Current Status of Application of KOMPSAT Series

https://doi.org/10.7780/kjrs.2020.36.6.2.1 ISSN 2287-9307 (Online)

Editorial

최근 다목적실용위성 시리즈 활용 현황

이광재 ^1)†·오관영 ²⁾·이원진 ³⁾

Current Status of Application of KOMPSAT Series

Kwang-Jae Lee

·Kwan-Young Oh

·Won-Jin Lee

Abstract: It has been more than 20 years since the launch of KOMPSAT-1, and so far, a total of 5 satellites have been successfully launched. Until now, KOMPSAT has been used in various fields, including the production of various thematic maps, land change, environmental analysis, and marine monitoring. Many researchers have conducted research to process, analyze, and utilize KOMPSAT images. According to the national space development plan, the KOMPSAT series will be continuously developed to meet the demand for satellite images at the national level. If the ultimate purpose of satellite development is to utilize acquired images, systematic research to effectively utilize the developed satellites should be followed. This special issue introduces the recently conducted research on the use of KOMPSAT images.

Key Words: KOMPSAT, Calibration & Validation, Surface Reflectance, Deep Learning, Classification, Change Detection, DSM

요약 : 다목적실용위성1호가 발사 된지 20년이 넘었으며, 지금까지 총 5기의 다목적실용위성을 성공적으로 발 사하였다. 그 동안 다목적실용위성은 각종 주제도 제작을 비롯하여 국토 변화, 환경분석, 해양모니터링 등 다 양한 분야에서 활용되어 왔으며 많은 연구자들이 다목적설용위성 영상자료를 처리, 분석 및 활용하기 위한 연 구를 진행해 왔다. 국가 우주개발계획에 따라 다목적실용위성 시리즈는 국가 차원의 위성영상 수요 충족을 위 하여 지속적으로 개발될 예정이다. 위성 개발의 궁극적인 목적이 획득된 영상의 활용에 있다면 개발되는 위성 을 효과적으로 활용하기 위한 체계적인 연구가 뒤따라야 할 것이다. 본 특별호에서는 최근 수행된 다목적실용 위성 영상 활용 연구에 대해서 소개하고자 한다.

Received December 2, 2020; Revised December 2, 2020; Accepted December 4, 2020; Published online December 9, 2020

1)

한국항공우주연구원 위성활용부 책임연구원 (Principal Researcher, Satellite Application Division, Korea Aerospace Research Institute)

2)

한국항공우주연구원 위성활용부 선임연구원 (Senior Researcher, Satellite Application Division, Korea Aerospace Research Institute)

3)

국립환경과학원 환경위성센터 연구관 (Senior Researcher, Environmental Satellite Center, National Institute of Environmental Research)

†Corresponding Author: Kwang-Jae Lee ([email protected])

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License

(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in

any medium, provided the original work is properly cited.

우리나라의 우주개발 역사는 30년이 넘었으며, 독자 적인 실용급 위성을 발사한 지도 벌써 20여년이 지났다.

1999년 12월 최초의 실용급 위성인 다목적실용위성 1호 를 발사한 이후 지금까지 총 4기(2호, 3호, 3A호, 5호)의 다목적실용위성을 발사하였으며 , 현재 3기(3호, 3A호, 5호)의 위성이 정상운영 중에 있다. 우주개발 초기에는 하드웨어 측면의 위성 개발에 집중할 수 밖에 없었기 때 문에 본체 및 탑제체 등을 개발하는데 많이 치중하였다 . 그러나 다목적실용위성 1호를 발사한지 20여년이 지난 오늘날에는 위성으로부터 획득되는 정보의 활용에도 많은 관심과 투자가 이뤄지고 있으며 다목적실용위성 시리즈 영상을 이용한 다양한 연구가 활발히 수행되고 있다(Lee et al., 2018; Jang et al., 2019; Lee and Lee, 2020;

Kim et al., 2020; Kang, 2020; Lee and Jeong, 2020).

위성 개발의 궁극적인 목적이 획득된 정보의 활용에 있다면 기획단계부터 활용을 고려한 위성설계 및 개발 이 이루어져야 한다 . 특히 위성이 발사된 이후에는 체계 적인 검보정 (calibration & validation)과 영상에 대한 지속 적인 품질관리가 요구된다 . 일반적으로 위성 검보정은 위성발사 전과 후로 구분된다 . 위성발사 전에는 위성체 및 본체에 대한 지상 실험과 각종 검보정 수행에 필요한 문서 및 소프트웨어 개발이 중심이 되며 , 발사 후에는 사전에 결정된 사항을 바탕으로 검보정을 수행하고 그 결과를 위성 및 지상시스템에 적용하여 요구성능을 만 족하는 영상이 생성되도록 하는데 있다 . 또한 위성의 정 상운영 단계에서는 지속적인 모니터링을 통해 영상품 질이 저하되는지 확인 후 이를 보상 (compensation)하는 작업을 하여야 한다. QuickBird, WorldView, ALOS 등과 같은 해외 위성의 경우 검보정 관련 연구가 활발히 진 행되었으며(Crespi and Vendictis, 2009; Saunier et al., 2010;

Li et al., 2015; Zheng et al., 2018), 국내 다목적실용위성의 경우 2호부터 검보정 개념이 적용되어 국내기술로 검보 정 작업이 수행되기 시작하였다 . 한국항공우주연구원 은 지금까지 발사된 위성에 대한 지속적인 모니터링을 통해 영상품질이 저하되는 것을 방지하기 위해 품질개 선 작업을 수행해오고 있다 . 위성발사 후 수행되는 검보 정은 크게 탑제체 , 자세제어시스템, GPS 센서 등에 대한 검보정을 담당하는 Phase I과 노이즈 제거, 밴드정합, MTFC 등 처리시스템에 대한 검보정을 담당하는 Phase II로 구분할 수 있으며, 각 Phase별 검보정이 완료되면

정상운영 단계로 넘어가게 된다 . Seo et al. (2020)는 본 특 별호를 통해 다목적실용위성 3A호 발사 후 수행된 주요 영상 품질 인자별 결과와 정상운영 기간 동안의 영상품 질 평가기준과 관리방안을 제시하고 최근 약 5년동안 모니터링된 다목적실용위성 3A호의 주요 영상품질 인 자별 정확도에 대해서 발표하였다 . 당초 시스템 규격 대 비 위성발사 후 수행된 검보정을 통해 MTF는 최대 2배 까지 개선되었으며 위치정확도는 당초 70 m(CE90)에 서 13.5 m(CE90)로 향상되었다. 일반적으로 위성영상의 품질은 위성체 성능에 따라 결정되며, 위성발사 후 하 드웨어적 성능 저하 현상으로 인해 시간에 따라 영상품 질은 계속 변하게 된다. 따라서 정상운영 기간 동안 영 상품질 저하를 방지하기 위해서 지상의 각종 검보정 사 이트를 촬영한 영상을 분석하여 처리시스템에 결과를 반영함으로써 영상제품군에 대한 품질을 유지할 수 있 는데 , 이와 같은 품질관리는 위성의 수명이 종료되는 시 점까지 지속되어야 한다 . 한편 2016년부터 2020년 5월 까지 수행된 MTF, SNR, 위치정확도에 대한 품질을 분 석한 결과를 살펴보면 , 우선 MTF의 경우 11.6%로 시스 템 요구 성능 8%를 만족함과 동시에 초기 검보정 결과 대비 약 1.5%가 향상된 것으로 나타났으며, 평균 SNR 도 100.6으로 요구 성능 100을 만족하고 있는 것으로 분 석되었다 . 위치정확도는 전 세계 약 70여개의 지상사이 트 참조자료를 기반으로 분석되었으며 , POD/PAD를 사용한 경우 평균 10.2 m의 위치정확도를 가지는 것으 로 확인되었다 . 향후 지속 가능한 다목적실용위성 3A호 영상자료 활용을 위해서는 영상 품질관리 및 개선을 위 한 연구를 지속적으로 수행하여야 할 것이다.

위성영상을 이용하여 지구물리변수를 산출하기 위해

서는 위성으로 관측된 디지털 수치(Digital Number, DN)

를 복사량(radiance)으로 변환하는 과정이 요구된다. 이

러한 DN-Radiance 변환 관계식 및 보정 계수는 위성발

사 전 지상에서 수행된 다양한 실험 결과를 바탕으로 산

정되고 위성발사 후 검보정 과정을 거쳐 최종적으로 산

출된다 . 그러나 위성 발사 후 시간이 지남에 따라 위성

시스템의 성능저하 등으로 인해 복사보정계수가 변할

수 있기 때문에 지속적인 모니터링이 필요하다 . 본 특

별호에서 Kim (2020)은 복사전달모델을 이용하여 다목

적실용위성 3A호 중적외선(mid-wave infrared) 영상의

복사보정계수를 산출하는 연구를 수행하였으며 , 이를

통해 보다 현실적인 복사보정계수 산출이 가능함을 확 인하였다 .

최근 위성영상 활용 분야의 주요 화두 중에 하나가 ARD(Analysis Ready Data) 이다. 우리말로 분석대기자 료 정도로 변역 할 수 있으며 , 의미 그대로 전처리(pre- processing)가 완료되어 분석에 바로 사용할 수 있는 자 료를 의미한다 . 일반적으로 위성영상을 사용하기 위해 서는 목적에 부합하는 전처리 과정이 필요하며 , 이러한 과정은 사용자의 지식 수준 및 노하우 등에 따라서 달 라질 수 있다. 과거 Landsat 시리즈 등이 일반에 공개되 었을 때에는 기하보정을 비롯하여 지형보정 및 대기보 정 등과 같은 영상 전처리 분야와 관련하여 연구가 많 이 이루어졌다. 그러나 오늘날에는 전처리 보다 영상 분 석과 같은 후처리 분야에 연구가 많이 집중되어 있다.

사실 대기보정과 같은 일부 전처리 과정은 위성영상을 활용하는데 있어 반드시 필요한 것은 아니며 , 처리결과 에 대한 정확한 검증도 어려운 부분이 있다 (Lee, 2019).

그럼에도 불구하고 최근 해외에서는 많은 연구자들이 ARD와 관련된 연구를 수행하고 있다(Zhu, 2019; Kuhn

적으로도 정규화되어야 하지만 무엇보다 지표 반사도 (surface reflectance) 정보를 제공할 수 있어야 하며, 이를 위해서는 대기보정이 반드시 필요하다 . Lee and Yum (2019)은 약 40여년 동안 개발된 대기 보정 알고리즘에 대해서 분석하였으며 , Lee and Kim (2019)은 오픈소스 기반의 지표 반사도 산출 연구를 수행한 바 있다 . 한편 본 특별호에서 Kim and Lee (2020)는 다목적실용위성 3A호 영상으로부터 산출된 지표 반사도에 대한 성과 검 증 결과를 발표하였다. 다목적실용위성 3A호는 촬영 시 기에 따라 서로 다른 gain과 offset 값을 메타정보로 제공 하고 있으며, Kim and Lee (2020)는 촬영 일에 따라 다른 두가지 버전 (v1.4, v1.5)의 gain과 offset 값을 활용하여 지 표 반사도를 산출 후 각 버전별 차이를 분석하였으며 , Landsat-8과 Sentinel-2B의 지표 반사도와도 비교하였다.

우선 지표반사도는 선행연구 (Lee and Kim, 2019) 결과를 통해 발표된 오픈소스 Orfeo ToolBox(OTB)의 확장프로 그램을 이용하여 산출하였으며 , 그 결과는 RadCalNet 바오터우 (Baotou, BTCN)에서 제공하는 현장 측정자료 를 사용하여 검증하였다 . Gain과 offset의 경우 1.4 버전 이 BTCN 자료와 잘 부합하는 것으로 나타났으며, 각 밴

드 별 지표 반사도의 경우 약 95% 수준의 정확도를 가 지는 것으로 확인되었다 . 또한 OTB을 이용하여 산출 된 다목적실용위성 3A호의 지표 반사도가 Landsat-8과 Sentinel-2B 영상의 지표 반사도 결과와도 유사한 것으 로 나타났다 . 향후 지속적인 검증 연구가 수행된다면 개 발된 반사도 처리 모듈에 대한 보다 과학적인 신뢰성을 바탕으로 다양한 분야에서 활용될 수 있을 것으로 기대 된다 .

한편 절대복사보정은 많은 시간과 비용이 수반되기 때문에 일부 연구자들은 안정적인 대기 및 지표 반사도 를 가지는 지상사이트를 이용하여 상대복사보정을 수 행하거나, 위성간의 교차 검증을 통한 자료 정규화 연구 (Claverie et al., 2018) 및 위성의 각 채널 별 조견표를 이용 한 지표반사도 민간도 분석 연구(Jung et al., 2020) 등을 수행하였다 . 또한 Ahn et al. (2018)은 위성영상별 상대분 광응답반응 (Relative Spectral Response; RSR) 차이에 따 른 분광밴드조절계수 (Spectral Band Adjustment Factor;

SBAF)를 산정하고 비교하였다. 본 특별호에서는 서로 다른 위성영상을 농업분야에서 융·복합 활용하기 위해 서 교차검보정을 수행한 결과에 대해서 소개하고 있다 . Ahn et al. (2020)은 다목적실용위성 3호 영상의 농업분야 활용도 제고를 위해 Landsat-8 영상과 교차검보정을 수 행하였는데 , Libya-4 사이트에서 2년간 수집된 각 위성 과 EO-1을 SBAF에 적용하여 TOA(Top of Atmosphere) Reflectance 기반의 반사율을 비교하였다. 그 결과 RGB 밴드에서는 약 3% 이내의 반사율 차이가 나타났으며, NIR 밴드에서는 약 10% 정도의 차이가 존재하는 것으 로 나타났다. 이와 같은 결과는 두 위성간의 단순 TOA Reflectance을 비교하였을 때보다 상당히 개선된 수치 로 향후 다중위성영상을 활용하기 위해서는 각 센서 별 특성으로 인해 발생 가능한 문제를 해결하기 위한 교차검보정 , SBAF 적용, BRDF(Bidirectional Reflectance Distribution Function) 보정 등에 대한 보다 체계적인 연 구가 필요할 것으로 판단된다 .

일반적으로 다목적실용위성과 같은 저궤도위성은

높은 공간해상도를 가지는 반면 좁은 촬영 폭으로 인해

광역 지역에 대한 영상을 획득하기 위해서는 여러 번 촬

영하여야 하며 , 촬영된 영상을 집성(모자이크)하기 위한

별도의 처리 과정도 요구된다 . 모자이크와 관련된 연구

는 고해상도 위성영상이 본격적으로 활용되면서부터

활발히 수행되었으며 주로 영상 매칭 , 색상 조정 등과 관련된 연구가 다수를 차지하였다 (Gadallah et al., 2000;

Oliveira et al., 2015; Pan et al., 2016; Li et al., 2019). 한편 국 내에서는 상용 소프트웨어에서 지원하는 영상모자이크 기법을 정량적인 품질평가를 통해 비교한 연구가 수행 된 바 있다 (Oh et al., 2014). 본 특별호에서 Kim et al. (2020) 은 다목적실용위성 3호 영상 모자이크를 위한 경계선 추정 방법에 대해 연구 결과를 발표하였다 . 일반적인 영 상모자이크 단계에서 요구되는 특징점 추출과 영상매 칭 과정 대신에 RPC(Rational Polynomial Coefficient)를 이용한 상대기하보정을 수행하고 기존의 FR Seam 알고 리즘(Hejazifar et al., 2018)을 개선함으로써 접합부분에 서의 이질감을 최소화하는 방안을 제시하였다. 저궤도 고해상도 위성영상의 특성상 광역지역에 대한 영상 지 도 및 주제도 제작 등을 위해서는 고품질의 모자이크영 상을 생성할 수 있는 알고리즘에 대한 지속적인 연구가 필요할 것으로 판단된다 .

위성영상은 대규모 재난에 효율적으로 활용될 수 있다 . 특히 최근 각광 받고 있는 군집형 초소형위성의 경우 시·공간해상도가 높기 때문에 각종 재난에서 많이 활용되고 있는 추세이다 . 한편 다목적실용위성의 고해 상도 광학 영상은 촬영 폭이 좁은 단점은 있으나 , 높은 공간해상도를 바탕으로 피해지역에 대한 정확한 탐지 및 분석이 가능하기 때문에 산불 탐지 등에 많이 활용 되고 있다 . 2019년 4월 4일에 발생한 강원도 고성군 산 불의 경우 재난대응 3단계로 대응해야 할 정도로 막대 한 피해를 발생시켰다 . 한국항공우주연구원에서는 강 원도 일원에서 동시 다발적으로 발생하는 산불에 대응 하기 위하여 활용 가능한 모든 위성을 동원하여 영상촬 영을 수행하였으며, 촬영된 영상은 산림청, 행정안정부 등에 신속히 제공하여 현업에서 활용할 수 있도록 지원 하였다 . 본 특별호에서 Nur et al. (2020)은 강원도 속초 산불 이후 2019년 4월 20일에 촬영된 다목적실용위성 3A호와 Sentinel-2 영상을 Artificial Neural Network(ANN) 과 Support Vector Machin(SVM) 알고리즘을 이용하여 산불 피해지역을 탐지한 연구 결과를 발표하였다 . 최근 위성영상 분석에 머신러닝 , 딥러닝 기술 등이 많이 적 용되고 있는데 , 머신러닝은 인공지능을 구현하는 대표 적인 방법 중에 하나이며 딥러닝은 머신러닝의 여러 방 법 중에 하나이다 . 머신러닝 기술은 위성영상분류 등에

자주 활용되어 왔다 (Kavzoglu and Colkesen, 2009; Liu et

호에서 발표된 Nur et al. (2020)의 산불 탐지 결과에서는 다목적실용위성 3A호의 경우 ANN(96.94%)가 Sentinel- 2에서는 SVM(95.16%)가 보다 높은 탐지율을 가지는 것 으로 나타났다 . 향후 머신러닝 기술은 위성영상 분석 및 해석에 다양하게 활용될 수 있으며 , 특히 시급성을 필 요로 하는 재난 분석 등에 있어 효과적으로 활용될 수 있기 때문에 관련분야에 대한 지속적인 연구가 수행되 어야 할 것이다.

본 특별호에서 Youn and Jeo (2020)은 다목적실용위성 3A호 영상을 기계학습 기반으로 시가화지역을 분류한 결과를 발표하였다. 훈련지역은 25 m 격자기반으로 구 축하여 학습하였으며, SVM 4가지(linear, polynomial, RBF, sigmoid) 커널 모델과 ANN의 2가지(sigmoid, identity) 함 수를 사용하였다 . 총 4가지 클래스(건물, 도로, 식생, 나 지 )로 구분하여 분류한 결과 SVM(polynomial)을 적용 하였을 때에 정확도 (86%)가 가장 높은 것으로 나타났 으며 , 지상검사자료를 활용하여 적용 알고리즘간의 정 확도를 비교한 결과 SVM 방식이 전반적으로 정확도가 높은 것으로 나타났다 . 전체 4가지 클래스 중에서 건물 의 경우 그림자 영향으로 오분류가 가장 많이 발생하였 는데 , 향후 고해상도 위성영상을 이용한 도심지 분류에 있어서는 고층빌딩 , 아파트 등으로 인해 발생하는 그림 자 영향을 최소화하기 위한 연구가 필요할 것으로 판단 된다 .

한편 본 특별호에서 Song et al. (2020)은 고해상도 위 성영상을 이용한 딥러닝 기반의 도시변화탐지 결과를 소개하였다. 과거 변화탐지 연구는 크게 화소(pixel) 및 객체(object) 기반으로 구분되어 많이 수행되었으나, 최 근에는 딥러닝 기술을 활용한 변화탐지 연구가 많이 진 행되고 있다 (Badrinarayanan et al., 2017; Song et al., 2019;

Wahyu et al., 2020). Song et al. (2020) 연구에서는 총 6개

(건축물, 도로, 농경지, 비닐하우스, 산림, 수변) 클래스에

대해서 학습을 시킨 후 기존 U-Net과 UNet++를 비롯하

여 연구에서 제안한 SPADE(Spatially-Adaptive Denormali -

zation) U-Net을 적용한 후 변화탐지 정확도를 평가하였

으며 , 그 결과 SPADE U-Net에서 정확도가 높게 나타나

는 것으로 확인되었다 . 비록 일부 항목에 대해서만 실험

이 수행되었다는 제약이 있으나 , 복잡한 도심을 대상으

로 수행되었다는 점에서 향후 지속적인 연구를 통해 보 다 다양한 객체에 대한 분류와 정확도 향상을 기대해볼 수 있을 것으로 예상된다 .

토지피복 분류는 위성영상의 가장 전통적인 활용분 야 중에 하나이며 , 최근 원격탐사 기술의 발전과 더불 어 토지피복 분류와 관련해서도 다양한 머신러닝 및 딥 러닝 기술이 적용되고 있다 . 그러나 분류하고자 하는 토 지피복의 항목 및 적용 모델 등에 따라서 분류 정확도 는 상의하게 나타날 수 있다 (Kerker et al., 2018; Rana and Suryanarayana, 2020; Zhan et al., 2019). 본 특별호에서 Lee and Lee (2020)은 총 3가지 알고리즘을 이용하여 다목적 실용위성 3호 영상에 대해 분류한 결과를 발표하였다.

총 13가지 항목에 대한 학습데이터셋을 구축 후 SegNet, U-Net, DeeplabV3+을 이용하여 의미론적 분할(semantic segmentation)을 수행한 결과 DeeplabV3+ 모델이 가장 분류 정확도 (81.7%)가 높은 것으로 나타났다. 그러나 토 지피복 항목에 따라 SegNet과 U-Net 모델도 우수한 정 확도를 나타냄에 따라 특정 모델만을 사용하기 보다는 다양한 모델을 복합적으로 활용할 수 있는 방안에 대한 연구도 필요할 것으로 판단된다 . 또한 딥러닝 모델이 빠 르게 발전되어 공개됨에 따라 최신 모델에 대한 연구도 지속될 필요가 있다 .

최근 위성영상은 높은 공간해상도를 바탕으로 각종 환경변화 연구에도 많이 활용되고 있다 . 특히 대규모 개 발사업에 따른 환경영향 분석에 효과적으로 활용될 수 있으며 , 국내에서는 서해안 일대 간척사업에 따른 환경 문제 분석에 위성영상이 활용된 사례가 다수 존재한다 (Woo et al., 2006; Park et al., 2019). 본 특별호에서 Jeong et

용하여 시화호 간척지 방조제 개방 이후 갯골 선 정보 를 추출하여 갯골 지역의 변화에 대한 분석을 수행하여 고해상도 위성영상이 기존 중해상도 영상에 비해 갯골 선의 방향성 양상 변화 감지에 있어 매우 유용하게 활 용될 수 있음을 확인하였다 . 갯골은 해안 퇴적 지형을 분석하는데 있어 중요한 정보이며 , 우리나라는 서해안 을 중심으로 매우 다양한 갯벌이 형성되어 있기 때문에 향후 해안 환경변화 분석에 있어 고해상도 위성영상이 효과적으로 활용될 수 있을 것으로 기대된다 .

현재 한국항공우주연구원에서는 다목적실용위성을 이용한 부가처리 연구의 일환으로 고해상도 위성영상

활용에 있어 반드시 요구되는 정밀기하모델 및 수치표 고모델 등과 관련된 연구를 진행하고 있다 . 한반도지역 은 많은 사용자들이 밀집되어 있는 관계로 신규 영상 촬 영이 원활하지 못한 문제점이 있어 해외지역을 대상으 로 테스트 베드 구축을 진행하였으며 , 그 중 하나가 미 국 샌프란시스코 지역이다 . Oh et al. (2020)은 해당지역 에 대해 구축된 정밀 GPS 기준점을 기반으로 다목적실 용위성 3호 스테레오(in-track stereo) 영상을 센서 모델 링하여 0.5 m(RMSE) 이내의 정확도를 확인하였으며, 이를 기반으로 DSM(Digital Surface Model)을 생성하여 참조 DSM과 비교한 결과 평균 약 0.6 m 수준의 차이가 존재하는 것을 확인하였다 . 일부 고층건물로 인한 폐색 지역에서는 100 m 이상의 차이도 존재하는 것으로 나 타났으나 , 향후 다중 스테레오(tri-stereo) 영상 등을 활용 한 경우 폐색 지역에 대한 오류를 저감시킬 수 있을 것 으로 예상된다 . 후속으로 개발되고 있는 다목적실용위 성의 경우 공간해상도 및 기동 성능 등이 더욱 향상되 기 때문에 다양한 스테레오 촬영을 통해 고품질의 부가 정보를 생성할 수 있을 것으로 기대된다 .

현재 운영되고 있거나 향후 발사될 다목적실용위성 을 국토 전반에 걸쳐 다양한 분야에 활용하기 위해서는 체계적인 영상 품질 관리뿐만 아니라 지속적인 자료처 리, 분석 및 활용을 위한 기술 개발이 수행되어야 한다.

본 특별호에서는 최근 수행된 다목적실용위성 영상자 료 활용 연구에 대해서 발표하였으며, 향후에도 특별호 를 통해 다목적실용위성 영상자료 활용 등과 관련한 최 신기술을 지속적으로 소개하고자 한다.

사사

이 논문은 한국항공우주연구원 “정부 위성정보활용 협의체 지원 (FR20H00)” 사업의 지원을 받았으며, 이에 감사드립니다 .

References

Ahn, H. Y., K. Y. Kim, K. D. Lee, C. W. Park, K. H.

So, and S. I. Na, 2018. Feasibility Assessment of

Spectral Band Adjustment Factor of KOMPSAT- 3 for Agriculture Remote Sensing, Korean Journal

with English abstract).

Ahn, H. Y., S. I. Na, C. W. Park, S. Y. Hong, K. H. So, and K. D. Lee, 2020. Radiometric Cross Calibration of KOMPSAT-3 and Lnadsat-8 for Time-Series Harmonization Calibration of KOMPSAT for Agricultural Application Improvement, Korean

(in Korean with English abstract).

Badrinarayanan, V., K. Alex, and C. Roberto, 2017.

SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation, IEEE

Claverie, M., J. Ju, J. G. Masek, J. L. Dungan, E. F.

Vermote, J. C. Roger, S. V. Skakun, and C.

Justice, 2018. The Harmonized Landsat and Sentinel-2 surface reflectance data set, Remote

Crespi, M. and L. D. Vendictis, 2009. A procedure for high resolution satellite imagery quality assessment,

Dwyer, J. L., D. P. Roy, B. Sauer, C. B. Jenkerson, H.

K. Zhang, and L. Lymburner, 2018. Analysis Ready Data: Enabling Analysis of the Landsat Archive, Remote Sensing, 10(9): 1363.

Gadallah, F. L., F. Csillag, and E. J. M. Smith, 2000.

Destriping multisensor imagery with moment matching, International Journal of Remote Sensing, 21: 2505-2511.

Hejazifar, H. and H. Khotanlou, 2018. Fast and robust seam estimation to seamless image stitching, Signal,

Jang, J. C., K. A. Park, D. Yang, and S. G. Lee, 2019.

Improvement of KOMPSAT-5 Sea Surface Wind with Correction Equation Retrieval and Application of Backscattering Coefficient, Korean Journal of

with English abstract).

Jeong, Y., K. J. Lee, T. B. Chae, and J. Yu, 2020.

Analysis of Tidal Channel Variations Using High Spatial Resolution Multispectral Satellite Image in Sihwa Reclaimed Land, South Korea, Korean

(in Korean with English abstract).

Jung, D., D. Jin, N. H. Seong, K. S. Lee, M. Seo, S.

Choi, S. Sim, K. S. Han, and B. R. Kim, 2020.

Sensitivity Analysis of Surface Reflectance Retrieved from 6SV LUT for Each Channel of KOMPSAT-3/3A, Korean Journal of Remote

abstract).

Kadavi, P. R. and C. W. Lee, 2018. Land cover classification analysis of volcanic island in Aleutian Arc using an artificial neural network (ANN) and a support vector machine (SVM) from Landsat imagery,

Kang, H., 2020. Automatic Registration between EO and IR Images of KOMPSAT-3A Using Block- based Image Matching, Korean Journal of Remote

Kavzoglu, T. and I. Colkesen, 2009. A kernel functions analysis for support vector machines for land cover classification, International Journal of

11(5): 352-359.

Kemker, R., C. Salvaggio, and C. Kanan, 2018. Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning, ISPRS

145: 60-77.

Kim, D., T. K. Lee, and S. W. Kim, 2020. Ship Detection Based on KOMPSAT-5 SLC Image and AIS Data, Korean Journal of Remote Sensing, 36(2-2):

365-377 (in Korean with English abstract).

Kim, H., J. Jung, D. Lee, and D. Seo, 2020. A Study

on the Seamline Estimation for Mosaicking of

KOMPSAT-3 Images, Korean Journal of Remote

Sensing, 36(6-2): 1537-1565 (in Korean with

English abstract).

Kim, K. and K. Lee, 2020. Validation of Surface Reflectance Product of KOMPSAT-3A Image Data: Application of RadCalNet Baotou (BTCN) Data, Korean Journal of Remote Sensing, 36(6-2):

1509-1521 (in Korean with English abstract).

Kim, Y., 2020. Derivation of Radiometric Calibration Coefficients for KOMPSAT-3A Mid-wave Infrared Data Using a Radiative Transfer Model, Korean

(in Korean with English abstract).

Kuhn, C., A. M. Valerio, N. Ward, L. Loken, H. O.

Sawakuchi, M. Kampel, J. Richey, P. Stadler, J.

Crawford, R. Striegl, E. Vermote, N. Pahlevan, and D. Butman, 2019. Performance of Landsat-8 and Sentinel-2 Surface Reflectance Products for River Remote Sensing Retrievals of Chlorophyll- a and Turbidity, Remote Sensing of Environment, 224: 104-118.

Lee, K. and J. Yum, 2019. A Review on Atmospheric Correction Technique Using Satellite Remote Sensing, Korean Journal of Remote Sensing, 35(6-1): 1011-1030 (in Korean with English abstract).

Lee, K. and K. Kim, 2019. An Experiment for Surface Reflectance Image Generation of KOMPSAT 3A Image Data by Open Source Implementation,

1327-1339 (in Korean with English abstract).

Lee, K., 2019. Atmospheric Correction Issues of Optical Imagery in Land Remote Sensing, Korean Journal

with English abstract).

Lee, S. and M. Lee, 2020. A Study on Deep Learning Optimization by Land Cover Classification Item Using Satellite Imagery, Korean Journal of Remote

English abstract).

Lee, S. J. and Y. W. Lee, 2020. Detection of Wildfire-

Damaged Areas Using Kompsat-3 Image: A Case of the 2019 Unbong Mountain Fire in Busan, South Korea, Korean Journal of Remote

abstract).

Lee, S. M. and J. C. Jeong, 2020. Accuracy Assessment of Unsupervised Change Detection Using Automated Threshold Selection Algorithms and KOMPSAT- 3A, Korean Journal of Remote Sensing, 36(5-2):

975-988 (in Korean with English abstract).

Lee, Y. S., S. H. Park, H. S. Jung, and W. K. Baek, 2018. Classification of Natural and Artificial Forests from KOMPSAT-3/3A/5 Images Using Artificial Neural Network, Korean Journal of

with English abstract).

Li, C. R., L. L. Tang, L. L. Ma, Y. S. Zhou, C. X.

Gao, N. Wang, X. H. Li, X. H. Wang, and X.

H. Zhu, 2015. A comprehensive calibration and validation site for information remote sensing, The International Archives of the Photogrammetry,

40(7): 1233-2015.

Li, X., R. Feng, X. Guan, H. Shen, and L. Zhang, 2019. Remote Sensing Image Mosaicking:

Achievements and Challenges, IEEE Geoscience

Liu, Y., B. Zhang, L. Wang, and N. Wang, 2013. A self-trained semisupervised SVM approach to the remote sensing land cover classification,

Nur, A. S., S. Park, K. J. Lee, J. Y. Moon, and C. W.

Lee, 2020. Mapping of Post-Wildfire Burned Area using KOMPSAT-3A and Sentinel-2 Imagery: The Case of Sokcho Wildfire, Korea, Korean Journal

with English abstract).

Oh, K. Y., J. I. Hwang, W. S. Yoo, and K. J. Lee, 2020.

Performance Evaluation of KOMPSAT-3 Satellite

DSM in Overseas Testbed Area, Korean Journal

of Remote Sensing, 36(6-2): 1615-1627 (in Korean

with English abstract).

Oh, K. Y., H. S. Jung, K. J. Lee, and H. S. Lee, 2014.

A Method for Quantitative Quality Assessment of Mosaic Imagery, Korean Journal of Remote

abstract).

Oliveira, M., A. D. Sappa, and V. Santos, 2015. A probabilistic approach for color correction in image mosaicking applications, IEEE Transaction

Saunier, S., P. Goryl, G. Chander, R. Santer, M. Bouvet, B. Collet, A. Mambimba, and S. K. Aksakal, 2010. Radiometric, geometric, and image quality assessment of ALOS AVNIR-2 and PRISM sensors,

Seo, D. C., H. H. Kim, J. H. Jung, and D. H. Lee, 2020.

Characteristics of KOMPSAT-3A Key Image Quality Parameters During Normal Operation Phase, Korean Journal of Remote Sensing, 36(6-2):

1493-1507 (in Korean with English abstract).

Song, A., J. Choi, and Y. Kim, 2019. Change Detection for High-resolution Satellite Images Using Transfer Learning and Deep Learning Network,

37(3): 199-208 (in Korean with English abstract).

Song, C., W. Wahyu, J. Jung, S. Hong, D. Kim, and J.

Kang, 2020. Urban Change Detection for High- resolution Satellite Images using U-Net Based on SPADE, Korean Journal of Remote Sensing, 36(6-2): 1579-1590 (in Korean with English abstract).

Pan, J., M. Wang, X. Cao, S. Chen, and F. Hu, 2016.

A multi-resolution blending considering changed regions for ortho image mosaicking, Remote

Park, C. H., J. Yu., J. Kim, and D. Y. Yang, 2019.

Monitoring Variation of Tidal Channels associated

with Shihwa Reclamation Project using Remote Sensing Approaches, Economic and Environmental

abstract).

Rana, V. K. and T. M. V. Suryanarayana, 2020. Performance evaluation of MLE, RF and SVM classification algorithms for watershed scale land use/land cover mapping using sentinel 2 bands, Remote

19: 100351.

Wahyu, W., J. Lee, and D. Sim, 2020. Change Detection on Multi-Spectral Images Based on Feature- level U-Net, IEEE Access, 8: 12279-12289.

Woo, H. J., J. U. Choi, S. M. An, S. J. Kwon, and B. J.

Koo, 2006. Changes of Sedimentary Environment in the Saemangeum Tidal Flat on the West Coast of Korea, Ocean and Polar Research, 28(4):

361-368 (in Korean with English abstract).

Youn, H. and J. Jeo, 2020. KOMPSAT-3A Urban Classification using Machine Learning Algorithm, Focusing on Yang-jae in Seoul, Korean Journal

Korean with English abstract).

Zhang, C., S. Wei, S. Ji, and M. Lu, 2019. Detecting large-scale urban land cover changes from very high resolution remote sensing images using cnn-based classification, ISPRS International

Zhang, P., Y. Ke, Z. Zhang, M. Wang, P. Li, and S.

Zhang, 2018. Urban Land Use and Land Cover Classification Using Novel Deep Learning Models Based on High Spatial Resolution Satellite Imagery,

Zheng, X. W., Q. Huang, J. J. Wang, T. Y. Wang, and G.

Zhang, 2018. Geometric accuracy evaluation of high-resolution satellite images based on Xianning test field, Sensors, 18(7): 2121-2132.

Zhu, Z., 2019. Science of Landsat Analysis Ready Data,