딥러닝 기반 정량적 자료변환 기법을 이용한 천리안위성 2A호의 가상 RGB 밴드 모의 연구 :Research on Virtual Visible Bands of Advanced Meteorological Imager onboard the Geostationary Korea Multi-Purpose Satellite 2A Using Data-to-Data Translation

한경훈

추천

검색

자료유형: 학위논문

저자정보: 한경훈 (세종대학교, 세종대학교 일반대학원)

지도교수: 홍성욱

발행연도: 2023

저작권: 세종대학교 논문은 저작권에 의해 보호받습니다.

이용수14

이 논문의 연구 히스토리 (2)

2023

딥러닝 기반 정량적 자료변환 기법을 이용한 천리안위성 2A호의 가상 RGB 밴드 모의 연구

한경훈 환경에너지융합학과 2023.01 학위논문

2022

딥러닝 기반 정량적 자료변환 기법을 이용한 천리안위성 2A호의 가상의 RGB 밴드 모의

한경훈 , 장재철 , 류수민 외 2명 한국기상학회 학술대회 논문집 2022.10 학술대회자료

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

초록· 키워드

오류제보하기

인공위성의 가시 채널은 하층운, 안개 탐지 등의 기상 현상 분석에 유용하며, 가시 채널로 합성한 천연색 RGB 영상은 다양한 대기 및 표면 정보를 시각화하여 직관적인 해석에 도움이 된다. 이러한 장점에도 불구하고 가시 채널은 태양광의 영향을 받기 때문에 주간에만 관측이 가능하다는 단점이 있다. 따라서 본 연구에서는 정지궤도 기상위성에 탑재된 AMI(Advanced Meteorological Imager) 센서의 야간 가시 채널 자료를 생성하기 위해 딥러닝 기법 중 하나인 CGAN(conditional Generative Adversarial Network)을 이용한 정량적 자료변환 기법 D2D(Data-to-Data)를 제시한다. D2D 변환 기법은 CGAN을 기반으로 하며 반사율 및 밝기 온도 값인 AMI 센서의 관측 데이터에 정규화 및 비정규화의 전/후처리 과정을 거친다. D2D 모델의 학습을 위해 AMI 센서로 관측한 적외 채널 밝기 온도와 적외 채널 간의 밝기 온도 차이를 다중 중첩하여 입력 데이터 세트로 사용하고 AMI 센서로 관측한 가시 채널의 반사율을 중첩하여 출력 데이터 세트로 사용했다. 또한, 학습된 D2D 모델을 검증하기 위해 학습에 사용되지 않은 주간의 관측 데이터를 사용했다. D2D 모델로 생성한 가상의 주간 가시 채널을 관측된 가시 채널과 비교했을 때, 편차(Bias), 평균 제곱근 오차(RMSE) 및 상관 계수(CC)의 통계적 결과가 청색 밴드에서 -0.006(albedo), 0.047(albedo), 0.941; 녹색 밴드에서 -0.007(albedo), 0.050(albedo), 0.939; 적색 밴드에서 각각 -0.010(albedo), 0.061(albedo), 0.917로 나타났다. 생성된 D2D 모델은 가상의 야간 자료에서 일교차가 큰 사막 지역에 육지 인식 오류가 발생하는 한계점을 가지고 있었지만. 호주 지역에 대한 보정 실험을 통해 개선 가능성을 확인했다. 또한, 그 외의 바다와 육지에서는 가상의 주·야간 가시 채널을 우수하게 모의하는 결과를 보여주었다.
결과적으로, 본 연구는 미국, 유럽, 일본, 중국 등이 운용하는 유사한 정지궤도 기상위성으로 확장될 수 있으며, 전 지구적 기상 현상의 모니터링 및 이해에 크게 기여할 수 있다.

The visible (VIS) band of the satellite is useful for identifying meteorological phenomena such as lower clouds and fog, also true-color imagery generated with the visible bands provides a variety of atmospheric and surface information for intuitive understanding and visualization. Despite these advantages, the VIS band has the disadvantage that it can be observed only during the daytime because it is affected by solar reflection. This study presents data-to-data (D2D) translation using a conditional generative adversarial network (CGAN) which is one of deep learning techniques to simulate daytime and nighttime hypothetical VIS bands of the advanced meteorological imager (AMI) sensor onboard the geostationary multi-purpose satellite. D2D translation is consisted of pre/post-processing of normalization and denormalization of datasets, which are reflectance and brightness temperature values. The D2D model was trained and tested using datasets of brightness temperature of AMI infrared (IR) bands or brightness temperature differences between two AMI IR bands and the albedo at AMI VIS bands. The statistical results of comparing the daytime virtual VIS bands generated by the trained D2D model with the observed AMI VIS bands were bias = -0.006, root mean square error (RMSE) = 0.047 in albedo units, and correlation coefficient (CC) = 0.941 for the blue band; bias = -0.007, RMSE = 0.050 in albedo, and CC = 0.939 for the green band; bias = -0.010, RMSE = 0.061 in albedo, and CC = 0.917 for the red band. The proposed D2D method is being used officially by the Korea Meteorological Administration. The D2D model has a limitation of erroneously simulating a desert area with a large daily temperature difference as a cloud at night. However, the D2D model showed excellent performance of the virtual AMI VIS bands at day and night in other sea and land areas. Consequently, this study can be extended to similar geostationary meteorological satellites operated by the United States, Europe, Japan, China, etc., and thus can greatly contribute to the monitoring and understanding of global meteorological phenomena.

#천리안위성 2A호 #가시 채널 #천연색 RGB 영상 #위성 원격탐사 #CGAN #AMI

1. 서론 1
2. 연구 방법 4
2.1. 데이터 4
2.1.1. 위성 데이터와 학습 영역 4
2.1.2. RGB 합성 영상 7
2.1.3. 적대적 학습을 위한 채널 선정 7
2.1.4. D2D 변환을 위한 학습 데이터 세트의 전처리 9
2.2. 방법 11
2.2.1. Pix2Pix 11
2.2.2. D2D 변환 기법 12
2.2.3. 모델의 학습 및 검증 13
2.2.4. 통계지표 16
3. 결과 및 고찰 17
3.1. 결과 17
3.1.1. 정량적 결과 비교 17
3.1.2. 가상의 주간 RGB 채널 19
3.1.3. 가상의 야간 RGB 채널 22
3.2. 고찰 25
4. 요약 및 결론 28
참고문헌 29

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)