지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김재현
- 발행연도
- 2023
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
국내의 강원지역, 경상지역 등 대형 산불의 지속적인 발생으로 인명 및 재산 피해, 특히 산림의 피해가 꾸준히 발생하고 있다. 화산 분화 관련해서는 2000년대에 백두산의 호수인 천지(칼데라) 지역에 헬륨()과 수소() 등 가스의 방출이 큰 폭으로 증가하는 등 화산 분화 가능성이 증대되고 있다. 국내의 휴화산은 언제라도 분화할 수 있다는 가능성이 존재하고 있다. 이에 산불 및 화산 분화 시 화염원에서 발생하는 적외선 신호의 원리에 대해 연구하였다.
또한, 대형 산불 및 화산 분화시 이미지 분석을 위해 KOMPSAT(Korea Multi-Purpose SATellite)-3A, Sentinel-2A, Google EARTH, Chullian-2A 등 위성 이미지를 활용하였다. 산불이나 화산 분화 분석을 위한 광학이나 적외선 위성 영상 이미지는 데이터 세트의 양이 부족하다는 점을 확인할 수 있다. 이는 산불 및 화산 분화 이미지 분석 등 각종 목적에 적합한 영상을 얻기 어렵다는 것이다. 이러한 제한사항은 딥러닝을 이용해 부족한 데이터 세트 문제점을 보완할 수 있다.
딥러닝은 대량의 데이터를 처리하여 원하는 연구를 수행할 수 있으며 다양한 분야에서 활용되고 있다. 딥러닝을 사용하여 산불 및 화산 분화 이미지 분석에 활용할 수 있는 CycleGAN(Cycle Generative Adversarial Network)을 활용한 산불 이미지 생성 모델을 구축한다. CycleGAN은 페어링되지 않은 데이터 세트를 이용하여 이미지를 생성하는 방법이다. 원본 광학이나 적외선 이미지와 유사한 이미지를 생성할 수 있어 산불 이미지 분석에 활용할 수 있다. 시뮬레이션 결과 CycleGAN을 활용한 원본 이미지와 유사한 강릉지역의 산불 이미지를 생성할 수 있었다. 산불 이미지 생성 모델의 정밀도를 비교하기 위해 평가지표를 이용하여 양적 분석을 수행하였으며 생성된 산불 이미지는 실제 산불 이미지와 유사하다는 것을 확인할 수 있었다. 평가지표인 SSIM(Structural Similarity Index Measure)과 PSNR(Peak Signal-to-Noise Ratio)를 이용한 정밀도를 측정한 결과 생성된 산불 이미지는 원본 적외선 이미지의 특징을 유지하며 원본 광학 이미지의 색상을 적용하여 생성되어 원본 이미지와 유사한 형태를 보이고 있었다. 또한, 강원 및 경상지역 산불 전·후 적외선 이미지를 활용하여 산림 소실률과 피해 면적을 산출하였다. 전체 이미지의 픽셀 개수와 산림 픽셀 개수를 이용하여 산불 이전과 이후의 산림 소실률, 피해 면적 비율을 계산하였다. 산림 소실률은 화재의 집중에 따라 상이한 모습을 보여주었고, 피해 면적 비율은 유사한 형태를 보여주었다.
또한, 대형 산불 및 화산 분화시 이미지 분석을 위해 KOMPSAT(Korea Multi-Purpose SATellite)-3A, Sentinel-2A, Google EARTH, Chullian-2A 등 위성 이미지를 활용하였다. 산불이나 화산 분화 분석을 위한 광학이나 적외선 위성 영상 이미지는 데이터 세트의 양이 부족하다는 점을 확인할 수 있다. 이는 산불 및 화산 분화 이미지 분석 등 각종 목적에 적합한 영상을 얻기 어렵다는 것이다. 이러한 제한사항은 딥러닝을 이용해 부족한 데이터 세트 문제점을 보완할 수 있다.
딥러닝은 대량의 데이터를 처리하여 원하는 연구를 수행할 수 있으며 다양한 분야에서 활용되고 있다. 딥러닝을 사용하여 산불 및 화산 분화 이미지 분석에 활용할 수 있는 CycleGAN(Cycle Generative Adversarial Network)을 활용한 산불 이미지 생성 모델을 구축한다. CycleGAN은 페어링되지 않은 데이터 세트를 이용하여 이미지를 생성하는 방법이다. 원본 광학이나 적외선 이미지와 유사한 이미지를 생성할 수 있어 산불 이미지 분석에 활용할 수 있다. 시뮬레이션 결과 CycleGAN을 활용한 원본 이미지와 유사한 강릉지역의 산불 이미지를 생성할 수 있었다. 산불 이미지 생성 모델의 정밀도를 비교하기 위해 평가지표를 이용하여 양적 분석을 수행하였으며 생성된 산불 이미지는 실제 산불 이미지와 유사하다는 것을 확인할 수 있었다. 평가지표인 SSIM(Structural Similarity Index Measure)과 PSNR(Peak Signal-to-Noise Ratio)를 이용한 정밀도를 측정한 결과 생성된 산불 이미지는 원본 적외선 이미지의 특징을 유지하며 원본 광학 이미지의 색상을 적용하여 생성되어 원본 이미지와 유사한 형태를 보이고 있었다. 또한, 강원 및 경상지역 산불 전·후 적외선 이미지를 활용하여 산림 소실률과 피해 면적을 산출하였다. 전체 이미지의 픽셀 개수와 산림 픽셀 개수를 이용하여 산불 이전과 이후의 산림 소실률, 피해 면적 비율을 계산하였다. 산림 소실률은 화재의 집중에 따라 상이한 모습을 보여주었고, 피해 면적 비율은 유사한 형태를 보여주었다.
목차
제 1장 서 론 1제 1절 동기와 기여 1제 2절 구성 2제 2장 산불 및 화산 분화 관련 연구 3제 1절 산불 31. 우리나라의 산불 발생 3제 2절 화산 분화 51. 세계의 주요 화산 분화 52. 한반도의 화산 분화 93. 화산 분화 용어 12제 3절 산불 및 화산 분화 탐지의 기술적 원리 151. 신호 탐지의 기술적 원리 152. 신호의 성분 183. 신호의 대기 특성 194. 배경 잡음신호 20제 4절 산불 및 화산 분화 탐지 231. 활용 위성 232. 위성영상정보 용어 정의 273. 산불 피해 용어 정의 344. 산불 및 화산 분화 위성 영상 37제 3장 GAN 관련 연구 44제 1절 GAN 44제 2절 이미지 필터 50제 3절 Sentinel-2 위성 위성 처리 52제 4절 SNAP의 처리 과정 56제 4장 산불 이미지 생성 모델 구축 57제 1절 모델 구축 57제 2절 모델 환경 63제 3절 평가지표 66제 5장 시뮬레이션 결과 67제 1절 원본 이미지와 생성 이미지 67제 2절 산림 소실률 분석 69제 6장 결 론 71참고문헌 73
최근 본 자료
댓글(0)
0