우주개발진흥 기본계획에 따라 개발되는 다목적실용위성 시리즈는 1999년 12월 1호 발사를 시작으로 현재까지 5기의 위성이 발사되었으며, 현재 다목적실용위성 3호, 3A호 및 5호가 운영 중이다. 고해상도 광학, synthetic aperture radar (SAR), 중적외(middle-wave infrared) 센서를 탑재한 다목적실용위성 시리즈는 지난 25년 동안 국토, 환경, 산림, 농업, 재난 등 다양한 분야에서 활용됐으며, 최근 딥러닝 기술과 연계하여 영상 분할, 객체 탐지, 변화탐지 등 다양한 연구에도 활용되고 있다. 본 특별호에서는 최근 다목적실용위성 시리즈 영상을 이용하여 수행된 다양한 연구 결과를 소개하고자 한다.

주거지역 인근의 공장과 축사 등의 농촌 시설은 다양한 오염으로 인하여 인근 주민의 불편을 유발시킬 수 있다. 이들은 법적인 등록 절차를 통해 관리되지만 현실과 조사내용 사이의 불일치와 규제의 일관성 부족 등의 문제점이 여전히 존재한다. 관련하여 우리나라에서는 농촌공간 재구조화 및 재생지원에 관한 법률이 2024년 3월 말에 시행되었고 이를 통해 장기적인 농촌 공간 계획 수립과 더불어 관련 사업의 추진을 지원하게 된다. 이러한 상황 속에서 농촌 시설의 현재 및 미래 상황을 적확하고 효율적으로 파악할 수 있는 수단이 절실히 요구된다. 본 연구에서는 4개의 시범도시에 대해 2019년과 2020년에 다목적실용위성에서 촬영된 광학 영상과 상응하는 농촌시설 마스크를 포함하는 학습자료를 구성하고 이에 대해 딥러닝 기반의 분할 기법을 적용하였다. 위성영상에서의 건물은 대게 지붕만 보이므로 이를 분석하여 건물 유형을 완벽하게 분류하는 것은 어려우며 농촌 시설이 아닌 건물과 농촌 시설이 유사한 외관을 갖는 경우가 흔히 존재한다. 이러한 시각적인 모순은 복잡도가 높은 네트워크일수록 과적합을 발생시키며 신규 자료에서의 보편적인 추론 성능을 떨어뜨린다. 본 연구에서는 과적합 완화와 보편적 분류성능 개선을 위하여 서로 다른 조합의 학습자료를 구성하여 중복 모델을 구축하였다. 중복모델은 동일한 입력자료에 대해 서로 다른 추론 결과를 생성하며 이들을 융합하여 보다 신뢰할 수 있는 추론 결과를 얻을 수 있었다. 또한 학습 과정에서 중복 모델 사이에서 일관된 추론 결과를 나타낸 영역만을 대상으로 최적화를 수행하여 단일 모델의 추론 성능 및 안정성에 대한 개선 효과를 확인하였다.

농업의 발전과 함께 비점오염원인 야적퇴비의 불법 관리는 수질 및 환경 오염의 원인으로 문제시되고 있다. 하지만 현장 조사를 통한 야적퇴비 탐지는 비용적 소모가 커 어려움을 겪고 있다. 본 연구에서는 고해상도 KOMPSAT-3 위성 영상을 사용해 야적퇴비를 탐지하고자 한다. 경상남도 농경지 일대의 청색, 녹색, 적색, 근적외선(near-infrared, NIR) 밴드의 위성 영상 데이터를 수집하여 관리가 적합하지 않은 야적퇴비에 대해 라벨링(labeling)을 진행하고 딥러닝 모델을 통한 야적퇴비 탐지 후 성능을 평가하였다. 야적퇴비 탐지를 위한 모델은 총 4가지로 U-Net을 통한 의미론적 분할 탐지, Mask Region-based Convolutional Neural Network (R-CNN)를 통한 객체 분할 탐지, Faster R-CNN을 통한 객체 탐지, Faster R-CNN과 U-Net을 결합한 혼합모델을 제시하여 의미론적 분할 탐지를 진행하였다. 픽셀 정확도와 mean Intersection-over-Union (mIoU)을 기반으로 한 정확도 평가에서 타 모델 대비 객체 기반 모델의 신뢰도가 높았고, 이중 본 논문에서 제시한 혼합모델이 mIoU 0.68로 가장 높은 값을 보였다. 이러한 결과를 통해 위성 영상이 가지는 비용적 이점과 무인항공기를 통한 높은 신뢰도의 야적퇴비 탐지를 진행하여 현재 야적퇴비 탐지의 문제점을 해소할 수 있을 것으로 기대된다. 향후 연구에서 방법론을 보완하고 위성 영상의 품질을 개선할 수 있다면 정확도 높은 야적퇴비 탐지가 가능할 것이다.

항공우주 산업의 발전으로 인해 인공지능을 활용하여 인공위성 영상에서 관심 객체를 분석하는 연구가 증가하고 있다. 그러나 위성 영상은 일반적인 8bit RGB 카메라 영상과 달리 16bit 픽셀 값을 주로 가지며, 이를 그대로 사용하면 이상치 값으로 인해 영상이 어두워지는 문제가 발생할 수 있다. 이러한 문제는 객체 식별을 어렵게 만들고 분석 성능에 부정적인 영향을 미친다. 이 문제를 해결하기 위해 다양한 영상 향상 기법이 제안되었으나, 위성마다 세부 특성이 다르고 수행하고자 하는 작업에 따라 각 기법의 효과가 달라지므로 적합한 기법을 검토할 필요가 있다. 본 연구에서는 국내에서 널리 활용되는 KOMPSAT-3A 위성의 데이터셋을 사용해, 5개의 영상 향상 기법 중 semantic segmentation 작업에 적합한 영상 향상 기법에 대해 분석하였다. 5가지 semantic segmentation 모델을 사용한 실험 결과, 백분위수 스트레칭이 3가지 모델에서 좋은 성능을 보여 가장 보편적으로 활용 가능한 방법으로 판단되었다. 또한, 도시 분석에서 중요한 객체인 건물과 도로의 경우, recursive separated and weighted histogram equalization (RSWHE)과 백분위수 스트레칭이 효과적인 것으로 나타났다.

중적외선(mid-infrared, MIR) 영상은 객체 및 지표의 온도를 파악할 수 있어 국방, 환경 등 다양한 분야에서 고부가가치의 데이터로 평가받는다. 다시기 위성영상의 활용을 위해서는 상호등록을 수행하여 영상 간 좌표를 통일하는 과정이 필수적이다. 특징 기반 정합기법인 radiation-invariant feature transform (RIFT) 알고리즘은MIR 주간 및 야간 영상 간 존재하는 비선형적 방사 왜곡에 강인한 정합점을 추출할 수 있는 정합기법이다. 그러나, 기존 RIFT 알고리즘을 적용하였을 시 영상의 특성을 충분히 고려하지 못하여 정합점이 부족한 한계점이 존재한다. 본 연구에서는 MIR 주야영상 상호등록 기술을 위해 RIFT의 최적화 방식을 제안한다. 먼저, 영상의 패치 크기를 선정하여 RIFT 알고리즘이 다수의 정합쌍을 안정적으로 취득할 수 있도록 한다. 다양한 패치 크기를 설정하여 RIFT 적용 결과를 비교한 후 다수의 정합점이 추출되는 값을 최종 패치 크기로 선정하였다. 또한, RIFT 알고리즘의 하이퍼파라미터(hyperparameter)를 조합 별 정합점 개수와 root mean square error (RMSE)를 비교하여MIR 영상 특성에 최적화하였다. 마지막으로, 오정합쌍 제거 알고리즘인 random sample consensus (RANSAC), data snooping 그리고 locality preserving matching (LPM)을 각각 적용하여 추출된 참정합쌍을 기반으로 구성된 변환모델을 이용하여 상호등록을 수행하였다. KOMPSAT-3A MIR 주야간 위성영상을 이용하여 실험한 결과, 상호등록 정확도는 평균 RMSE와 circular error 90% (CE90)가 각각 0.984 화소, 2.076 화소로 LPM 알고리즘이 가장 우수한 정량적 평가 결과를 도출하였다. 본 연구를 통해 제안된 최적화된 RIFT 기법은 KOMPSAT-3A MIR 주야간 영상의 특성을 고려한 다수의 정합점을 효과적으로 추출할 수 있어 영상 활용의 전처리 기술로 이바지할 수 있을 것으로 사료된다.

고해상도 위성영상 간 End-to-end 방식으로 정합점을 추출하는 자기지도학습 매칭 네트워크를 학습하기 위해 본 연구에서는 훈련자료 자동 생성 방법을 제안한다. 단일 고해상도 원격탐사 영상에 스케일, 회전, 변위를 변환하는 homography matrix를 적용하여 기준 영상 패치(reference image patch)와 입력 영상 패치(sensed image patch)를 생성한다. 입력 영상 패치의 대비 및 밝기를 조정한 후 가우시안 및 스펙클 노이즈를 생성하고 셰이딩(shading) 및 모션 블러(motion blur) 효과를 적용하여 기준 영상 패치와 상이한 특성을 갖도록 한다. 이어서, 다양한 특징점 검출기(feature point extractor)와 homographic adaptation 기법을 함께 이용하여 서로 다른 검출기가 다양한 기하 왜곡에서 공통적으로 탐지하는 특징점을 각 영상 패치에서 추출한다. 그리고 non-maximum suppression (NMS) 기법을 활용하여 추출된 특징점을 최적화하는 과정을 수행한다. 앞서 생성된 homography matrix를 활용하여 영상 패치 간 위치 오차가 1 화소 이내 인 특징점 쌍을 정합점으로 선정하고, 정합점의 좌표와 homography matrix를 pseudo-label로 이용한다. 다양한 경로에서 수집된 고해상도 원격탐사 데이터베이스에 본 연구에서 제안하는 자동화된 방법을 적용하여 추출된 정합점의 개수가 20개 이상인 경우에만 훈련자료로 생성하였다. 그 결과, 총 341,820장의 학습 데이터와 44,389장의 검증 데이터를 구축하였다. 본 연구에서 구축한 훈련자료를 통해 학습된 End-to-end 정합점 추출 딥러닝 네트워크는 다른 알고리즘 및 딥러닝 네트워크보다 위치 정확도가 높은 정합점을 효과적으로 추출하였다. 이를 통해, 제안기법은 고해상도 위성영상의 특성을 반영할 수 있는 고품질의 pseudo-label을 자동으로 생성하여 딥러닝 네트워크 학습 효율성을 개선할 수 있다.

아이슬란드 레이캬네스(Reykjanes) 반도의 순드누쿠르(Sundhnúkur) 화산은 2024년 5월 29일 분화를 시작하며 대량의 용암을 분출하여 용암 대지를 형성하고 지표 변화를 초래하였다. 본 연구에서는 Sentinel-1 위성 영상에 긴밀도 변화 탐지(Coherence Change Detection, CCD) 기법을 적용해 초기 화산 분화에 의한 지표 변화를 관측하였다. Landsat-9 위성 영상에 서포트 벡터 머신(Support Vector Machine, SVM) 기법을 적용하여 CCD 기법의 임계값을 산출하였고, 이를 기반으로 damage proxy map과 변화 지역 자료를 생성하여 화산 분화로 인한 변화 지역을 평가하였다. CCD 기법과 SVM 알고리즘을 복합적으로 사용해 분석한 결과, 화산 분화의 초기 기간동안 7,536,000 ㎡의 용암 대지가 형성된 것으로 확인되었으며 이는 실측 결과와 약 18%의 오차를 보였다. 또한, 화산 분화로 인해 9,698,500 ㎡에 달하는 영역에서 지표 변화가 발생한 것으로 나타났다. 본 연구에서는 CCD 기법을 통해 광학 위성 영상으로 탐지하기 어려운 지표 변화를 효과적으로 탐지할 수 있음을 확인하였다. 이러한 접근은 화산 분화 초기 지표 변화의 특성을 파악하는 데 기여하며 향후 KOMPSAT-6 위성이 운용될 경우, 지표 변화 탐지와 모니터링을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

이 논문에서는 SAR 위성영상을 사용하여 도시 국소지역에 대한 시계열 변화탐지를 위한 Statistically Homogeneous Pixel (SHP) 및 긴밀도(coherence) 정보 기반의 방법을 제안하였다. 제안된 시계열 변화탐지 프레임워크(framework)를 다목적실용위성(KOMPSAT) 5호 Synthetic Aperture Radar (SAR) 시계열 데이터에 적용하여 항만 지역의 컨테이너 적치장에 대한 시계열 변화탐지 실험을 수행하였다. 향후 보다 많은 영상을 대상으로 기술 검증이 이루어진다면 국내 다목적실용위성 SAR 영상을 활용한 도시지역의 관심지역에 대한 시계열 변화탐지 알고리즘이 더 일반화되고 신뢰도를 높일 수 있을 것이다.

본 연구에서는 선박 속도 기반의 합성개구레이다(Synthetic Aperture Radar, SAR) 위상 재초점화 알고리즘을 제안하고, 이를 3종류의 SAR 영상 내 이동 선박에 적용하여 선박 식별 정확도를 향상시킬 수 있다는 것을 보였다. 이동 표적의 도플러 주파수 특성을 활용하여 본 연구에서 개발한 재초점화 알고리즘은 효과적으로 위상 왜곡을 보정하고 이를 학습자료로 활용하여 선박 식별 알고리즘의 성능을 개선하였다. 재초점화 알고리즘의 성능은 기존 자동초점화 알고리즘의 성능 대비 우수하였고, 식별 정확도 역시 재초점화 전보다 더 향상되었다.

Recently, as the frequency of high-resolution satellite image collection and the amount of data have increased, the demand for image data with temporal and spatial accuracy has been rising in various fields. Thisimage data serves an importantrole in various applicationssuch as environmental monitoring, urban planning, and disaster management. However, geometric correction using ground control points forindividual imagesisinefficient in terms of time and cost, and its practicality decreases, especiallywhen processing large numbers of images. In this study, we propose a method to efficiently re-estimate the rational polynomial coefficients(RPCs) correction coefficients for a large number of uncorrected KOMPSAT-3/3A images by setting a specific orthorectified CAS500-1 as the reference image and using bundle block adjustment. The proposed method applies the inverse geocoding technique to the set reference image to reproduce the image corresponding to the Level-2 Radiometric (L2R) and the RPCs information. Afterward, bundle block adjustment is performed with other Level-1 Radiometric (L1R) or L2R images to re-estimate the RPCs correction coefficients in bulk. This process improves the geometric correction accuracy for a large number of images while also saving time compared to the method of correcting each image independently. As a result of experiments using the proposed methodology, the initial relative error position error was reduced from 160 pixelsto 1.3 pixels. This demonstrated significant improvement in accuracy and efficiency performance. Through the proposed method, high-accuracy single satellite images were used to perform precise corrections on multiple images. Moreover, the feasibility of bundle adjustment processing using various satellite image data was confirmed. As a result, it is expected that a large volume of satellite images processed quickly and accurately will be provided for various satellite image application fields.

Change detection is essential for applications such as urban planning, environmental monitoring, and disaster response. Despite advancements in high-resolution satellite imagery, accurate change detection remains challenging due to increased landscape heterogeneity and variable atmospheric conditions. The Mamba model, an efficient state-space model-based architecture, has shown promise in capturing spatiotemporal relationships in high-resolution datasets, addressing the limitations of traditional methods that struggle with the diverse appearances of urban structures. This research investigates applying Mamba to multitemporal Korea Multi-Purpose Satellite (KOMPSAT) imagery, using both real and synthetic data from SyntheWorld, a dataset developed to simulate various change scenarios. This study introduces a synthetic data-augmented mamba-based change detection algorithm (SAMBA), designed to detect structural changes in urban environments using KOMPSAT-3A satellite imagery. The main objectives are to evaluate the Mamba binary change detection (MambaBCD) model's ability to detect building changes in KOMPSAT-3A images and assess the impact of synthetic data augmentation on performance. Experimental results with MambaBCD-Small and MambaBCD-Tiny models indicate that synthetic data incorporation improves generalization in complex settings, achieving high performance across multiple data and model configurations. Notably, the MambaBCD-Tiny model, with or without synthetic augmentation, outperformed the larger-parameter MambaBCD-Small model, demonstrating enhanced sensitivity in detecting satellite image changes. Performance evaluation metrics yielded an overall accuracy of 99.73%, precision of 98.34%, recall of 96.54%, F1-score of 97.43%, intersection over union of 95.00%,and Kappa coefficient of 97.29%. These metrics were similarly used to test the SAMBA algorithm's generalization on benchmark change detection datasets, showcasing its potential as a robust tool for high-resolution image change detection.