Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.41 No.1 pp.31-39
DOI : https://doi.org/10.5467/JKESS.2020.41.1.31

Changes Detection of Ice Dimension in Cheonji, Baekdu Mountain Using Sentinel-1 Image Classification

Sungjae Park1, Jinah Eom2,3, Bokyun Ko2, Jeong-Won Park4, Chang-Wook Lee2*
1Department of Smart Regional Innovation, Kangwon National University, Kangwon 24341, Korea
2Division of Science Education, Kangwon National University, Kangwon 24341, Korea
3Research Institute For Earth Resources, Kangwon National University, Kangwon 24341, Korea
4Unit of Arctic Sea-Ice Prediction, Korea Polar Research Institute, Incheon 21990, Korea
Corresponding author: cwlee@kangwon.ac.kr Tel: +82-33-250-6731
February 17, 2020 February 25, 2020 February 28, 2020

Abstract


Cheonji, the largest caldera lake in Asia, is located at the summit of Baekdu Mountain. Cheonji is covered with snow and ice for about six months of the year due to its high altitude and its surrounding environment. Since most of the sources of water are from groundwater, the water temperature is closely related to the volcanic activity. However, in the 2000s, many volcanic activities have been monitored on the mountain. In this study, we analyzed the dimension of ice produced during winter in Baekdu Mountain using Sentinel-1 satellite image data provided by the European Space Agency (ESA). In order to calculate the dimension of ice from the backscatter image of the Sentinel-1 satellite, 20 Gray- Level Co-occurrence Matrix (GLCM) layers were generated from two polarization images using texture analysis. The method used in calculating the area was utilized with the Support Vector Machine (SVM) algorithm to classify the GLCM layer which is to calculate the dimension of ice in the image. Also, the calculated area was correlated with temperature data obtained from Samjiyeon weather station. This study could be used as a basis for suggesting an alternative to the new method of calculating the area of ice before using a long-term time series analysis on a full scale.



Sentinel-1 위성의 영상 분류 기법을 이용한 백두산 천지의 얼음 면적 변화 탐지

박 성재1, 엄 진아2,3, 고 보균2, 박 정원4, 이 창욱2*
1강원대학교 스마트지역혁신학과, 24341, 강원도 춘천시 강원대학길 1
2강원대학교 과학교육학부, 24341, 강원도 춘천시 강원대학길 1
3강원대학교 지구자원연구소, 24341, 강원도 춘천시 강원대학길 1
4한국해양과학기술원 부설 극지연구소 북극해빙예측사업단, 21990, 인천광역시 연수구 송도미래로 26

초록


아시아에서 가장 큰 칼데라 호수인 천지는 해발 약 2250 m의 백두산 정상에 위치한다. 천지는 높은 해발고도 및 바다와 인접한 환경으로 인해 1년 중 6개월 정도가 눈과 얼음으로 뒤덮여 있다. 천지의 수원은 대부분 지하수로부 터 유입되기 때문에 수온과 백두산의 화산활동이 밀접한 관련이 있다. 하지만 2000년대에 들어서며 백두산에 많은 화 산활동이 관측되고 있다. 본 연구에서는 유럽우주국(European Space Agency: ESA)에서 제공하는 Sentinel-1 위성 영상 자료를 활용하여 백두산의 겨울철 생성되는 얼음의 면적을 분석하였다. Sentinel-1 위성의 후방산란 영상에서 얼음의 면 적을 산출하기 위해 질감 분석 기법을 활용하여 2개의 편파영상에서 20개의 Gray-Level Co-occurrence Matrix (GLCM) 레이어를 생성했다. 면적 산출에 사용된 방법은 GLCM 레이어를 Support Vector Machine (SVM) 알고리즘으 로 분류하여 영상에서 얼음의 면적을 산출했다. 또한 산출된 면적은 삼지연 기상관측소에서 획득된 기온자료와 상관관 계를 분석하였다. 본 연구는 본격적인 장기간의 시계열 분석에 앞서 얼음의 면적을 산출하는 새로운 방법에 대한 대안 을 제시하는 근거로서 활용될 수 있을 것이다.



    National Research Foundation of Korea
    2019R1A2C1085686
    2019R1A6A1A03033167

    서 론

    백두산은 화산 분화 가능성이 높아짐에 따라 세계 적으로 관심을 받고 있다. 현재 백두산의 분화를 예 측하기 위한 다양한 연구가 많이 진행되었다. 특히 퇴적지형에서 퇴적물 조사를 통하여 분화 당시의 피 해 규모를 예측하는 연구(Kim et al., 2013), 시뮬레 이션을 통해 백두산 분화 시의 화산재 또는 화산이 류로 인한 피해 범위 산출 연구(Kim, 2011), 레이더 위성의 간섭기법을 이용해 산출된 지표변위분석과 그 에 따른 마그마 방의 부피 변화 시뮬레이션 연구 (Hong et al., 2018) 등이 있다. 화산활동과 얼음의 관계를 연구하는 것은 주로 북유럽지방을 대상으로 많이 이루어져 있다(Muschitiello et al., 2017). 해당 연구에서는 화산 분화시에 발생한 화산가스와 화산재 로 인한 주변 빙하의 영향성을 분석하였다. 결과적으 로 화산가스로 인해 주변 기후가 변하여 빙하의 두 께가 변화하였음을 밝혔다. 그러나 마그마 관입으로 인한 수온 상승에 관한 연구는 미비하다. 만약 화산 활동을 위하여 마그마 방에 마그마가 관입된다면 화 산체 정상에 위치한 천지 또한 영향을 받아 수온이 상승할 것이다(Trunk and Bernard, 2008). 특히 이러 한 수온 상승은 겨울철 천치 얼음의 면적 변화에 영 향을 미칠 것이다. 그럼에도 불구하고 천지는 중국과 북한에 절반씩 나누어져 속해 있으며, 겨울철 낮은 온도로 인해 겨울철 입산이 통제되는 등 천지 수온 을 조사하기에는 어려움이 있어 수온 상승과 관련한 연구에 한계가 있다. 하지만 이와 다르게 원격 탐사 를 활용한 연구는 이런 한계점을 보완하여 수온 상 승에 따른 얼음 변화 연구가 가능하다. 빙하의 이동 을 연구하는 해빙연구에서는 이중편파 영상을 제공하 는 영상레이더(Polarimetric Synthetic Aperture Radar: Polarimetric SAR)영상을 활용한다. 기존에는 RADARSAT- 2의 영상을 사용했지만, 최근에는 Sentinel-1 위성 영 상을 사용한다. Sentinel-1 위성은 C-밴드 파장대를 가지는 위성으로 우리나라 지역에 대해 IW (Interferometric Wide) 빔모드를 가지는 VV (Vertical transmit and Vertical receive)와 VH (Vertical transmit and Horizontal receive)의 이중편파영상을 제공한다. VV 편파영상과 VH 편파영상은 물과 얼음에서 산란이 다르기 때문에 두 영상을 조합하여 얼음 면적을 산출할 수 있다 (Park et al., 2019). 따라서 이 연구에서는 Sentinel-1 영상을 활용하여 얼음 면적을 산출하고 산출된 면적 과 온도 자료와의 상관 분석을 통하여 향후 화산 활 동 탐지 예측 연구의 틀을 마련하고자 한다. 이 연구 를 위해서는 2016년 10월부터 2017년 4월까지 Sentinel- 1 영상을 획득하고 획득된 영상에 Gray-Level Cooccurrence Matrix (GLCM) 알고리즘을 적용하여 얼 음 면적을 산출하였다. 산출된 얼음 면적은 천지와 가장 가까운 삼지연 기상관측소의 기온 자료와 비교 하여 상관관계 분석을 진행하였다.

    연구지역

    천지는 백두산 정상에 위치한 칼데라 호수로 북한 의 양강도 지방과 중국의 지린성의 경계에 있다(Fig. 1). 천지의 해발고도는 2189 m, 면적은 9.82 km 2이며, 둘레는 14.8 km, 최대 수심은 374 m이다. 또한 천지 의 수량은 약 20억톤으로 아시아에서 가장 큰 호수 이며 세계에서 가장 깊은 호수이다(Yun and Lee, 2012). 천지는 약 1000년 전 대분화로 인해 생성된 화구에 물이 고여 칼데라 호수를 형성하게 되었다(Yun et al., 1993). 천지 물의 약 61%는 지하에 있는 마그마 에 의해 증발된 지하수가 유입되며, 약 39%는 강수 등으로 외부에서 유입되는 물이다(Suh et al., 2013). 천지가 위치한 백두산은 1000년 전 있었던 대분화 이후로도 여러 분화 기록을 가지고 있다. 특히 2000 년 이후로 백두산의 지표면 상승, 화산가스 방출, 화 산지진성 산사태 발생빈도 증가 등의 여러 화산활동 이 관측되어 백두산의 분화 가능성을 보여준다(Yun and Lee, 2012).

    연구방법

    본 연구의 연구 지역은 백두산 천지로 이 지역은 겨울철 낮은 기온으로 인하여 천치 표면에 얼음이 형성된다. 특히 10월부터 얼음이 얼기 시작하여 이듬 해 4월까지 유지가 된다. 이 연구에서는 이러한 얼음 탐지를 위해서 기상현상에 제약을 덜 받는 SAR 영 상을 사용하였다.

    Fig. 2는 연구 흐름도이다. 본 연구에 사용된 SAR 위성 영상은 유럽우주국(ESA)에서 발사된 Sentinel-1 위성 영상이다(Geudtner et al., 2014). 2014년에 처음 발사된 이 위성의 영상은 누구나 무료로 사용 가능 하다는 장점이 있으며 영상과 함께 영상처리 소프트 웨어인 SNAP (Sentinel Application Platform)을 함께 제공한다. 본 연구에서는 얼음의 면적과 기온과의 상 관관계를 분석하기 위해 얼음이 얼기 시작하는 2016 년 10월부터 이듬해 4월까지를 연구기간으로 설정하 였다. 백두산 지역은 Sentinel-1 위성의 32번 Track과 134번 Track이 겹치는 곳에 있어 6일마다 영상획득 이 가능하다. 하지만 32번 Track은 입사각이 작기 때 문에 천지의 일부가 가려지는 현상이 발생한다. 본 연구에서는 134번 Track의 영상 중 얼음 면적 변화 의 경향성을 파악하기 위해 1개월마다 한 개의 영상 을 분석하였다(Table 1).

    수집된 Sentinel-1 영상은 전처리 과정을 통하여 유 의미한 신호 정보인 후방산란 값으로 변환 하였다. 이 후, 영상의 레이더 좌표계를 지리 좌표계로 변환 하는 기하보정을 실시한 후 사용하였다.

    이렇게 변환된 영상으로부터 얼음과 물을 분류하였 다. 특히 SAR 위성은 특성상 표면에 이물질이 없는 수면에서는 후방산란 신호가 감지되지 않으며 표면이 단단하고 거친 얼음은 상대적으로 강한 후방산란 신 호가 감지된다(Scheuchl et al., 2001). 따라서 이러한 특성을 사용한다면 물과 얼음의 구분이 가능할 것이 다. 하지만 후방산란의 강도(Intensity)영상에는 신호 의 노이즈가 발생한다. 영상분류 알고리즘은 영상의 픽셀값을 분석하여 분류하기 때문에 영상의 노이즈는 분류 결과의 오차를 발생시킨다(Jang et al., 2011). 따라서 이러한 단점을 보완하기 위하여 후방산란영상 에 Gray-Level Co-occurrence Matrix (GLCM) 알고 리즘을 적용하여 질감 분석(Texture analysis)을 실시 하였다. GLCM은 기준이 되는 픽셀과 그 주변 픽셀 의 밝기 값을 변환하여 질감정보가 있는 레이어를 생성하는 방법이다. 이 GLCM 레이어는 창의 크기 (Window size)와 각도(Angle)에 의해 주로 결정된다 (Zulpe and Pawar, 2012). 각 영상의 GLCM 레이어 는 기준 픽셀로부터 창의 크기는 9×9, 각도는 0 ° , 45 ° , 90 ° , 135 °의 4가지 전방향에 대해 분석하여 생성 되었다. 이 과정에 의해 생성된 레이어는 각 편파에 대해 10개가 생성되었으며, 한 영상에는 VV와 VH 편파에 대해 총 20개의 레이어가 생성되었다(Table 2).

    이 과정을 거쳐 생성된 질감 레이어에 머신러닝 알고리즘 중 하나인 Support Vector Machine (SVM) 알고리즘을 적용하여 영상 분류를 진행하였다. SVM 은 감독분류법 알고리즘 중 하나로, 사전에 정의된 훈련데이터를 필요로 한다(Cortes and Vapnik, 1995). 또한 데이터를 분류하기 위해서 만들어진 기준인 초 평면(Hyperplane)을 사용한다. SVM은 가장 적합한 초평면을 찾기 위해 데이터와 초평면 간의 거리인 마진(Margin)을 반복 계산하며 이 마진이 최대가 되 는 초평면을 찾아 결정한다(Smola and Schlkopf, 2004). SVM이 최종적으로 초평면을 결정할 때 사용 된 데이터를 지원 벡터(Support Vector)라고 부른다 (Fig. 3). 즉, SVM은 결정된 초평면과 지원 벡터를 사용하여 비선형 분류를 실시한다(Kadavi and Lee, 2018). 이 연구에서는 두 편파영상에서 천지내부에 신호가 강한 지점을 얼음으로 분류, 천지내부에 신호 가 공통적으로 약한 지점을 물로 분류하고, 천지의 경계면 바깥 지역을 육지로 분류하였다. 영상 분류는 정확도 향상을 위해 100회 반복 수행하였으며, 도출 된 영상 분류 결과에서 얼음의 면적을 산출하였다. 영상 분류 결과의 정확도 분석은 오차 행렬(Error matrix)을 이용하였다. 분류에 사용한 훈련자료와 영 상의 오차 행렬을 분석하여 종합 정확도(overall accuracy)를 산출했다(식 (1)).

    종합 정확도= i = 1 r X i i N
    (1)

    여기서, r은 오차 행렬의 행과 열의 수, Xii는 바르게 분류된 픽셀의 수, Xi+1는 오차 행렬에서 i번째 행의 픽셀 수, X+i는 오차 행렬에서 i번째 열의 픽셀 수이 며, N은 총 픽셀 수이다. 이 후, 산출된 얼음 면적은 북한의 삼지연 기상관측소의 기온과 상관관계 분석을 진행하였다.

    연구 결과

    Fig. 4과 Fig. 5는 전처리 과정이 완료된 후방산란 영상이다. Fig. 4은 VH 편파영상으로 VH 편파영상 은 불규칙하게 퍼져 나가는 체적산란에 민감하기 때 문에 주로 두꺼운 얼음을 탐지하는데 쓰인다. 10월 9 일과 11월 14일 영상에서는 천지에서 특별한 신호가 감지되지 않는다. 하지만, 12월 20일 영상에서 천지 의 서쪽에서 원형의 신호가 감지되며 동시에 동쪽에 서도 신호가 감지되어 두꺼운 얼음이 생성됨을 유추 할 수 있다. 이 후, 1월 13일의 영상에서는 천지 대 부분에서 신호가 감지되어 얼음이 성장하고 있다고 판단되어진다. 2월 18일에는 면적에 큰 변화는 없지 만 신호의 강도가 증가하여 얼음의 두께가 두꺼워졌 음을 유추 할 수 있다. 이 후, 3월 14일부터 4월 19 일까지는 천지의 가장자리부터 얼음이 녹는 것으로 판단된다.

    Fig. 5는 VV 편파영상으로 VV 편파영상은 입사각 과 반사각이 비슷한 신호에 민감하기 때문에 얇은 얼음을 탐지하는데 쓰인다. VV 편파영상은 VH 편파 영상과는 달리 10월 9일의 영상부터 천지에서 강한 신호를 감지할 수 있다. 신호가 천지의 동쪽에서 감 지되는 것으로 볼 때 동쪽에서부터 얼음이 얼기 시 작하는 것으로 유추 할 수 있다. 11월 14일의 영상에 서는 강한 신호가 천지의 북쪽에서도 감지되므로 얼 음이 동쪽에서 시작하여 북쪽으로 얼며 성장하는 것 으로 사료된다. 12월 20일 영상에는 천지의 중심부를 제외한 표면에 얼음이 생성된 것으로 보이며, 1월 13 일의 영상에서는 천지 전체에 얼음이 생성된 것으로 판단된다. 하지만 얼음이 녹는 과정이 VH 편파영상 과 다른 경향을 보인다. VH 편파영상은 상대적으로 신호가 감지되는 곳과 그렇지 않은 곳의 대비가 큰 반면에 VV 편파영상은 얼음이 빠르게 생성되지만 시간이 흐른 뒤에도 신호 강도의 큰 대비가 보이지 않는다. 두꺼운 얼음에 민감한 VH 편파영상은 신호 가 감지 될 때까지 시간이 필요하지만 일정 두께 이 하의 얼음은 감지되지 않는다. 반면에 VV 편파영상 은 얇은 얼음을 감지 할 수 있지만 일정 두께 이상 의 얼음은 구분하지 못하는 것으로 보인다. 이렇게 후방산란 영상만으로도 얼음의 면적을 정성적으로 판 단할 수 있지만, 정확한 면적 산출을 위해서 질감 분 석을 수행하였다.

    Fig. 6와 Fig. 7은 각각 2016년 11월 14일 영상의 VH와 VV 편파영상에서 생성된 GLCM 레이어를 나 타낸 것이다. Fig. 6의 GLCM 레이어를 생성할 때 사용된 VH 편파영상에서는 특별하게 얼음으로 판단 되는 신호가 감지되지 않는다. 신호의 강도만을 알 수 있는 후방산란 영상만을 사용하여 분류한다면 천 지의 물에서 신호가 약한 지점과 산사면의 신호가 약한 지점이 같게 분류 될 수 있다. 하지만 Fig. 6는 GLCM 레이어 만으로도 천지와 천지 외부의 경계를 정할 수 있다는 것을 보여준다.

    Fig. 7의 VV 편파영상의 GLCM 레이어는 VV 편 파영상의 천지 내부에서 물과 얼음의 신호의 강도 차이를 구분한 것을 볼 수 있다. VV 편파영상의 얼 음으로 판단되는 신호는 천지의 북쪽과 동쪽에 걸쳐 감지된다. 이와 비슷한 패턴을 보이는 레이어는 Fig. 7(a), (b), (h), (i), (j)이다. 이외의 나머지 레이어 에 서도 적게나마 값의 차이를 볼 수 있다.

    Fig. 8은 20개의 GLCM 레이어를 입력자료로 영상 분류를 진행한 결과이다. 해당 결과와 후방산란 영상 을 비교하면 Fig. 8(a)의 VH 편파영상에서는 천지 내부에 강한 신호가 탐지되지 않았으므로, 이 시기의 두꺼운 얼음은 없었다고 할 수 있다. 하지만 Fig. 8(b)의 VV영상에서는 천지의 북쪽과 동쪽에서 상대 적을 강한 신호가 탐지되는 것으로 보아 얇은 얼음 이 생성되었음을 확인할 수 있다. Fig. 7(a)(b)에서 얻을 수 있는 정보를 이용하여 Fig. 8(c)와 같이 훈 련자료를 생성하였다. 훈련자료는 관심지역(Region Of Interest: ROI)를 사용하여 물, 얼음 그리고 땅의 3가지 클래스로 생성하였다. 훈련자료를 사용하여 분 류된 결과가 Fig. 8(d)이다. Fig. 8(d)의 영상분류 결 과는 Fig.8 (a), (b)와 비슷한 모습을 보여주고 있다. 하지만 천지 내부에 땅으로 분류되거나, 천지 외부에 얼음이나 물로 분류되는 것과 같은 오차가 발생하였 다. 그럼에도 불구하고 해당 영상 분류 결과의 정확 도는 약 96%로 계산되었으며, 영상 전체의 평균적인 분류 정확도 또한 95% 이상으로 나타났다.

    Fig. 9의 분류결과는 시기에 따라 영상분류에 민감 한 영상이 다른 모습을 보인다. 얼음이 생성되는 초 기인 Fig. 9(a), (b)는 VV 편파영상과 비슷한 모습을 보여준다. 이것은 얼음이 생성된지 얼마 되지 않았기 때문에 얇은 얼음을 탐지하는 VV 편파영상과 비슷 하다. 하지만 시간이 흐를수록 영하의 기온이 지속되 는 Fig. 9(e), (f)는 얼음이 충분히 성장하였기 때문에 두꺼운 얼음에 민감한 VH 편파영상과 비슷한 모습 을 보여준다.

    분류가 완료된 영상들의 전체적인 얼음면적 변화는 Fig. 10의 그래프와 같다. 10월 9일의 얼음 면적은 약 2.8 km 2였으며 점차 증가하여 1월 13일에 7.8 km 2 로 최대치로 나타났다. 이후 얼음의 면적은 점차 감 소하여 4월 19일에는 얼음의 면적이 2.4 km 2로 나타 났다. 산출된 얼음의 면적과 기온의 상관관계 분석을 위해 삼지연 기상관측소에서 제공되는 영상 촬영 일 자의 평균 기온을 그래프에 함께 도시하였다. 영상에 서 얼음이 얼기 시작하는 10월 9일의 기온은 약 −2.4 ° C였다. 11월 14일에 기온이 상승한 점을 제외하면 기온은 1월 13일까지 감소하여 −24.1 ° C를 기록했다. 이 날 이후, 기온은 점차 상승하는 모습을 보였으며 얼음의 면적이 가장 작게 산출된 4월 19일에는 기온 이 약 0.3 ° C였다. 본 연구결과는 기온과 얼음의 면적 이 반비례하는 것으로 나타났다. 해당 연구기간 동안 기온과 얼음의 면적의 상관계수는 −0.82로 나타났다. 이것은 얼음의 면적과 기온이 높은 음의 상관관계를 가지고 있음을 보이며, 천지의 중심과 삼지연 지역의 거리가 30 km 이상 차이나는 것을 고려하면 상당히 높은 상관관계로 볼 수 있다.

    결 론

    본 연구에서는 SAR 영상에서 겨울철에 생성되는 백두산 천지의 얼음 면적을 산출하고자 하였다. 하지 만 SAR 영상은 후방산란의 강도 영상밖에 제공할 수 없는 단점이 있기 때문에, 이 단점을 극복하기 위 해 질감 분석을 사용하였다. 본 연구에서는 질감 분 석으로 VV와 VH 편광 영상에 대해 총 20개의 GLCM 레이어를 생성하였다. 생성된 GLCM 레이어 에 SVM알고리즘을 사용하여 분류 정확도를 높이고 자 했다. 영상 분류 결과의 정확도는 분석에 사용된 7개의 영상 평균 95% 이상으로 나타나 상당히 높은 분류 정확도를 보여주었다. 분류 결과에서 산출된 얼 음의 면적과 기온과의 상관관계 분석을 진행하였고, 높은 상관관계를 보였다. 하지만 얼음의 면적이 최대 가 되는 2017년 1월 13일 영상은 기온이 약 −24 ° C 임에도 불구하고 천지의 북쪽과 남쪽 일부가 얼음으 로 분류되지 않았다. 그렇지만 이 분류결과는 Fig. 4(d)와 Fig. 5(d)의 후방산란 영상과 비교하면 영상에 서 판단할 수 있는 얼음의 면적과는 비슷한 모습을 보인다. 전체 면적이 얼음으로 나타나지 않은 이유는 천지의 깊이나 해당 지점의 지형의 영향으로 생각된 다. 본 연구는 연구기간을 1년으로 설정하였지만, 장 기적 분석을 위해 연구기간을 늘려 분석할 필요가 있다. 또한, C-밴드의 Sentinel-1 위성 영상외에도 다 른 밴드의 위성 영상을 사용하여 다중밴드 분석을 할 수도 있다. 질감 분석 단계에서는 생성된 GLCM 레이어 20개를 모두 입력자료로서 사용하였다. 하지 만 일부 레이어는 영상 분류에 효과적인 반면 다른 레이어는 분류 결과에 오차를 증가시키는 원인이 될 수 있다. 따라서 더욱 높은 정확도를 위해서는 사용 되는 GLCM 레이어들을 각각 변수 분석을 하여 생 성되는 레이어 중 일부만 사용하거나 가중치를 두는 방법을 사용할 수 있다. 또한, 얼음 면적의 분류결과 와 비교 분석 대상인 기온자료는 천지와 30 km 떨어 진 지점의 자료를 사용하였으므로 거리와 고도에 따 른 대기변화를 고려하여 실제적인 기온이나 수온 값 을 대신할 수 있도록 하는 추가적인 부분이 필요하 다. 그럼에도 불구하고 본 연구의 결과는 백두산의 화산활동 분석을 위한 연구 방법 중 하나로 사용될 수 있을 것이다. 특히, 얼음의 면적 변화를 통해 수 온의 변화를 탐지하는 새로운 방법에 대해 제시하는 연구 결과가 될 것이다. 본 연구에서 얻을 수 있는 겨울철의 수온 변화의 경향성과 함께 열적외선 영상 에서 얻을 수 있는 수온 변화의 경향성을 함께 분석 한다면 서로의 단점을 보완하여 1년간의 수온변화의 경향성을 얻을 수 있으로 생각된다. 본 연구는 상대 적으로 제한적인 자료만을 사용하여 진행되었다. 하 지만 추후에 많은 양의 자료에 대해서도 본 연구에 서 제안한 방법은 효과적인 자료처리 기법이 될 것 이다.

    감사의 글

    이 논문은 2020년 정부(미래창조과학부, 교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 중견연 구사업과 기초연구사업의 연구결과임(No. 2019R1A2 C1085686, No.2019R1A6A1A03033167)

    Figure

    JKESS-41-1-31_F1.gif

    Study area of Sentinel-2 RGB image in 2016/08/02 (Red line is boundary of Cheonji).

    JKESS-41-1-31_F2.gif

    Flow chart for study.

    JKESS-41-1-31_F3.gif

    Basis of SVM algorithm (Foody and Mathur, 2004).

    JKESS-41-1-31_F4.gif

    Backscatter image of Sentinel-1 VH polarization; (a) 2016/10/09, (b) 2016/11/14, (c) 2016/12/20, (d) 2017/01/13, (e) 2017/02/18, (f) 2017/03/14, (g) 2017/04/19.

    JKESS-41-1-31_F5.gif

    Backscatter image of Sentinel-1 VV polarization; (a) 2016/10/09, (b) 2016/11/14, (c) 2016/12/20, (d) 2017/01/13, (e) 2017/02/18, (f) 2017/03/14, (g) 2017/04/19.

    JKESS-41-1-31_F6.gif

    GLCM texture layers in VH polarization 2016/11/14; (a) Contrast, (b) Dissimilarity, (c) Homogeneity, (d) ASM, (e) Energy, (f) MAX, (g) Entropy, (h) GLCM Mean, (i) GLCM Variance, (j) GLCM Correlation.

    JKESS-41-1-31_F7.gif

    GLCM texture layers in VV polarization 2016/11/14; (a) Contrast, (b) Dissimilarity, (c) Homogeneity, (d) ASM, (e) Energy, (f) MAX, (g) Entropy, (h) GLCM Mean, (i) GLCM Variance, (j) GLCM Correlation.

    JKESS-41-1-31_F8.gif

    Back scatter image and classification result of 2017/ 11/14 image; (a) VH polarization backscatter image, (b) VV polarization backscatter image, (c) Train data for classification on VV polarization backscatter image, (d) Classification result.

    JKESS-41-1-31_F9.gif

    SVM algorithm classification result, red color is ice, blue color is water, green color is land; (a) 2016/10/09, (b) 2016/ 11/14, (c) 2016/12/20, (d) 2017/01/13, (e) 2017/02/18, (f) 2017/03/14, (g) 2017/04/19.

    JKESS-41-1-31_F10.gif

    Correlation between ice dimension and temperature.

    Table

    List of image information used in this study

    Texture layer based on GLCM

    Reference

    1. Cortes, C. , and Vapnik, V. ,1995, Support-vector networks. Machine learning, 20, 3, 273-297.
    2. Foody, G. M. , and Mathur, A. ,2004, A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on geoscience and remote sensing, 42, 6, 1335-1343.
    3. Geudtner, D. , Torres, R. , Snoeij, P. , Davidson, M. , and Rommen, B. ,2014,. Sentinel-1 system capabilities and applications. In. Proc, 2014 IEEE Geoscience and Remote Sensing Symposium, 1457-1460.
    4. Hong, S.H. , Jang, M.J. , Jung, S.W. , and Park, S.W. ,2018, A Review on Monitoring Mt. Baekdu Volcano Using Space-based Remote Sensing Observations, Korean Journal of Remote Sensing, 34, 6-4, 1503-1517 (in Korean).
    5. Jang, M.W. , Lee, H.J. , Kim, Y.H. , and Hong, S.Y. ,2011, Applicability of Satellite SAR Imagery for Estimating Reservoir Storage, Journal of the Korean Society of Agricultural Engineer, 53, 6, 7-16 (in Korean).
    6. Kadavi, P.R. , and Lee, C.W. ,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. Geosciences Journal, 22, 4, 653-665.
    7. Kim, N.S. ,2011, An Analysis on influence Area by the simulation over Mt. Baekdu Eruption, Journal of The Korean Association of Regional Geographers, 17, 3, 348-356 (in Korean).
    8. Kim, S.W. , Choi, E.K. , Jung, S.J. , Kim, S.H. , Lee, K.H. , and Yun, S.H. ,2013, A Preliminary Study for Predicting a Damage Range of Pyroclastic Flows, Lahars, and Volcanic Flood caused by Mt. Baekdusan Eruption, Journal Korean Earth Science Society, 34, 6, 479-491 (in Korean).
    9. Muschitiello, F. , Pausata, F.S. , Lea, J.M. , Mair, D.W. , and Wohlfarth, B. ,2017, Enhanced ice sheet melting driven by volcanic eruptions during the last deglaciation. Nature communications, 8, 1, 1-9.
    10. Park, J.W. , Korosov, A.A. , Babiker, M. , Won, J.S. , Hansen, M.W. , and Kim, H.C. ,2019, Classification of Sea Ice Types in Sentinel-1 SAR images. The Cryosphere Discussions.
    11. Scheuchl, B. , Caves, R. , Cumming, I. , and Staples, G. ,2001, Automated sea ice classification using spaceborne polarimetric SAR data. In IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium, 01CH37217, 7, 3117-3119.
    12. Suh, J.W. , Yi, H.W. , Kim, S.M. , and Park, H.D. ,2013, Prediction of the Area Inundated by Lake Effluent According to Hypothetical Collapse Scenarios of Cheonji Ground at Mt. Baekdu, The Journal of Engineering Geology, 23, 4, 409-425 (in Korean).
    13. Smola, A.J. , and Schlkopf, B. ,2004, A tutorial on support vector regression. Statistics and computing, 14, 3, 199-222.
    14. Trunk, L. , and Bernard, A. ,2008, Investigating crater lake warming using ASTER thermal imagery: Case studies at Ruapehu, Pos, Kawah Ijen, and Copahu Volcanoes. Journal of volcanology and geothermal research, 178, 2, 259-270.
    15. Yun, S.H. , and Lee, J.H. ,2012, Analysis of Unrest Signs of Activity at the Baegdusan Volcan, Journal of the Petrological Society of Korea 21(1), 3, 1-12 (in Korean).
    16. Yun, S.H. , Won, C.K. , and Lee, M.W. ,1993, Cenozoic Volcanic Activity and Petrochemistry of Volcanic Rocks in the Mt. Paektu Area, Journal of the Geological Society of Korea, 29, 3, 291-307 (in Korean).
    17. Zulpe, N. , and Pawar, V. ,2012, GLCM textural features for brain tumor classification. International Journal of Computer Science Issues, 9 ,3, 354.