초록 열기/닫기 버튼
위성원격탐사는 광역적인 홍수 감시의 수단으로 활용되고 있는데, 특히 합성개구레이더(Synthetic Aperture Radar, SAR)는 광학센서와 달리 구름을 투과하여 관측하기 때문에 우천 시에도 홍수 탐지가 가능한 장점이 있다. 본 연구에서는 미국 항공우주국(National Aeronautics and Space Administration, NASA) Flood Extent Detection 대용량 학습자료와 딥러닝 모델을 사용하여 Sentinel-1 영상의 홍수탐지를 수행하였다. 예측 영상과 레이블 영상을 비교하여 혼동행렬을 작성하고 성능평가를 수행한 결과, 정밀도 0.956, 재현율 0.953, 평균 교집합 대 합집합 비율(Intersection over Union, mIOU) 0.933의 상당히 높은 정확도 통계량을 나타냈다. 다만, 규모가 작은 범람 영역에 대한 정확도 향상이 필요한데, 이는 향후 연구에서 Digital Elevation Model (DEM) 등의 보조자료 사용과 최신(State-of-the-Art, SOTA) 모델의 활용 및 초해상화(Super Resolution, SR)의 적용 등을 통해 개선될 수 있을 것이다.
Satellite remote sensing is a valuable tool for monitoring floods in a wide area. In particular, Synthetic Aperture Radar (SAR) has the advantage of the observation capability of penetrating clouds and can perform flood detection under rainy conditions. We conducted a flood detection from Sentinel-1 images using a large database (Flood Extent Detection) provided by the National Aeronautics and Space Administration (NASA) and deep learning models. A performance test using label and prediction images showed a precision of 0.956, a recall of 0.953, and a Mean Intersection over Union (mIOU) of 0.933. As future work, algorithm developments should be necessary for small flood areas, using Digital Elevation Model (DEM), State-of-the-Art (SOTA) models, and (Super Resolution, SR) techniques.
키워드열기/닫기 버튼
Deep learning, Flood detection, SAR