유래되고, 다른 일부가 대기의 반사와 산란의 복사 에너지로부터 유래된다. 원격 탐지 영상을 기록하는 대기 복사 에너지는 영상에게 일정한 왜곡을 발생시키는 데, 원격 탐지 영상의 지물 복사값을 정확히 평가하려면 이러한 복사 소음을 제거해야 하는 데, 원격 탐지 화상 중에서 복사 소음을 제거하는 과정을 대기보정이라고 부르며, 현재 비교적 많은 대기보정 이론 모델이 존재하여 원격 탐지 영상의 유형과 상황별로 적절한 모델을 선정해야 비교적 우수한 처리 결과를 얻을 수 있다.

본 발명의 원격 탐지 위성 화상은 해안선 구역에서 10％보다 작은 구름량 커버율을 구비한다. 본 발명은 비교적 우수한 복사 보정 정밀도를 구비하는 대기보정 모델을 설계하는 데, 해당 모델은 지면 비(非)램버트체(non lambert body) 상황을 감안한다. 해당 모델이 사용하는 지면 목표 반사율과 센서 입구 지점 반사율의 관계식은 식(1)로 표시되고,

위성은 비행하는 과정에서 옆으로 돌거나 지면으로부터의 고도에 변화가 발생하며 이들은 취득한 원격 탐지 영상의 기하학적 형태에 변화가 발생하도록 한다. 지면 데이터 수신 스테이션은 취득한 원격 탐지 영상에 대해 기하학적 초급 보정 처리를 실시하고, 실제로 응용하는 과정에서 통상적으로 원격 탐지 데이터에 대해 기하학적 정밀 보정을 다시 실시해야 하며, 기하학적 정밀 보정을 실시하는 과정에서 지면 통제점 GCPS(지면 통제점)이 필요하다. 구체적인 조작단계는 지면 통제점 선택, 픽셀 좌표 변환과 픽셀 휘도 값의 재샘플링이다. 픽셀 좌표 변환은 좌표 변환을 기반으로 한 방법을 이용하고 변환 공식은,

x’＝a₀+a₁x+a₂y+a₃x²+a₄xy+a₅y² (2)

y’＝b₀+b₁x+b₂y+b₃x²+b₄xy+b₅y² (3)

이며,

여기에서, x’,y’는 보정한 후에 출력한 통제점 좌표이고, x,y는 원래 화상 중에서의 지면 통제점 좌표이며, RMS_error는 각 통제점의 평균 제곱근 오차이다.

상기 변환공식을 이용해 원시 영상 중의 픽셀값 좌표(x’,y’)를 출력 영상중의 픽셀 좌표 값(x,y)으로 전환시키고, 각 지면 통제점의 평균 제곱근 오차(RMS_error)를 계산하여 보정 모델의 유효성을 검증할 수 있다.

여기에서, ρ는 지표 반사율, ρΤ(θ_s,θ_v,φ_s,φ_v)는 대기 계면 반사율, θ_s는 태양 천정각, θ_s는 태양 방위각, θ_v는 센서 방위각, T(θ_s)는 대기 투과율, Tg(θ_s,θ_v)는 태양-목표 대기 경로 투과율, T(θ_v)는 목표-센서 대기 경로 투과율, ρR+α는 분자 산란과 에어로졸 산란으로 구성된 경로 복사 반사율, s는 대기 반구 반사율이다.

대기보정 모델을 이용하여 천공광(Sky light)과 대기 산란 모델을 제거하여 원격 탐지 화상의 대기보정을 구현할 수 있다. 원격 탐지 화상이 특징의 스펙트럼 값을 더 정확하게 반영하도록 한다.

침강 변화가 사용하는 제3 입력데이터(Y)는 침강 영향(구축 구역)이다. 해안선 근처의 인프라와 건축물은 해안 침식과 홍수에 직접적인 영향을 미칠 수 있다. 해안선 근처가 지형학 측면의 최소 거리를 유지하는 것은 해안대가 인류에 미치는 영향을 줄이는데 아주 중요한 것이지만, 본 발명에서는 시간이 흐름에 따라 해안선 부근의 침강이 증가된다는 것을 관찰해 낼 수 있다. 수학 함수(삼각형 또는 L-함수)를 이용하고 특정 범위와 변수 단위(X1, X2, X3, X4와 Y)에 근거해 각 특정 언어를 표기(저(低), 중(中), 고(高))한다.

또한, 본 발명의 객체를 기반으로 한 알고리즘은 근방 정보를 분석하고 집적하여 모든 화상을 객체로 간주하는 데, 이 것은 분석을 증강시키고 분류 화상, 즉, LULC의 정확성을 높인다. 따라서, 사용하는 분할방법은 특징 추출 수단을 이용해 각 위성 화상으로부터 LULC유형(건축물, 식물과 기타)를 추출한다. 크기 조절과 합병레벨을 테스트하여 모든 위성 화상 중의 구축 구역을 포함하는 3개 유형의 최적 결과를 얻는다. 퍼지 입력이 정확한 결과를 필요하므로, 분할한 래스터(raster)를 벡터 데이터 집합으로 전환시켜 3개의 LULC 유형이 편집 통화 기간의 GIS 환경에서 보여주는 연도별 다각형 구역을 더 정확하게 그려낸다.

매개 섹터와 시간 화상 분류 구역에 관한 변수를 구축한 다음, 해안선 퍼지 분류 모델의 제5 변수(X5)로 이용한다.

퍼지 모델의 설계는 해안선 변화, NDVI와 침강 영향(형성 구역)의 3개 입력을 종합하고, 퍼지 모델을 개발해 설계한다. 이러한 3개의 입력은 5개의 변수(X1, X2, X3, X4와 X5)로 구성된다. 위성 화상 중에서 베이스라인 정보를 추출하고 검측된 모든 입력 변수를 추출하며, 구체적인 변수 특징에 근거해 다른 범위와 단위를 입력한다. 이러한 상황에서, 다각형 해안선 변화의 총량(％)을 감안하여 X1, X2, X3(해안선 변화)가 0부터 100(％) 까지의 범위 내에 놓여진다. NDVI(변수 X4) 범위는 -1.0부터 1.0까지이고, X5(건축물) 범위는 0부터 100까지이며, 그 다음, 시간 변화를 통해 평가한다. 해당 퍼지 모델은 범위가 0부터 1인 숫자를 출력하여 해안대 인위적 영향을 분류하고 레벨을 나눈다. 출력 수치는 1에 근접하는 경우에 높은 인위적 영향 분류를 표시하고 0에 근접하는 것은 낮은 인위적 영향 분류를 가리키며, 해당 범위 사이에서, 퍼지 논리는 모델 설계 분류에 근거해 저(低), 저(低)/중(中), 중(中)/고(高) 또는 고(高)로 분류할 수 있다. 제출하는 퍼지 모델 중에 사용하는 추리방법은, 퍼지 규칙의 개념과 출력을 표시하는 모델 종류를 기반으로 각 추리규칙의 중합에 의해 생성되는 퍼지 집합을 통해 퍼지 모델 중의 제1 입력(해안선 변화)이 침식(X1), 퇴적(X2)과 안정(X3)의 3개 변수(해안선을 기반으로 한 상태)로 나누어 지며, 연속 몇 년간 검측한 변화를 대조하는 것을 감안한다. 해당 변수가 감안하는 언어 라벨은 저(低), 중(中), 고(高)로 명명된다. 표 중에 제시한 파라미터에 근거해 선택하는 종속 함수의 유형은 삼각형 또는 L함수이다.

마지막으로, 3개의 입력(해안선 변화, NDVI와 침강 변화 영향, 구축 구역)과 5개의 변수(X1, X2, X3, X4와 X5)를 사용하여 퍼지 규칙을 구성한다. 규칙은 5개의 변수(X1, X2, X3, X4, X5)와 그들 각자의 언어 표기(A1, A2, A3), (B1, B2, B3), (C1, C2, C3), (D1, D2, D3), (E1，E2，E3)로 구성된다. 5개의 변수를 적분하여 최종적인 퍼지 규칙을 정의하고 Y(F1, F2, F3)를 출력하며, 그 언어학 라벨은“만약-그렇다면”의 규정 포맷을 사용한다.

예를 들어, If X1εA1 And X2εB1 And X3εC3 And X4εD3 And X5εE1 Then YεF1는 “침식 저(低), 성장 저(低), 안정 고(高), NDVI 고(高), 누적 저(低)일 경우, 해안대 인류 영향 분류를 저(低)로 출력”하는 방식과 같이 언어 변수로 동일 규칙을 표시하는 방식을 사용한다，모든 이러한 변수와 규칙의 집합은 검증되어야 하며, 아닐 경우, 그는 임의적 추정으로 분류될 가능성이 있다. 이러한 상황에서는 검증 표준을 만족시킬 때까지 인터랙션 형식으로 해당 기능의 규칙과 파라미터를 미세 조정하도록 일부 초보적안 테스트를 실시한다. 검증단계는 구현하는 최종 출력(퍼지 해안대 인위적 영향 분류)의 정확성과 품질을 확정하는 데 사용한다.

종래의 데이터 검증 문제에 있어서, 데이터 집합은 늘 정적 상태를 이루고 수량이 고정되었다. 하지만, 해안선 변화 문제에 있어서, 데이터는 2개의 중요한 특성, 즉, 진화 특성과 수량 특성을 구비하게 된다. 진화 특성은 데이터의 통계 특성(예를 들어, 평균 값, 평방 편차 등 지표를 가리킴)이 시간에 따라 동적 변화가 발생하며 잠재적인 내부 변화 규칙과 시변성을 구비한다는 것을 가리킨다. 이러한 내부 변화 규칙은 해당 데이터가 기재하는 해안선시스템 자체의 자연적이고 합리한 장기적 변화일 수 있으며 데이터 소음 방해로 발생되는 단기적 변동일 수도 있다. 수량 특성은 데이터의 규모가 방대하다는 것을 가리킨다. 각각의 고정된 시간단위에 모두 일련의 새로운 데이터가 생성되고 시스템의 데이터가 늘 지속적으로 업데이트되고 있으므로, 총 수량이 지속적으로 증가하게 된다. 따라서, 진화 특성과 수량 특성을 구비하는 데이터는 진화 데이터라고 불리운다. 해당 유형의 데이터는 데이터 검증에 비교적 큰 어려움을 가져온다. 데이터의 진화 특성은 알고리즘에게 데이터가 시간에 따라 변화가 발생하는 추세를 처리하고 인접한 시간대 사이의 데이터에 발생되는 전환을 합리적으로 분석하도록 요구한다. 데이터의 수량 특성은 알고리즘에게 전체 데이터를 전부 메모리에 저장해 알고리즘 클러스터를 다시 작동시키지 않고 제한된 횟수 내역에서 분석을 완성하도록 요구한다.

클러스터 결과가 데이터의 시간 영역에서의 관련성을 구현하고 클러스터의 결과를 실시간 취득할 수 있도록 하기 위해, 본 발명은 현재 시간대의 데이터의 클러스터를 조성할 때 이전 시간대의 클러스터 결과를 감안한다. 상세하게, 각각의 새로운 시간대는 모두 일련의 새로운 데이터가 클러스터 알고리즘에 의해 어느 클러스터 그룹 중에 포함되도록 대기하고 있다. 그들이 역사적 기대에 위배되지 않고 역사적 클러스터 결과와 유사할 경우, 전체 데이터의 클러스터 결과는 역사적 클러스터 결과에 근접할 것이며, 클러스터 알고리즘이 생성한 전체 클러스터 모델 또한 유사할 것이다. 하지만, 그들의 내부 구조에 큰 변화가 발생하였을 경우, 알고리즘은 클러스터 결과를 수정하여 이러한 변화를 반영해야 한다. 클러스터 알고리즘의 진화는 일 측면에서, 현재 시간대의 데이터를 분석하는 동시에, 이전 시단대의 모델을 결합하여 각 시간대 사이의 데이터 통계 정보의 연계를 얻어 내도록 요구하며, 다른 일 측면에서, 클러스터 알고리즘에게 대규모의 데이터에 대응해 실시간으로 클러스터를 조성하여 결과를 얻어내는 것이 가능하게 구성하도록 요구한다. 따라서, 이 2개 측면의 인자가 클러스터 결과에 영향을 미치는 정도를 형상화 하기 위하여, 스냅샷 품질 함수(snapshot quality)와 역사적 비용 함수(HistoryCost)의 2개의 허용오차 표준 함수를 정의한다. 스냅샷 품질 함수는 현재 시간대의 변수인 X1, X2, X3, X4, Y의 클러스터 구분 품질을 평가하여 클러스터 결과와 현재 시간대의 데이터의 매칭 정도를 표시한다. 역사적 비용 함수는 인접한 시간대의 변수인 X1, X2, X3, X4, Y의 클러스터 구분에 비교적 우수한 시계열 원활성이 구비된 여부를 평가하여 역사적 모델과 현재 시간대의 클러스터 결과의 차이를 표시한다.

따라서, 전역 목표 함수는 2개의 부분을 포함한다. 하나의 부분은 현재 샘플 데이터의 클러스터 품질의 허용오차로서, 스냅샷 품질 함수 sq(C_τ,M_τ)를 통해 평가한다. C_τ는 _τ시간대의 데이터의 클러스터 결과이고 M_τ는 시간대 데이터의 유사 행렬(similarity matrix)이다. 해당 함수 값이 작을 수록 클러스터를 조성한 후의 모델과 해당 시간대의 데이터의 잠재적인 실제 모델이 더 부합된다. 다른 하나의 부분은 역사적 데이터의 클러스터 결과가 현재 시간대의 클러스터 결과 사이의 차이 정도로서, 역사적 비용 함수 hc(C_τ,C_τ-1)를 통해 평가한다. 해당 함수 값는 현재 시간대의 데이터 모델과 이전 시간대의 데이터 모델 사이의 창이 정도를 반영한다. 해당 값이 작을 수록 인접한 시간대의 클러스터 결과가 더 유사하다. 따라서, τ시간대의 데이터에 대해 클러스터를 조성하는 경우에는 상기 2개의 허용오차 함수를 동시에 감안하기 위해 목표 함수를,

로 정의하며,

T개를 포함하는 시계열 데이터(Time series data) S＝{X1 ,X2 ,X3 ,X4 ,X5}에 있어서, 매개 시점의 데이터 집합 X는 N개의 샘플을 포함하되, xτ＝{x1 ,x2 ,x3 ,x4 ,x5}이다. 스냅샷 품질 함수 sq(Cτ,Mτ)와 역사적 비용 함수 hc(Cτ,Cτ-1)를,

로 정의하며,

상기 함수 (3)과 (4)를 식 (2)에 대입하여 전역 목표 함수:

를 얻으며,

식 중에서, c, N는 각각 클러스터 수치와 샘플 수량으로서,

는 τ시간대의 데이터

와 τ시간대의 i번째 세그먼트(i번째 클러스터)

의 거리를 표시하며,

는 τ시간대 데이터

가 i번째 클러스터의 종속도에 속하고, 각 샘플이 모든 유형에 속하는 종속 정도의 합이 1인 조건을 만족시킨다는 것을 표시하며, C_τ는 τ시간대의 종속 행렬을 가리키고 C_τ∈{0 ,1}^c*k이며, C_i,k＝1은 τ시간대 데이터

가 i번째 유형에 속하고, 각 데이터

가 각 시간대 내에서 어느 확정된 유형에만 속할 수 밖에 없다는 것을 표시하되, 즉, Σ_τC_i,k＝1이다.

전역 목표 함수를 최소화하여 최적의 분할 파라미터를 얻고, 라그랑주의 정리(Lagrange theorem)를 통해 답을 구하여 함수(6)을 라그랑주 목표 함수로 정의하고,

답

을 구해 X, μ, λ의 편도함수에 대응하고, 이러한 편도함수가 각각 0이 되도록 한다. 이때 최적 클러스터 중심과 각 데이터가 각 유형에 종속되는 종속도를 얻을 수 있다.

시계열 분할 문제에 있어서, 각 클러스터의 데이터 포인트는 모두 자체가 고유하고 있는 시간 순서에 부합되어야 하므로, 데이터의 시간 좌표를 하나의 추가 변수로 사용하여 그가 클러스터 과정에 참여하도록 하며, 얻은 클러스터 결과는 동적 클러스터 결과의 계산방법이다. 아래와 같은 계산 방식을 반복하고,

τ시간대의 c개 클러스터 중심 v_i을 계산:

클러스터 중심의 퍼지 공분산 행렬 Fi을 계산:

거리 함수 값 D²(x_k,v_i)을 계산:

거리 함수 값 D²(x_k,v_i)을 이용하여 퍼지 구분 행렬 U을 업데이트:

||U^(l+1)-U^(l)<ε||의 조건을 만족시키는 경우, 클러스터 알고리즘을 중단하며, 아닐 경우, 반복 횟수를 증가하여 l＝l+1이 되도록 하고 단계(2)로 전환하여 해당 조건을 만족시킬 때까지 상기 단계를 반복한다.

본 발명의 알고리즘을 통해 비선형 및 강력 결합 특성을 구비하는 해안대 데이터를 효과적으로 처리하고 분석함으로써, 개선된 알고리즘이 선형 시계열 데이터(Time series data)를 실시간 분석할 수 있도록 하며, 스냅샷 품질 함수와 역사적 비용 함수를 추가하여 클러스터 결과와 현재 시간대 데이터의 매칭 정도를 증강함으로써, 인접한 시간대의 클러스터 구분이 양호한 시계열 원활성을 구비하도록 한다.

상기 내용은 본 발명의 바람직한 실시예에 불과하고 어떠한 형식으로도 본 발명을 한정하지 않는다. 본 발명의 기술 본질에 근거해 상기 실시예에 대해 실시하는 모든 간단한 수정은 변화 및 수식과 동등하며, 모두 본 발명에 따른 기술방안의 범위 내에 속한다.

Claims (8)

1. 다인자를 기반으로 한 해안선 변화 식별방법에 있어서,
   해안선 베이스라인을 입력하고, 원격 탐지 위성 화상을 이용해 상기 해안선 구역의 면적 연장을 커버하는 단계 S1;
   각각의 상기 원격 탐지 위성 장면의 해안선을 다수 개의 긴 막대식 다각 형상으로 분할하는 단계 S2;
   퍼지 모델을 이용하고 상기 원격 탐지 위성 화상을 사용하여, (i) 해안선 변화; (ii) 정규화 차분 식생지수;와 (iii) 침강 변화;의 시간 변화 관련 정보를 추출하는 단계 S3;
   긴 막대식 다각형의 침식, 퇴적, 안정 면적을 각각 계산하고, 상기 침식, 퇴적, 안정 면적을 각 다각형 구역의 총 면적에 상대되는 백분율로 계산하며, 백분율을 제1 입력(해안선 변화)의 3개의 변수(X1, X2와 X3)로 사용하는 단계 S4;
   정규화 차분 식생지수(NDVI)를 계산하여 제4 변수 X4로 사용하고, NDVI＝(NIR-RED)/(NIR+RED)이며, NIR와 RED가 각각 근적외선과 적색의 반사율을 표시하는 단계 S5;
   각 다각형 구역과 시간 화상 분류 구역의 건축물 누적 변수와 침강 변화를 각각 구축하여 해안선 퍼지 분류 모델의 제5 변수 X5와 제6 변수 Y로 사용하는 단계 S6;
   퍼지 모델을 이용하여 각 변수 X1, X2, X3, X4, Y를 계산하는 단계 S7;
   인터랙션 형식에 의해 검증 표준을 만족시킬 때까지 각 변수 X1, X2, X3, X4, Y를 검증하고 미세 조정하는 단계 S8;
   검증한 후의 변수 X1, X2, X3, X4, Y값을 특정된 언어인 저(低), 중(中), 고(高)로 표기하며; 표기 결과에 근거해 해안대의 인위적 영향 분류 등급을 확정하는 단계 S9;를 포함하는 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
2. 제1항에 있어서,
   스냅샷 품질 함수(Snapshot Quality)와 역사적 비용 함수(History Cost)를 정의하고, 스냅샷 품질 함수는 현재 시간대의 변수인 X1, X2, X3, X4, Y의 클러스터 구분 품질을 평가하여 클러스터 결과와 현재 시간대의 데이터의 매칭 정도를 표시하며; 역사적 비용 함수는 인접한 시간대의 변수인 X1, X2, X3, X4, Y가 클러스터 구분이 비교적 우수한 시계열 원활성을 구비하는 여부를 평가하여 역사 모델과 현재 시간대의 클러스터 결과의 차이를 표시하며; T개의 시계열 데이터(Time series data) S＝{X1 ,X2 ,X3 ,X4 ,X5}를 포함하고, 각 시점의 데이터 집합 X는 N개의 샘플을 포함하며 x_τ＝{x1 ,x2 ,x3 ,x4 ,x5}이고, 이하와 같이 스냅샷 품질 함수 sq(C_τ,M_τ) 및 역사적 비용 함수 hc(C_τ,C_τ-1)를 정의하며,
   

   

   
   

   

   
   여기에서, C_τ는 _τ시간대의 데이터의 클러스터 결과이고, M_τ는 시간대 데이터의 유사 행렬(similarity matrix)인 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
3. 제2항에 있어서,
   단계 S8에서, 각 변수 X1, X2, X3, X4, Y의 검증방법은,
   τ시간대 데이터의 클러스터를 조성할 때 목표 함수를
   

   

   로 정의하며,
   함수 sq(C_τ,M_τ)와 hc(C_τ,C_τ-1)를 목표 함수 J에 대입하여 전역 목표 함수:
   

   

   를 얻으며,
   식 중에서, c, N은 각각 클러스터 수치와 샘플 수량인 데,

   

   는 τ시간대의 데이터

   

   와 τ시간대의 i번째 세그먼트(i번째 클러스터)

   

   의 거리를 표시하고,

   

   는 τ시간대의 데이터

   

   가 i번째 클러스터에 속하는 종속도를 표시하며, 각 샘플이 모든 유형에 속하는 종속 정도의 합이 1이 되는 조건을 만족시키고, C_τ는 _τ시간대의 종속 행렬을 가리키고, C_τ∈{0 ,1}^c*k이며, C_i,k＝1는 τ시간대의 데이터

   

   가 i번째 유형에 속한다는 것을 표시하고, 각 데이터

   

   는 각 시간대 내에서 어느 확정된 유형에만 속할 수 있으며, 즉, Σ_τC_i,k＝1인 단계 S11;
   전역 목표 함수를 최소화하여 최적화된 분할 파라미터를 얻고, 라그랑주의 정리(Lagrange theorem)를 통해 답을 구하여, 식:
   

   

   을 라그랑주의 목표 함수로 정의하는 단계 S12;
   답

   

   을 구해 X,μ,λ의 편도함수에 대응하되, 이러한 편도함수는 각각 0이 되도록 하고, 이때 최적화 클러스터 중심과 각 데이터가 각 유형에 종속되는 종속도를 얻는 단계 S13;
   데이터의 시간 좌표를 추가 변수로 이용하고 클러스터 과정에 참여하도록 하며, 이하의 계산 방식을 반복하고,
   τ시간대의 c개 클러스터 중심 v_i을 계산:
   

   

   
   클러스터 중심의 퍼지 공분산 행렬 Fi을 계산:
   

   

   
   거리 함수 값 D²(x_k ,v_i)을 계산:
   

   

   
   거리 함수 값 D²(x_k ,v_i)으로 퍼지 구분 행렬 U를 업데이트:
   

   

   
   ||U^(l+1)-U^(l)<ε||의 조건을 만족시키는 경우, 클러스터 알고리즘을 중단하며, 아닐 경우, 반복 횟수를 증가하여 l＝l+1이 되도록 하고 단계 S11로 전환하여, 해당 조건을 만족시킬 때까지 상기 단계를 반복하는 단계 S14;를 포함하는 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
4. 제2항에 있어서,
   상기 원격 탐지 위성 화상에 대해 화상 전처리를 실시하고, 대기보정(atmospheric correction)을 실시하며, 나아가, 각 화상 요소를 보정한 후의 풀 스팩트럼(full spectrum) 정보를 얻고, 상기 원격 탐지 위성 화상이 상기 해안선 구역에서 10％보다 작은 구름량 커버율을 구비하는 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
5. 제4항에 있어서,
   대기보정 모델을 이용해 천공광(Sky light)과 대기 산란 효과를 제거하여 원격 탐지 화상이 특징의 스펙트럼 값을 더 정확하게 반영하도록 하고, 대기보정 모델을 이하의 식에 의하여 얻으며,
   

   

   
   ρ는 지표 반사율, ρ_Τ(θ_s ,θ_v ,φ_s ,φ_v)는 대기 계면 반사율, θ_s는 태양 천정각, θ_s는 태양 방위각, θ_v는 센서 방위각, T(θ_s)는 대기 투과율, Tg(θ_s ,θ_v)는 태양-목표 대기 경로 투과율, T(θ_v)는 목표-센서 대기 경로 투과율, ρ_R+α는 분자 산란과 에어로졸 산란으로 구성된 경로 복사 반사율, s는 대기 반구 반사율인 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
6. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 화상 전처리는 은밀 객체 서브트렉션(subtraction) 방법을 이용하고, 태양 조도, 센서 관찰 기하형태와 계절성 변화로 발생된 위성 화상 복사도 차이를 보정하고 정규화하는 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
7. 제2항에 있어서,
   상기 원격 탐지 위성 화상에 대한 화상 전처리를 실시하고, 기하학적 보정을 실시하며, 구체적인 조작단계는 지면 통제점 선택, 지면 통제점 선택, 픽셀 좌표 변환과 픽셀 휘도 값의 재샘플링이며, 픽셀 좌표 변환은 좌표 변환에 기반하는 방법을 이용하고, 변환 공식은,
   

   

   이며,
   여기에서, x’,y’는 보정한 후에 출력한 통제점 좌표이고, x,y는 원래 화상 중에서의 지면 통제점 좌표이며, RMS_error는 각 통제점의 평균 제곱근 오차인 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.
8. 제1항 내지 제7항 중 어느 한 항에 있어서,
   퍼지 논리는 모델 설계에 근거해, 저(低), 저(低)/중(中), 중(中)/고(高) 또는 고(高)로 분류할 수 있는 것을 특징으로 하는 다인자를 기반으로 한 해안선 변화 식별방법.

Images