오일샌드 채굴에 널리 이용되고 있는 증기 주입식 중력 배수(Steam-Assisted Gravity Drainage, SAGD) 공법은 지표의 변형을 야기하며, 이는 오일샌드 플랜트의 안정성에 영향을 미칠 뿐만 아니라 다양한 지질 재해의 원인이 되므로 지속적인 모니터링이 필요하다. 이 연구에서는 캐나다 앨버타의 Athabasca 오일샌드 지역에 대해 2016년부터 2021년까지 획득된 Sentinel-1 시계열 영상레이더(synthetic aperture radar, SAR) 자료에 고정산란체 간섭기법(Permanent Scatterer Interferometric SAR, PSInSAR)을 적용하여 SAGD 운용에 의한 지표변위를 관측하였다. 그리고 SAGD의 건설 및 확장을 Landsat-7/8 시계열 영상으로부터 파악하고, 이를 통해 SAGD의 원유 생산성에 따른 지표변위의 특성을 분석하였다. Athabasca 오일샌드 지역의 SAGD 및 그 주변에서는 레이더 관측방향으로 0.3-2.5 cm/yr의 지반융기가 관측된 반면, SAGD에서 수 km 이상 떨어져 있고 오일샌드 채굴의 영향이 없는 지역에서는 -0.3--0.6 cm/yr의 침하가 관측되었다. Landsat-7/8 시계열 영상 분석을 통해 2012년 이후에 건설되어 높은 생산성을 보이는 SAGD는 증기의 주입으로 인해 1.6 cm/yr 이상의 지반융기를 야기하는 반면에 더 오랜 기간 동안 운용되어 생산성이 상대적으로 낮은 SAGD에서는 증기 주입에도 불구하고 지속적인 원유 회수에 따른 사암의 압축 때문에 연간 수 mm의 매우 작은 융기가 발생함을 추정할 수 있었다. SAGD 및 그 주변을 제외한 대부분의 지역에서 관측된 침하는 동토층의 융해에 의한 점진적 지반침하로 추정되었다. 동토층의 침하를 고려할 때 SAGD 운용에 기인하는 지반의 융기는 관측된 것보다 더 클 것이라고 예상되었다. 이 연구의 결과를 통해 PSInSAR 기법이 극한지 오일샌드 SAGD의 생산성과 안정성 평가에 유용한 수단으로 활용될 수 있음을 확인할 수 있었다.

SAGD (Steam-Assisted Gravity Drainage) method is widely used for oil recovery in oil sands regions. The SAGD operation causes surface displacement, which can affect the stability of oil recovery plants and trigger various geological disasters. Therefore, it is important to monitor the surface displacement due to SAGD in the oil sands region. In this study, the surface displacement due to SAGD operations of the Athabasca oil sands region in Alberta, Canada, was observed by applying Permanent Scatterer Interferometric Synthetic Aperture Radar (PSInSAR) technique to the Sentinel-1 time series SAR data acquired from 2016 to 2021. We also investigated the construction and expansion of SAGD facilities from Landsat-7/8 time series images, from which the characteristics of the surface displacement according to the oil production activity of SAGD were analyzed. Uplift rates of 0.3-2.5 cm/yr in the direction of line of sight were observed over the SAGDs and their vicinity, whereas subsidence rates of -0.3--0.6 cm/yr were observed in areas more than several kilometers away from the SAGDs and not affected by oil recovery activities. Through the analysis of Landsat-7/8 images, we could confirm that the SAGDs operating after 2012 and showing high oil production activity caused uplift rates greater than 1.6 cm/yr due to the subsurface steam injection. Meanwhile, very small uplift rates of several mm per year occurred over SAGDs which have been operated for a longer period of time and show relatively low oil production activity. This was probably due to the compression of reservoir sandstone due to continuous oil recovery. The subsidence observed in areas except for the SAGDs and their vicinity estimated to be a gradual land subsidence caused by melting of the permafrost. Considering the subsidence, it was expected that the uplift due to SAGD operation would be greater than that observed by the PSInSAR. The results of this study confirm that the PSInSAR can be used as an effective means for evaluating productivity and stability of SAGD in the extreme cold regions.

저수량은 가용한 수자원의 양을 가장 직접적으로 나타내는 인자중의 하나이다. 또한 가뭄의 영향을 보다 직관적으로 나타낼 수 있으므로, 가뭄 평가를 위한 연구에서도 다양하게 활용되고 있다. 최근에는 광학영상으로 저수면적을 관측하고, 또 이를 활용한 수문학적 가뭄지수인 RADI가 개발되기도 하였다. 인공위성을 통해 얻을 수 있는 광학영상은 관측주기가 뛰어나 많은 양의 자료를 획득할 수 있으나, 구름 등 기상과 대기환경에 의한 영향에 취약하여 실제 활용에서는 다소 한계가 있다. 이에 본 연구에서는 기상이나, 관측시간대와 상관없이 영상을 획득할 수 있는 SAR 영상을 활용한 가뭄지수 산정 연구를 수행하고자 하였다. Sentinel-1 위성의 SAR 영상을 활용하여 충북 진천군에 위치한 백곡, 초평저수지의 저수면적을 탐지하여, RADI를 산정하여 지역규모 가뭄 모니터링을 수행하였다. RADI는 실측 저수량을 기반으로 한 RSDI와 비교, 검증하였다. RADI는 RSDI와 상관계수 r=0.87, ROC의 밑면적 AUC=0.97로 매우 높은 상관 관계를 보여주었다. 이 결과는 SAR 기반 RADI의 지역규모 수문학적 가뭄 모니터링의 가능성을 보여주며, 추후 가용 SAR 영상의 종류가 늘어나고, 재방문주기가 단축될 것이므로 가뭄 모니터링에 대한 활용성이 증대될 것으로 기대된다.

Water storage is one of the factors that most directly represent the amount of available water resources. Since the effects of drought can be more intuitively expressed, it is also used in various studies for drought evaluation. In a recent study, hydrological drought was evaluated through information on observing reservoirs with optical images. The short observation cycle and diversity of optical satellites provide a lot of data. However, there are some limitations because it is vulnerable to the influence of weather or the atmospheric environment. Therefore, this study attempted to conduct a study on estimating the drought index using Synthetic Aperture Radar (SAR) image with relatively little influence from the observation environment. We produced the waterbody of Baekgok and Chopyeong reservoirs using SAR images of Sentinel-1 satellites and calculated the Reservoir Area Drought Index (RADI), a hydrological drought index. In order to validate the applicability of RADI to drought monitoring, it was compared with Reservoir Storage Drought Index (RSDI) based on measured storage. The two indices showed a very high correlation with the correlation coefficient, r=0.87, Area Under curve, AUC=0.97. These results show the possibility of regional-scale hydrological drought monitoring of SAR-based RADI. As the number of available SAR images increases in the future, it is expected that the utilization of drought monitoring will also increase.

위성 영상 촬영 후 지상국에 전송된 영상을 이용하여 최종 위성 영상을 획득하기 위해 많은 영상 전/후처리 과정이 수반된다. 전/후처리 과정 중 레벨 1R 영상에서 레벨 1G 영상으로 변환 시 기하 보정은 필수적으로 요구된다. 기하 보정 알고리즘에서는 보간 기법을 필연적으로 사용하게 되며, 보간 기법의 정확도에 따라서 레벨 1G 영상의 품질이 결정된다. 또한, 레벨 프로세서에서 수행되는 보간 알고리즘의 고속화 역시 매우 중요하다. 본 논문에서는 레벨 1R에서 레벨 1G로 변환 시 기하 보정에 필요한 경량화된 심층 컨볼루션 신경망 기반 보간 기법에 대해 제안하였다. 제안한 기법은 위성 영상의 해상도를 2배 향상하며, 빠른 처리 속도를 위해 경량화된 심층 컨볼루션 신경망으로 딥러닝 네트워크를 구성하였다. 또한, panchromatic (PAN) 밴드 정보를 활용하여 multispectral (MS) 밴드의 영상 품질 개선이 가능한 피처 맵 융합 방법을 제안하였다. 제안된 보간 기술을 통해 획득한 영상은 기존의 딥러닝 기반 보간 기법에 비해 정량적인 peak signal-to-noise ratio (PSNR) 지표에서 PAN 영상은 약 0.4 dB, MS 영상은 약 4.9 dB 개선된 결과를 보여주었으며, PAN 영상 크기 기준 36,500×36,500 입력 영상의 해상도를 2배 향상된 영상 획득 시 기존 딥러닝 기반 보간 기법 대비 처리 속도가 약 1.6배 향상됨을 확인하였다.

In order to obtain satellite image products using the image transmitted to the ground station after capturing the satellite images, many image pre/post-processing steps are involved. During the pre/post-processing, when converting from level 1R images to level 1G images, geometric correction is essential. An interpolation method necessary for geometric correction is inevitably used, and the quality of the level 1G images is determined according to the accuracy of the interpolation method. Also, it is crucial to speed up the interpolation algorithm by the level processor. In this paper, we proposed a lightweight CNN-based interpolation method required for geometric correction when converting from level 1R to level 1G. The proposed method doubles the resolution of satellite images and constructs a deep learning network with a lightweight deep convolutional neural network for fast processing speed. In addition, a feature map fusion method capable of improving the image quality of multispectral (MS) bands using panchromatic (PAN) band information was proposed. The images obtained through the proposed interpolation method improved by about 0.4 dB for the PAN image and about 4.9 dB for the MS image in the quantitative peak signal-to-noise ratio (PSNR) index compared to the existing deep learning-based interpolation methods. In addition, it was confirmed that the time required to acquire an image that is twice the resolution of the 36,500×36,500 input image based on the PAN image size is improved by about 1.6 times compared to the existing deep learning-based interpolation method.

지구온난화는 기후변화를 야기하며 전지구적으로 이상기상 현상을 유발하고 있다. 우리나라에서도 폭염, 가뭄과 같은 이상기상 현상이 증가하고 있는 상황이다. 이상기상 감시를 위하여 지표면온도(Land Surface Temperature, LST), 온도상태지수(Temperature Condition Index, TCI), 식생활력지수(Normalized Difference Vegetation Index, NDVI), 식생상태지수(Vegetation Condition Index, VCI), 식생건강지수(Vegetation Health Index, VHI) 등의 위성자료가 활용되고 있다. TCI와 VCI를 이용하여 계산되는 VHI는 온도, 강수와 같은 기상 요인에 의한 식생 스트레스를 나타내며, 기후변화 상황에서 가뭄 평가에 주로 활용되고 있다. TCI, VCI는 날짜 및 장소에 따른 LST, NDVI의 과거 평년치를 참조해서 산출되기 때문에, 아직 2년여의 자료밖에 없는 천리안위성 2A호(GK2A) AMI (Advanced Meteorological Imager) 자료로부터 TCI, VCI, VHI를 산출하는 것은 현재로서는 쉽지 않은 일이다. 본 연구에서는 대안적인 방법으로 VIIRS (Visible Infrared Imaging Radiometer Suite) 센서의 LST, NDVI를 이용하여 GK2A의 VHI 산출 가능성을 모색하였다. GK2A와 VIIRS의 LST, NDVI는 상당히 높은 상관성을 보이기 때문에, GK2A에 존재하지 않는 과거 평년치를 VIIRS 자료로 대체하는 방식을 택하였다. 8일 간격으로 GK2A 격자에 해당하는 LST, NDVI의 최소·최대값 조견표를 구축하여 TCI, VCI, VHI를 산출하였고, 최근 우리나라 이상기상 현상에 대한 해석을 수행하였다. GK2A VHI는 2020년 3월과 6월의 폭염, 4월과 7월의 저온, 8월의 폭우 등으로 인한 식생 스트레스의 변화를 잘 표현하는 것으로 나타났지만, 미국 해양대기청(National Oceanic and Atmospheric Administration, NOAA)의 VHI 산출물은 그렇지 않았다. 본 연구에서 제시한 GK2A VHI는 향후 LST, NDVI의 과거 평년치에 대한 통계적으로 엄밀한 보완을 거친다면 폭염, 가뭄으로 인한 식생 스트레스 감시에 활용될 수 있을 것으로 사료된다.

Global warming causes climate change and increases extreme weather events worldwide, and the occurrence of heatwaves and droughts is also increasing in Korea. For the monitoring of extreme weather, various satellite data such as LST (Land Surface Temperature), TCI (Temperature Condition Index), NDVI (Normalized Difference Vegetation Index), VCI (Vegetation Condition Index), and VHI (Vegetation Health Index) have been used. VHI, the combination of TCI and VCI, represents the vegetation stress affected by meteorological factors like precipitation and temperature and is frequently used to assess droughts under climate change. TCI and VCI require historical reference values for the LST and NDVI for each date and location. So, it is complicated to produce the VHI from the recent satellite GK2A (Geostationary Korea Multi-Purpose Satellite-2A). This study examined the retrieval of VHI using GK2A AMI (Advanced Meteorological Imager) by referencing the historical data from VIIRS (Visible Infrared Imaging Radiometer Suite) NDVI and LST as a proxy data. We found a close relationship between GK2A and VIIRS data needed for the retrieval of VHI. We produced the TCI, VCI, and VHI for GK2A during 2020-2021 at intervals of 8 days and carried out the interpretations of recent extreme weather events in Korea. GK2A VHI could express the changes in vegetation stress in 2020 due to various extreme weather events such as heatwaves (in March and June) and low temperatures (in April and July), and heavy rainfall (in August), while NOAA (National Oceanic and Atmospheric Administration) VHI could not well represent such characteristics. The GK2A VHI presented in this study can be utilized to monitor the vegetation stress due to heatwaves and droughts if the historical reference values of LST and NDVI can be adjusted in a more statistically significant way in the future work.

본 연구에서는 지난 2020년 2월에 발사된 정지궤도환경위성탑재체(Geostationary Environment Monitoring Spectrometer; GEMS)의 이산화황 산출 현업 알고리즘에서 오프셋 보정 계수 산정 방법이 이산화황 칼럼 농도 산출 결과에 미치는 영향을 확인하였다. GEMS의 현업 이산화황 산출 알고리즘은 차등흡수분광법(Differential Optical Absorption Spectroscopy; DOAS)과 주성분분석방법(Principal component analysis; PCA)이 융합된 하이브리드 알고리즘이다. 하이브리드 알고리즘에서는 차등흡수분광법을 이용하여 스펙트럴 피팅 후 나오는 이산화황 경사층적분농도 값에 나타나는 오존에 의한 흡수 영향을 보정하기 위하여 편차 보정 과정을 필수적으로 거치게 되며, 오프셋 보정 계수를 산정하는 조건에 따라 이산화황 칼럼농도 산출결과가 달라질 수 있기 때문에 적절한 오프셋 보정 계수 값의 적용이 필요하다. 본 연구에서는 구름 화소가 많이 존재하는 날짜와 적게 존재하는 날짜에 대해 오존 보정 계수를 각각 계산하고, 각각의 오존 보정 계수를 GEMS 현업 이산화황 산출 알고리즘에 적용하여 산출한 이산화황 칼럼농도의 비교를 수행하였다. 구름 화소가 많이 존재하는 날의 GEMS 복사휘도 자료를 이용하여 계산된 오존 보정 계수를 사용한 경우, GEMS 관측 영역의 가장자리에 해당하는 인도 부근에서의 이산화황 칼럼농도의 표준편차가 1.27 DU, 한반도 부근에서 0.58 DU, 주변에 구름 화소가 많았던 홍콩 부근에서 0.77 DU로 나타났다. 한편, 구름 화소가 적은 날의 GEMS 자료를 이용하여 계산된 오존 보정 계수를 사용하였을 경우의 이산화황 칼럼농도의 표준편차는 인도주변에서 0.72 DU, 한반도 주변에서 0.38 DU, 홍콩 부근에서 0.44 DU로 다소 감소하였음을 확인하였으며, 구름 화소가 많은 날의 오존 보정 계수를 사용하여 이산화황을 산출한 경우 대비 비교적 안정적인 산출이 이루어졌음을 확인하였다. 이에 따라, GEMS 이산화황 산출 알고리즘의 불확실성 최소화 및 안정적인 산출을 위해서 적절한 조건에서의 오존 보정 계수 산정이 이루어져야 할 필요가 있다.

In this present study, we investigated the effect of the offset correction factor calculation method on the sulfur dioxide (SO2) column density in the SO2 retrieval algorithm of the Geostationary Environment Monitoring Spectrometer (GEMS) launched in February 2020. The GEMS operational SO2 retrieval algorithm is the Differential Optical Absorption Spectroscopy (DOAS) - Principal Component Analysis (PCA) Hybrid algorithm. In the GEMS Hybrid algorithm, the offset correction process is essential to correct the absorption effect of ozone appearing in the SO2 slant column density (SCD) obtained after spectral fitting using DOAS. Since the SO2 column density may depend on the conditions for calculating the offset correction factor, it is necessary to apply an appropriate offset correction value. In this present study, the offset correction values were calculated for days with many cloud pixels and few cloud pixels, respectively. And a comparison of the SO2 column density retrieved by applying each offset correction factor to the GEMS operational SO2 retrieval algorithm was performed. When the offset correction value was calculated using radiance data of GEMS on a day with many cloud pixels was used, the standard deviation of the SO2 column density around India and the Korean Peninsula, which are the edges of the GEMS observation area, was 1.27 DU, and 0.58 DU, respectively. And around Hong Kong, where there were many cloud pixels, the SO2 standard deviation was 0.77 DU. On the other hand, when the offset correction value calculated using the GEMS data on the day with few cloud pixels was used, the standard deviation of the SO2 column density slightly decreased around India (0.72 DU), Korean Peninsula (0.38 DU), and Hong Kong (0.44 DU). We found that the SO2 retrieval was relatively stable compared to the SO2 retrieval case using the offset correction value on the day with many cloud pixels. Accordingly, to minimize the uncertainty of the GEMS SO2 retrieval algorithm and to obtain a stable retrieval, it is necessary to calculate the offset correction factor under appropriate conditions.

비지도 도메인 적응은 연단위 작물 분류를 위해 매년 반복적으로 양질의 훈련자료를 수집해야 하는 비실용적인 문제를 해결할 수 있다. 이 연구에서는 작물 분류를 위한 딥러닝 기반 비지도 도메인 적응 모델의 적용성을 평가하였다. 우리나라 마늘, 양파 주산지인 합천군과 창녕군을 대상으로 무인기 영상을 이용한 작물 분류 실험을 통해 deep adaptation network (DAN), deep reconstruction-classification network, domain adversarial neural network (DANN)의 3개의 비지도 도메인 적응 모델을 정량적으로 비교하였다. 비지도 도메인 적응 모델의 분류 성능을 평가하기 위해 소스 베이스라인 및 대상 베이스라인 모델로 convolutional neural networks (CNNs)을 추가로 적용하였다. 3개의 비지도 도메인 적응 모델은 소스 베이스라인 CNN보다 우수한 성능을 보였으나, 소스 도메인 영상과 대상 도메인 영상의 자료 분포 간 불일치 정도에 따라 서로 다른 분류 성능을 보였다. DAN의 분류 성능은 두 도메인 영상 간 불일치가 작을 때 다른 두 모델에 비해 분류 성능이 높은 반면에 DANN은 두 도메인 영상 간 불일치가 클 때 가장 우수한 분류 성능을 보였다. 따라서 신뢰할 수 있는 분류 결과를 생성하기 위해 두 도메인 영상의 분포가 일치하는 정도를 고려해서 최상의 비지도 도메인 적응 모델을 선택해야 한다.

The unsupervised domain adaptation can solve the impractical issue of repeatedly collecting high-quality training data every year for annual crop classification. This study evaluates the applicability of deep learning-based unsupervised domain adaptation models for crop classification. Three unsupervised domain adaptation models including a deep adaptation network (DAN), a deep reconstructionclassification network, and a domain adversarial neural network (DANN) are quantitatively compared via a crop classification experiment using unmanned aerial vehicle images in Hapcheon-gun and Changnyeong-gun, the major garlic and onion cultivation areas in Korea. As source baseline and target baseline models, convolutional neural networks (CNNs) are additionally applied to evaluate the classification performance of the unsupervised domain adaptation models. The three unsupervised domain adaptation models outperformed the source baseline CNN, but the different classification performances were observed depending on the degree of inconsistency between data distributions in source and target images. The classification accuracy of DAN was higher than that of the other two models when the inconsistency between source and target images was low, whereas DANN has the best classification performance when the inconsistency between source and target images was high. Therefore, the extent to which data distributions of the source and target images match should be considered to select the best unsupervised domain adaptation model to generate reliable classification results.

본 연구에서는 pandora 직달광 원시자료로부터 차등흡수분광법(DOAS, Differential Optical Absorption Spectroscopy)을 이용하여 이산화질소 연직칼럼농도(VCD, Vertical column density) 산출 시 파장구간과 흡수단 면적이 미치는 영향을 비교 분석하였다. GEMS Map of the Air Pollution (GMAP) 2020 캠페인 기간 동안 서산에서 Pandora 장비로 관측된 자료를 사용하였으며, 차등흡수분광법을 이용하여 CINDI-2 캠페인과 PGN의 산출 방법에 따라 4가지 조건으로 이산화질소 연직칼럼농도를 산출하였다. 4가지 조건으로 산출된 이산화질소 평균 연직칼럼농도는 1.22×1016~1.38×1016 molec. cm-2으로, 각 조건 간 최대 0.16×1016 molec. cm-2의 차이를 보였다. 피팅 에러는 평균 3.19~9.59%로 모든 조건에서 10% 이내였으며, RMS는 5.11×10-3~7.16×10-3 molec. cm-2으로 나타났다. 4가지 방법으로 산출된 이산화질소 연직칼럼농도와 Pandonia Global Network (PGN)에서 제공하는 이산화질소 연직칼럼농도와 기울기는 0.98~1.09이었으며, 0.96~0.98의 상관관계를 보여주었다.

In this study, the effect of wavelength range and absorption cross-section used to retrieve nitrogen dioxide (NO2) vertical column density (VCD) from Pandora was analyzed using Differential Optical Absorption Spectroscopy (DOAS). During the GEMS Map of the Air Pollution (GMAP) 2020 campaign, data from direct sunlight observation with Pandora instrument in Seosan was used, and NO2 VCD was retrieved under four conditions. The average NO2 VCD under the four conditions ranged from 1.22×1016~1.38×1016 molec. cm-2, with a maximum difference of 0.16×1016 molec. cm-2 between each condition. The fitting error averaged 3.19~9.59%, showing an error within 10% in all cases, and the RMS was 5.11×10-3~7.16×10-3 molec. cm-2. The retrieved NO2 VCD using 4 conditions shows a slope in the range of 0.98 to 1.09 and correlation of 0.96 to 0.98 in comparison with Pandonia Global Network (PGN).