GK2A/AMI와 GK2B/GOCI-II 자료를 융합 활용한주간 고해상도 안개 탐지 알고리즘 개발

유하영; 서명석

doi:https://doi.org/10.7780/kjrs.2023.39.6.3.10

추천

검색

자료유형: 학술저널

저자정보: 유하영 (공주대학교 대기과학과) 서명석 (공주대학교 대기과학과)

저널정보: 대한원격탐사학회 대한원격탐사학회지 대한원격탐사학회지 제39권 제6호

발행연도: 2023.12

수록면: 1,779 - 1,790 (12page)

DOI: https://doi.org/10.7780/kjrs.2023.39.6.3.10

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (7)

2023

GK2A/AMI와 GK2B/GOCI-II 자료를 융합 활용한주간 고해상도 안개 탐지 알고리즘 개발

유하영 , 서명석 대한원격탐사학회지 2023.12 학술저널

2022

GK2A/AMI와 GK2B/GOCI-Ⅱ 자료 융합 활용 고해상도 주간 안개탐지 알고리즘 개발

유하영 , 한지혜 , 서명석 한국기상학회 학술대회 논문집 2022.10 학술대회자료

천리안위성 2A/2B호를 이용한 주간 고해상도 융합 안개 탐지 알고리즘 개발

유하영 , 한지혜 , 서명석 한국기상학회 학술대회 논문집 2022.04 학술대회자료

2021

천리안위성 2A/2B호, 수치모델 자료와 기계학습 방법을 이용한 주간 안개탐지 알고리즘 개발

유하영 , 서명석 , 한지혜 한국기상학회 학술대회 논문집 2021.10 학술대회자료

GK2A/AMI, 레이더, 낙뢰 및 수치모델 자료를 이용한 뇌우 탐지 기법 개선

유하영 대기과학과 2021.01 학위논문

2020

GK2A/AMI, 레이더, 낙뢰 및 수치모델 자료를 이용한 뇌우탐지기법 개발

유하영 , 서명석 , 류승오 한국기상학회 학술대회 논문집 2020.10 학술대회자료

2019

결정나무기법을 이용한 Himawari8/AHI, GK-2A/AMI의 해무 탐지 알고리즘 개발

유하영 , 서명석 , 한지혜 한국기상학회 학술대회 논문집 2019.10 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

위성 자료의 성능이 크게 개선됨에 따라 최근에는 위성을 이용하여 광범위한 영역에 대한 실시간 안개탐지 알고리즘들이 개발되고 있다. 한반도 주변을 관측하는 기상위성 중 관측주기가 10분으로 시간해상도가가장 우수한 GEO-KOMPSAT-2A/Advanced Meteorological Imager (GK2A/AMI)는 공간해상도가 500 m이다. 반면 GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II (GK2B/GOCI-II)는 해상도가 250 m지만, 1시간 주기로 관측하고 가시채널만 보유하고 있다. 따라서 본 연구에서는 한반도 주변에서 발생하는 안개를 10분및 250 m 해상도로 탐지하기 위해 GK2AB 융합 안개 탐지 알고리즘(Fog Detection Algorithm, FDA)인 GK2ABFDA를 개발하였다. GK2AB FDA는 세 파트로 구성된다. 첫 번째로 현업 운용중인 GK2A 안개 탐지 알고리즘(GK2A FDA)으로 10분 및 500 m 해상도로 안개를 탐지한다. 두 번째 단계에서는 두 위성 자료 간 시공간 일치,태양천정각과 파장역 차이를 보정한 GK2A normalized visible (NVIS)의 10분 변화량을 이용하여 GK2B NVIS를 10분 간격으로 외삽한다. 마지막 단계에서는 외삽된 GK2B NVIS, 태양천정각, GK2A FDA 산출물 등을 입력자료로 기계학습(의사결정나무)을 이용하여 개발된 GK2AB FDA로 지리적위치에 따라 안개를 탐지(250 m,10분)한다. GK2AB FDA의 훈련에는 6개 사례, 검증에는 4개 사례가 이용되었다. GK2AB FDA의 정량적 검증에는 지상관측 시정, 풍속 그리고 상대습도 자료를 이용하였다. GK2AB FDA는 GK2A FDA에 비해 공간해상도가 4배 증가함에 따라 안개 및 비안개 화소가 보다 자세히 구분되었다. 또한 검증방법에 관계없이 GK2AFDA에 비해 probability of detection (POD)은 높고 Hanssen-Kuiper Skill score (KSS)는 높거나 비슷함을 보여 안개 탐지 수준이 개선된 것으로 보인다. 하지만 일부 사례에서는 GK2AB FDA의 false alarm ratio (FAR)와 Bias가크게 나타나 안개를 과대탐지하는 문제를 보이고 있다.

Satellite-based fog detection algorithms are being developed to detect fog in real-time overa wide area, with a focus on the Korean Peninsula (KorPen). The GEO-KOMPSAT-2A/AdvancedMeteorological Imager (GK2A/AMI, GK2A) satellite offers an excellent temporal resolution (10 min)and a spatial resolution (500 m), while GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II(GK2B/GOCI-II, GK2B) provides an excellent spatial resolution (250 m) but poor temporal resolution(1 h) with only visible channels. To enhance the fog detection level (10 min, 250 m), we developed afused GK2AB fog detection algorithm (FDA) of GK2A and GK2B. The GK2AB FDA comprises threemain steps. First, the Korea Meteorological Satellite Center’s GK2A daytime fog detection algorithm isutilized to detect fog, considering various optical and physical characteristics. In the second step, GK2Bdata is extrapolated to 10-min intervals by matching GK2A pixels based on the closest time and locationwhen GK2B observes the KorPen. For reflectance, GK2B normalized visible (NVIS) is corrected usingGK2A NVIS of the same time, considering the difference in wavelength range and observation geometry. GK2B NVIS is extrapolated at 10-min intervals using the 10-min changes in GK2A NVIS. In the finalstep, the extrapolated GK2B NVIS, solar zenith angle, and outputs of GK2A FDA are utilized as inputdata for machine learning (decision tree) to develop the GK2AB FDA, which detects fog at a resolutionof 250 m and a 10-min interval based on geographical locations. Six and four cases were used for thetraining and validation of GK2AB FDA, respectively. Quantitative verification of GK2AB FDA utilizedground observation data on visibility, wind speed, and relative humidity. Compared to GK2A FDA,GK2AB FDA exhibited a fourfold increase in spatial resolution, resulting in more detailed discriminationbetween fog and non-fog pixels. In general, irrespective of the validation method, the probability ofdetection (POD) and the Hanssen-Kuiper Skill score (KSS) are high or similar, indicating that it better detects previously undetected fog pixels. However, GK2AB FDA, compared to GK2A FDA, tends toover-detect fog with a higher false alarm ratio and bias.

#안개 #GK2A/AMI #GK2B/GOCI-II #기계학습 #융합 #고해상도 #Fog #GK2A/AMI #GK2B/GOCI-II #Machine learning #Fusion #High resolution

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (7)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

최근 본 자료

댓글(0)